CN115798624B - 一种柴油车尾气scr反应过程智能建模方法 - Google Patents
一种柴油车尾气scr反应过程智能建模方法 Download PDFInfo
- Publication number
- CN115798624B CN115798624B CN202310048902.1A CN202310048902A CN115798624B CN 115798624 B CN115798624 B CN 115798624B CN 202310048902 A CN202310048902 A CN 202310048902A CN 115798624 B CN115798624 B CN 115798624B
- Authority
- CN
- China
- Prior art keywords
- layer
- type
- algorithm
- fuzzy
- diesel vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/12—Improving ICE efficiencies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种柴油车尾气SCR反应过程智能建模方法,包括如下步骤:S1:获取用于建模的柴油车尾气SCR反应过程时序数据集,其中时序数据集包括输入变量序列和输出变量序列;S2:基于S1中得到的输入变量序列和输出变量序列选用多层二型模糊神经网络作为柴油车尾气SCR反应模型。本发明所述的一种柴油车尾气SCR反应过程智能建模方法,所述一种柴油车尾气SCR反应过程智能建模方法,能够对SCR反应过程的非线性、时滞、不确定性干扰等动态特性进行有效建模,提升SCR反应过程模型的精度、鲁棒性和泛化能力。
Description
技术领域
本发明属于车辆后处理控制技术领域,尤其是涉及一种柴油车尾气SCR反应过程智能建模方法。
背景技术
柴油车尾气选择性催化还原(Selective Catalytic Reduction,SCR)系统采用尿素作为还原剂,与尾气中的NOx在催化剂的作用下发生还原反应,生成无害的氮气(N2)和水(H2O),从而有效降低了尾气的NOx排放。SCR反应过程受到温度、空速、气体组分、发动机原排、尿素喷射量、催化剂活性等因素影响,催化还原反应会有不同程度的变化,这直接影响到SCR减排的效果。因此,对柴油车尾气SCR反应的准确建模能够帮助工程师详细了解催化还原反应过程,有助于设计准确合理的尿素喷射控制策略。
目前柴油车尾气SCR反应过程均采用基于第一原理即物理化学反应机理进行建模。这种建模方法存在的缺陷是,物理化学反应机理模型需要标定例如活化能系数、气体常数、气体摩尔质量等参数,这些参数需要在理想实验条件下进行单组分的化学反应标定实验。然而在柴油车实际运行过程中,排气尾部同时进行多个化学反应,气体组分复杂,与实验室理想条件下标定的反应参数存在较大差异。同时采用物理化学反应机理进行建模需要工程师具备足够的物理化学知识,对柴油车尾气SCR反应过程所有的主反应、副反应均能准确建模,导致目前建立的机理模型不能准确反映柴油车尾气SCR反应过程。
发明内容
有鉴于此,本发明旨在提出一种柴油车尾气SCR反应过程智能建模方法,避免采用物理化学反应机理模型建模,通过对SCR反应过程模型输入输出数据的建模,实现对SCR复杂的动态反应过程进行有效建模。
为达到上述目的,本发明的技术方案是这样实现的:
一种柴油车尾气SCR反应过程智能建模方法,包括如下步骤:
S1:获取用于建模的柴油车尾气SCR反应过程时序数据集,其中时序数据集包括输入变量序列和输出变量序列;
S2:基于S1中得到的输入变量序列和输出变量序列选用多层二型模糊神经网络作为柴油车尾气SCR反应模型;
所述步骤S2中的柴油车尾气SCR反应模型的建立包括以下步骤:
A1:选择二型模糊隶属度函数参数和模糊后件层隶属度函数、选择降型算法、确定多层结构节点个数;
A2:柴油车尾气SCR反应区间二型模糊神经网络模型前件参数采用梯度下降法进行参数辨识;
A3:柴油车尾气SCR反应区间二型模糊神经网络模型后件参数采用递归最小二乘法进行参数辨识。
所述步骤S1中的输入变量序列包括SCR入口NOx浓度、尿素喷射量、SCR后NH3逃逸浓度、SCR催化剂温度中的一种或多种;
所述步骤S1中的输出变量序列包括SCR出口NOx浓度;
所述步骤S1中的输入变量序列和输出变量序列的时序包括当前时刻的测量值以及历史时刻的测量值组成的序列;
所述步骤S1中的时序数据的获取途径包括发动机台架实验方法和车载排放测试系统实车测试实验方法中的一种。
所述步骤S2中的多层二型模糊神经网络模型包含输入层、二型模糊层、区间运算层、模糊后件层、降型层和输出层;
输入层的节点数为SCR入口NOx浓度、尿素喷射量、SCR后NH3逃逸浓度和SCR催化剂温度时序数据中的一种或两种及以上;
步骤S2中的多层二型模糊神经网络模型的二型模糊层、区间运算层和模糊后件层的节点数相同,为人工经验指定或参数优化得到。
步骤S2中的多层二型模糊神经网络模型的降型层节点数根据降型算法确定;
根据降型算法包括第一降型算法和第二降型算法;
第一降型算法确定多层二型模糊神经网络模型的降型层节点数为2;
第二降型算法确定多层二型模糊神经网络模型的降型层节点数与模糊后件层的节点数相同。
可选的,所述第一降型算法为迭代式,包括但不限于:KM(Karnik-Mendel)算法、EKM(enhanced Karnik-Mendel)算法、EKMANI(enhanced Karnik-Mendel algorithm withnew initialization)算法、IASC(iterative algorithm with stop condition)算法、EIASC (enhanced iterative algorithm with stop condition)算法、EODS(enhancedopposite direction searching)算法。
可选的,所述第二降型算法为闭环式,包括但不限于:WT(Wu-Tan)算法、NT(Nie-Tan)算法、DY(Du-Ying)算法、BMM(Begian-Melek-Mendel)算法。
所述步骤A1中二型模糊隶属度函数包括区间二型高斯隶属度函数、广义二型高斯隶属度函数、区间二型三角隶属度函数、广义二型三角隶属度函数、区间二型梯形隶属度函数、广义二型梯形隶属度函数、区间二型钟形隶属度函数、广义二型钟形隶属度函数中的一种。
二型模糊神经网络的模糊后件层隶属度函数包括单值型多项式、区间二型模糊多项式和广义二型模糊多项式中的任意一种。
二型模糊神经网络模型的建立需要标定二型模糊层的二型模糊隶属度函数参数和模糊后件层多项式的系数。
A3还包括采用所述柴油车尾气SCR反应过程时序数据集训练A2中得到的二型模糊神经网络模型前件参数和A3中得到的二型模糊神经网络模型后件参数;验证误差最小值标定的二型模糊神经网络模型的二型模糊层和模糊后件层的参数和降型算法确定为油车尾气SCR反应过程的多层二型模糊神经网络模型。
训练算法包括梯度下降法、牛顿法、拟牛顿法、最速下降法、模拟退火方法、遗传算法、蚁群算法、粒子群算法、最小二乘法、递推最小二乘法中的一种。
相对于现有技术,本发明所述的一种柴油车尾气SCR反应过程智能建模方法具有以下有益效果:
1、所述一种柴油车尾气SCR反应过程智能建模方法,可以避免采用物理化学反应机理建模,减少模型参数标定实验。
2、所述一种柴油车尾气SCR反应过程智能建模方法,能够对SCR反应过程的非线性、时滞、不确定性干扰等动态特性进行有效建模,提升SCR反应过程模型的精度、鲁棒性和泛化能力。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的一种柴油车尾气SCR反应过程智能建模方法的流程示意图;
图2为本发明实施例一中的六层区间二型模糊神经网络模型结构一为柴油车尾气SCR反应过程模型;
图3为本发明实施例一中的六层区间二型模糊神经网络的区间二型高斯模糊隶属度函数;
图4为实施例二中的六层区间二型模糊神经网络模型结构二为柴油车尾气SCR反应过程模型。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例一:
图1为本发明实施例一提供的一种柴油车尾气SCR反应过程智能建模方法的流程示意图,本实施例可适用于构建柴油车尾气SCR反应过程模型,该方法具体包括如下步骤:
S11、进行SCR反应发动机台架实验,获取用于建模的柴油车尾气SCR反应过程时序数据,其中,所述时序数据包括输入变量序列和输出变量序列。
具体的,采用某主机厂3L柴油机,在AVL 330 kW电力测功机台架系统上开展试验,排放直采系统为AVL AMA i60排放测试系统,非常规污染物采用AVL FTIR进行测量,同时配备了AVL 735/753油耗分析仪、水恒温系统、进气空调系统,通过上述设备采集输入变量序列和输出变量序列。
具体的,输入变量序列包括尿素喷射量x1,SCR入口NOx浓度和SCR出口NH3逃逸浓度x2。输出变量序列包括SCR出口NOx浓度y。
S12、选定图2六层区间二型模糊神经网络模型结构一为柴油车尾气SCR反应过程模型。
S13、具体的,六层区间二型模糊神经网络模型结构一的第一层为输入层,n个节点对应变量为
x3(k-i)为SCR后NH3逃逸浓度在k-i时刻的测量值,分别是SCR出口NOx浓度y的阶次、尿素喷射量x1的阶次、SCR入口NOx浓度x2的阶次和SCR出口NH3逃逸浓度x3的阶次。/>的辨识方法包括但不限于如下的方法:赤池信息准则(Akaike’s Information Criterion, AIC)、贝叶斯信息准则(Bayesian InformationCriterion, BIC)、预报误差准则(Final Prediction Error, FPE)。
分别为区间二型高斯模糊隶属度函数/>的中心值、上隶属度宽度和宽度区间,为可调节参数。具体的,六层区间二型模糊神经网络模型结构一的第三层为区间运算层。区间运算层第j(j=1,.....,k)个节点对应的输出为:/>
具体的,六层区间二型模糊神经网络模型结构一的第四层为模糊后件层。模糊后件层选择单值多项式,第j(j=1,.....,k)个节点对应的输出为;
式中:
、/>、/>、/>分别是SCR出口NOx浓度y、尿素喷射量x1,SCR入口NOx浓度x2、SCR出口NH3逃逸浓度x3的多项式系数;分别为SCR出口NOx浓度y多项式/>的第1项、第2项、第ny项系数,/>、/>、/>分别是尿素喷射量/>多项式/>的第1项、第2项、第/>项系数/>
具体的,六层区间二型模糊神经网络模型结构一的第五层为降型层。降型层选择NT降型算法,第j(j=1,.....,k)个节点对应的输出为:
具体的,六层区间二型模糊神经网络模型结构一的第六层为输出层。输出层唯一的节点对应的输出为:
S14、柴油车尾气SCR反应六层区间二型模糊神经网络模型结构一的二型模糊层参数采用梯度下降法进行参数标定。
具体的,六层区间二型模糊神经网络模型结构一的误差目标函数选取为
式中:是k时刻SCR出口NOx浓度测量值与SCR出口NOx浓度预测值误差平方的二分之一;/>是k时刻SCR出口NOx浓度测量值;/>是k时刻SCR出口NOx浓度预测值;/>是k时刻SCR出口NOx浓度预测误差。
具体的,六层区间二型模糊神经网络模型结构一的二型模糊层参数辨识算法为:
式中:是二型模糊层区间二型高斯模糊隶属度函数/>中心在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>中心在k时刻的未更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度在k时刻的未更新值;
是二型模糊层区间二型高斯模糊隶属度函数/>宽度区间在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度区间在k时刻的未更新值;/>是式(6)误差目标函数/>对是式(6)误差目标函数/>对/>的导数;/>是梯度下降法的学习率,取值范围0~1;/>是k时刻SCR出口NOx浓度预测值,/>是k时刻SCR出口NOx浓度预测值对/>的导数。
S15、柴油车尾气SCR反应六层区间二型模糊神经网络模型结构一的模糊后件层系数采用递推最小二乘法进行参数标定。
具体的,将柴油车尾气SCR反应六层区间二型模糊神经网络模型结构一采用向量形式重写为;
式中:是k-1时刻已知参数向量;/>是k-1时刻第j个已知参数元素,j=1,K,M;/>是k时刻需要更新模糊后件层系数向量;/>是k时刻第j个需要更新模糊后件层系数元素,j=1,K,M,/>是k时刻第j个节点的隶属度归一化值;/>为SCR出口NOx浓度在时刻的测量值。/>为尿素喷射量在k-i时刻的测量值;x2(k-i)为SCR入口NOx浓度在k-i时刻的测量值;x3(k-i)为SCR后NH3逃逸浓度在k-i时刻的测量值;/>、/>、/>分别是SCR出口NOx浓度y多项式/>的第1项、第2项、第ny项系数;/>、/>、/>分别是尿素喷射量x1多项式/>的第1项、第2项、第/>项系数;/>、/>、/>分别是SCR入口NOx浓度x2多项式的第1项、第2项、第/>项系数;/>、/>、/>分别是SCR出口NH3逃逸浓度x3多项式/>的第1项、第2项、第/>项系数。
具体的六层区间二型模糊神经网络模型结构一的预测精度满足式(10)后,式(7)中二型模糊层参数和式(9)中模糊后件层参数为六层区间二型模糊神经网络模型结构一的固定参数,柴油车尾气SCR反应过程建模完成。
实施例二:
图1为本发明实施例一提供的一种柴油车尾气SCR反应过程智能建模方法的流程示意图,本实施例可适用于构建柴油车尾气SCR反应过程模型,该方法具体包括如下步骤:
S11、进行SCR反应发动机台架实验,获取用于建模的柴油车尾气SCR反应过程时序数据,其中,所述时序数据包括输入变量序列和输出变量序列。
具体的,采用某主机厂3L柴油机,在AVL 330 kW电力测功机台架系统上开展试验,排放直采系统为AVL AMA i60排放测试系统,非常规污染物采用AVL FTIR进行测量,同时配备了AVL 735/753油耗分析仪、水恒温系统、进气空调系统,通过上述设备采集输入变量序列和输出变量序列。
具体的,输入变量序列包括尿素喷射量x1,SCR入口NOx浓度x2和SCR出口NH3逃逸浓度x3。输出变量序列包括SCR出口NOx浓度。
S12、选定图4六层区间二型模糊神经网络模型结构二为柴油车尾气SCR反应过程模型。
S13、具体的,六层区间二型模糊神经网络模型结构二的第一层为输入层,n个节点对应变量为:
,/>。y(k-i)为SCR出口NOx浓度在k-i时刻的测量值。x1(k-i)为尿素喷射量在k-i时刻的测量值。x2(k-i)为SCR入口NOx浓度在k-i时刻的测量值。x3(k-i)为SCR后NH3逃逸浓度在k-i时刻的测量值。/>分别是SCR出口NOx浓度y的阶次、尿素喷射量x1的阶次、SCR入口NOx浓度x2的阶次和SCR出口NH3逃逸浓度x3的阶次。/>的辨识方法包括但不限于如下的方法:赤池信息准则(Akaike’sInformation Criterion, AIC)、贝叶斯信息准则(Bayesian Information Criterion,BIC)、预报误差准则(Final Prediction Error,FPE)。
式中:是变量/>在区间二型高斯模糊隶属度函数/>的上隶属度;/>是变量/>在区间二型高斯模糊隶属度函/>的下隶属度;分别为区间二型高斯模糊隶属度函数/>的中心值、上隶属度宽度和宽度区间,为可调节参数。
具体的,六层区间二型模糊神经网络模型结构二的第三层为区间运算层。区间运算层第j(j=1,......,M)个节点对应的输出为:
式中:
是第j个节点的多项式系数向量,是第j个节点的左侧区间多项式系数向量,/>是第j个节点的右侧区间多项式系数向量;z-1是离散时序后移算子;/>第j个节点的变量向量;分别是SCR出口NOx浓度y、尿素喷射量x1、SCR入口NOx浓度x2,SCR出口NH3逃逸浓度x3的左侧区间多项式系数;分别是SCR出口NOx浓度y左侧区间多项式/>的第1项、第2项、第ny项系数;/>分别是SCR出口NOx浓度右侧区间多项式的第1项、第2项、第项系数;
具体的,六层区间二型模糊神经网络模型结构二的第五层为降型层。降型层选择KM降型算法,降型层左右两个节点对应的输出为:
式中:
是k时刻降型层左侧节点的输出;/>是k时刻降型层右侧节点的输出;/>是模糊后件层左侧参数向量,/>是式(13)第j个模糊后件层节点左侧参数输出;/>是模糊后件层右侧参数向量,是式(13)第j个模糊后件层节点右侧参数输出;/>是式(12)区间运算层节点的上区间输出向量;/>是式(12)区间运算层节点的下区间输出向量;是左置换矩阵,KM降型算法左端点升序排列前后的模糊后件参数经过/>置换矩阵实现相互转换;/>是右置换矩阵,KM降型算法右端点升序排列前后的模糊后件参数经过置换矩阵实现相互转换;E1、E2、E3、E4分别是左点上区间单位矩阵、左点下区间单位矩阵、右点下区间单位矩阵、右点上区间单位矩阵;
分别是左点上区间单元向量、左点下区间单元向量、右点下区间单元向量、右点上区间单元向量;分别是左点上区间单位向量、左点下区间单位向量、右点下区间单位向量、右点上区间单位向量;L、R为KM降型算法确定的左、右转折点;/>是自然数;/>是正整数。
具体的,六层区间二型模糊神经网络模型结构二的第六层为输出层。输出层唯一的节点对应的输出为:
式中:是k时刻SCR出口NOx浓度预测值;/>是k时刻噪声变量;是式(13)模糊后件层的输出向量;/>是k时刻式(13)模糊后件层的第j个节点的左侧区间隶属度归一化值;/>是k时刻式(13)模糊后件层的第j个节点的右侧区间隶属度归一化值;/>是式(12)区间运算层节点的上区间输出向量;/>是式(12)区间运算层节点的下区间输出向量;/>是左置换矩阵,KM降型算法左端点升序排列前后的模糊后件参数经过/>置换矩阵实现相互转换;/>是右置换矩阵,KM降型算法右端点升序排列前后的模糊后件参数经过/>置换矩阵实现相互转换;E1、E2、E3、E4分别是左点上区间单位矩阵、左点下区间单位矩阵、右点下区间单位矩阵、右点上区间单位矩阵;M1、M2、M3、M4分别是左点上区间置换矩阵、左点下区间置换矩阵、右点下区间置换矩阵、右点上区间置换矩阵;
S14、柴油车尾气SCR反应六层区间二型模糊神经网络模型结构二的二型模糊层参数采用梯度下降法进行参数标定。
具体的,六层区间二型模糊神经网络模型结构二的误差目标函数选取为
其中,式中:是k时刻SCR出口NOx浓度测量值与SCR出口NOx浓度预测值误差平方的二分之一;/>是k时刻SCR出口NOx浓度测量值;/>是k时刻SCR出口NOx浓度预测值;/>是k时刻SCR出口NOx浓度预测误差。
具体的,六层区间二型模糊神经网络模型结构二的二型模糊层参数辨识算法为:
式中:是二型模糊层区间二型高斯模糊隶属度函数/>中心在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>中心在k时刻的未更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度在k时刻的未更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度区间在k+1时刻的更新值;/>是二型模糊层区间二型高斯模糊隶属度函数/>宽度区间在k时刻的未更新值;/>是式(16)误差目标函数/>对的导数;/>是式(16)误差目标函数/>对/>的导数;/>是式(16)误差目标函数/>对/>的导数;/>是梯度下降法的学习率,取值范围0~1;/>是k时刻SCR出口NOx浓度预测值;是k时刻SCR出口NOx浓度预测值对/>的导数;是k时刻SCR出口NOx浓度预测值对/>的导数;是k时刻SCR出口NOx浓度预测值对/>的导数;/>是式(12)区间运算层第j个节点的上隶属度区间运算值;/>是式(12)区间运算层第j个节点的上隶属度区间运算值;/>是式(12)区间运算层节点的上区间输出向量;/>是式(12)区间运算层节点的下区间输出向量;M1、M2、M3、M4分别是左点上区间置换矩阵、左点下区间置换矩阵、右点下区间置换矩阵、右点上区间置换矩阵;
S15、柴油车尾气SCR反应六层区间二型模糊神经网络模型结构二的模糊后件层系数采用递推最小二乘法进行参数标定。
具体的,将柴油车尾气SCR反应六层区间二型模糊神经网络模型结构二采用向量形式重写为:
式中:
是k-1时刻已知参数向量;/>是k-1时刻第j个已知参数元素,/>;/>是k时刻需要更新模糊后件层系数向量;/>是k时刻第j个需要更新模糊后件层系数元素,/>;/>是k时刻式(13)模糊后件层的第j个节点的左侧区间隶属度归一化值;/>是k时刻式(13)模糊后件层的第j个节点的右侧区间隶属度归一化值;
为SCR出口NOx浓度在k-i时刻的测量值。/>为尿素喷射量在时刻的测量值;/>为SCR入口NOx浓度在/>时刻的测量值;为SCR后NH3逃逸浓度在k-i时刻的测量值;/>分别是SCR出口NOx浓度y左侧区间多项式/>的第1项、第2项、第/>项系数;分别是SCR出口NOx浓度y右侧区间多项式/>的第1项、第2项、第/>项系数;/>分别是尿素喷射量/>左侧区间多项式/>的第1项、第2项、第/>项系数;/>分别是尿素喷射量/>右侧区间多项式/>的第1项、第2项、第/>项系数;
进一步的,S14和S15的参数标定步骤反复进行,直到式(16)误差目标数满足:
具体的,六层区间二型模糊神经网络模型结构二的预测精度满足式(20)后,式(17)中二型模糊层参数和式(19)中模糊后件层参数为六层区间二型模糊神经网络模型结构二的固定参数,柴油车尾气SCR反应过程模型建模完成。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种柴油车尾气SCR反应过程智能建模方法,其特征在于:包括如下步骤:
S1:获取用于建模的柴油车尾气SCR反应过程时序数据集,其中时序数据集包括输入变量序列和输出变量序列;
S2:基于S1中得到的输入变量序列和输出变量序列选用多层二型模糊神经网络作为柴油车尾气SCR反应模型;
所述步骤S2中的柴油车尾气SCR反应模型的建立包括以下步骤:
A1:选择二型模糊隶属度函数参数和模糊后件层隶属度函数、选择降型算法、确定多层结构节点个数;
A2:柴油车尾气SCR反应区间二型模糊神经网络模型前件参数采用梯度下降法进行参数辨识;
A3:柴油车尾气SCR反应区间二型模糊神经网络模型后件参数采用递归最小二乘法进行参数辨识;
所述步骤S1中的输入变量序列包括SCR入口NOx浓度、尿素喷射量、SCR后NH3逃逸浓度、SCR催化剂温度中的一种或多种;
所述步骤S1中的输出变量序列包括SCR出口NOx浓度;
所述步骤S2中的多层二型模糊神经网络模型包含输入层、二型模糊层、区间运算层、模糊后件层、降型层和输出层。
2.根据权利要求1所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:所述步骤S1中的输入变量序列和输出变量序列的时序包括当前时刻的测量值以及历史时刻的测量值组成的序列;
所述步骤S1中的时序数据的获取途径包括发动机台架实验方法和车载排放测试系统实车测试实验方法中的一种。
3.根据权利要求1所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:输入层的节点数为SCR入口NOx浓度、尿素喷射量、SCR后NH3逃逸浓度和SCR催化剂温度时序数据中的一种或两种及以上;
所述步骤S2中的多层二型模糊神经网络模型的二型模糊层、区间运算层和模糊后件层的节点数相同,为人工经验指定或参数优化得到。
4.根据权利要求3所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:所述步骤S2中的多层二型模糊神经网络模型的降型层节点数根据降型算法确定;
所述降型算法包括第一降型算法和第二降型算法;
所述第一降型算法确定多层二型模糊神经网络模型的降型层节点数为2;
所述第二降型算法确定多层二型模糊神经网络模型的降型层节点数与模糊后件层的节点数相同。
5.根据权利要求4所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:所述第一降型算法为迭代式,包括Karnik-Mendel算法、enhanced Karnik-Mendel算法、enhanced Karnik-Mendel algorithm with new initialization算法、iterativealgorithm with stop condition算法、enhanced iterative algorithm with stopcondition算法、enhanced opposite direction searching算法中的任意一种;
所述第二降型算法为闭环式,包括Wu-Tan算法、Nie-Tan算法、Du-Ying算法、Begian-Melek-Mendel算法中的任意一种。
6.根据权利要求3所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:所述步骤A1中二型模糊隶属度函数包括区间二型高斯隶属度函数、广义二型高斯隶属度函数、区间二型三角隶属度函数、广义二型三角隶属度函数、区间二型梯形隶属度函数、广义二型梯形隶属度函数、区间二型钟形隶属度函数、广义二型钟形隶属度函数中的一种。
7.根据权利要求1所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:二型模糊神经网络的模糊后件层隶属度函数包括单值型多项式、区间二型模糊多项式和广义二型模糊多项式中的任意一种。
8.根据权利要求1所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:所述二型模糊神经网络模型的建立需要标定二型模糊层的二型模糊隶属度函数参数和模糊后件层多项式的系数。
9.根据权利要求1所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:A3还包括采用所述柴油车尾气SCR反应过程时序数据集训练A2中得到的二型模糊神经网络模型前件参数和A3中得到的二型模糊神经网络模型后件参数;验证误差最小值标定的二型模糊神经网络模型的二型模糊层和模糊后件层的参数和降型算法确定为油车尾气SCR反应过程的多层二型模糊神经网络模型。
10.根据权利要求9所述的一种柴油车尾气SCR反应过程智能建模方法,其特征在于:训练算法包括梯度下降法、牛顿法、拟牛顿法、最速下降法、模拟退火方法、遗传算法、蚁群算法、粒子群算法、最小二乘法、递推最小二乘法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048902.1A CN115798624B (zh) | 2023-02-01 | 2023-02-01 | 一种柴油车尾气scr反应过程智能建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048902.1A CN115798624B (zh) | 2023-02-01 | 2023-02-01 | 一种柴油车尾气scr反应过程智能建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798624A CN115798624A (zh) | 2023-03-14 |
CN115798624B true CN115798624B (zh) | 2023-06-09 |
Family
ID=85429362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310048902.1A Active CN115798624B (zh) | 2023-02-01 | 2023-02-01 | 一种柴油车尾气scr反应过程智能建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272233B (zh) * | 2023-11-21 | 2024-05-31 | 中国汽车技术研究中心有限公司 | 柴油机排放预测方法、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814130A (zh) * | 2022-03-04 | 2022-07-29 | 北京工业大学 | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647610A (zh) * | 2017-02-04 | 2017-05-10 | 华北电力大学(保定) | 一种智能的scr脱硝控制系统及其控制方法 |
CN111581581B (zh) * | 2020-04-23 | 2021-02-02 | 大唐环境产业集团股份有限公司 | 多边界条件下SCR入口NOx浓度的检测方法和系统 |
CN111439260B (zh) * | 2020-04-27 | 2022-03-08 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 |
CN113627499B (zh) * | 2021-07-28 | 2024-04-02 | 中国科学技术大学 | 基于检查站柴油车尾气图像的烟度等级估算方法及设备 |
-
2023
- 2023-02-01 CN CN202310048902.1A patent/CN115798624B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814130A (zh) * | 2022-03-04 | 2022-07-29 | 北京工业大学 | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115798624A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115798624B (zh) | 一种柴油车尾气scr反应过程智能建模方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
Ihme et al. | Generation of optimal artificial neural networks using a pattern search algorithm: Application to approximation of chemical systems | |
CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
CN105512832A (zh) | 基于时变权最小方差的城市需水量组合预测方法 | |
CN112949930B (zh) | 基于pa-lstm网络的道路机动车尾气高排放预警方法 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN112488145A (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN112614346B (zh) | 基于奇异谱分析和回声状态网络的短时交通流预测方法 | |
CN104462657B (zh) | 基于Petri网复杂系统多设计方案的选择方法 | |
CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
CN113158886B (zh) | 一种基于深度强化学习的波形捷变雷达辐射源识别方法 | |
AU2020103329A4 (en) | A based on recursive least squares online distributed multitask graph filter algorithm. | |
Mozaffari et al. | An ensemble neuro-fuzzy radial basis network with self-adaptive swarm based supervisor and negative correlation for modeling automotive engine coldstart hydrocarbon emissions: A soft solution to a crucial automotive problem | |
CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
Yang et al. | A novel exhaust gas temperature prediction method of hot blast stove | |
CN117252285A (zh) | 基于并行cnn-gru网络的多指标污水水质预测方法 | |
CN116613745A (zh) | 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 | |
CN113780639B (zh) | 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法 | |
CN114239948B (zh) | 基于时序分解单元的深度交通流预测方法、介质及其设备 | |
CN113869359B (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法 | |
Safavieh et al. | A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |