数学建模研究内燃机排放性能及控制问题

2022-01-20彭先萌

内燃机与配件 2022年4期

彭先萌

摘要：出于对以往研究手段不足的考虑，结合BP神经网络优势，针对内燃机稳态排放建立BP神经网络数学分析模型，对排放性能展开研究，发现负荷较大时，内燃机NOX与碳烟排放水平比较高。进一步地，为了降低对大气的污染，提出相应内燃机排放控制建议，本文研究可以为相关人员采取有效措施控制内燃机排放污染提供一定借鉴与参考。

Abstract： Considering the lack of previous research methods， combined with the advantages of BP neural network， a mathematical analysis model of BP neural network was established for the steady-state emission of internal combustion engines， and the emission performance was studied. relatively high. Further， in order to reduce the pollution to the atmosphere， the corresponding suggestions on the emission control of internal combustion engines are put forward. The research in this paper can provide some reference for relevant personnel to take effective measures to control the emission pollution of internal combustion engines.

关键词：BP神经网络;内燃机;排放性能;污染控制

Key words： BP neural network;internal combustion engine;emission performance;pollution control

中图分类号：TK401.5 文献标识码：A 文章編号：1674-957X（2022）04-0103-03

0 引言

自出现之日起，内燃机排放污染便造成了人们的困扰，且与自身在汽车、火车、工程机械等诸多领域应用的愈发增加相伴随，内燃机排放引发的大气污染问题呈现出越来越严重的发展态势。实际上，内燃机排放既受到自身类型、结构、产品技术以及所用燃料品质等因素的影响，与其运转条件亦有密切联系。正是因为影响因素的错综复杂性，要想将内燃机排放机理明确下来、对其排放进行有效控制、确定改进之后的产品排放达标与否，必须先对内燃机的实际排放性能作相应研究，也就是明确在各种条件下内燃机的具体排放情况。为此，学者提出了多种研究方法，主要包括实验法以及模拟法两种类型，其中，前者直观且准确，但对人力与物力的消耗比较大，且实验工作的开展亦受到一些条件的限制而难以进行;后者可基于计算机的支持对内燃机燃烧与排放情况进行很好的预测，不过由于传统模拟法建立于内燃机缸内工作环节数学模型的基础之上，而其工作环节与工质交换、化学反应等诸多现象相伴随，这会在很大程度上增加数学模型的建立难度，进而会对其排放预测精度产生不利影响，加之受到复杂非线性关系的影响，建模和工作量亦非常大。在此背景下，采用一种结构上较为简单，但可以很好地将非线性本质特点体现出来的数学模型进行内燃机排放性能的研究成为学者们的关注重点。神经网络数学模型由具有非线性作用函数的神经元构成，可以对大规模信息进行并行处理，不仅结构简单，非线性映射能力也很强，基于这一优势，本文以内燃机稳态排放为例，借助BP神经网络模型对其排放性能进行预测。

1 BP神经网络结构

BP神经网络的全称为误差反向传播算法（Error Back-propagation Training），属于一种前反馈网络结构，信号会在神经元之间进行正向传输，待获取网络输出之后，对其与期望输出进行比较，确定误差值，进一步地，执行对误差值的反向传播任务，用以将初始权值及阈值改变，经过持续的迭代，一直到输出误差和达到最小值。整个过程中，神经网络的权值与阈值会在误差反向传播过程中持续调整。用X1，X2，…，Xn表示神经网络预先设定好的输入特征值，对应的，Y1，Y2，…，Yn表示输出值，中间有若干隐含层存在，它们被称作神经网络间连接权值。

2 内燃机稳态排放特性神经网络预测数学模型结构

2.1 确定输入、输出层神经元数目

BP神经网络的非线性映射能力非常强，可以将其用在非线性系统建模上。在确定BP神经网络输入与输出层神经元数目时，需要明确其问题类别与应用要求，最大限度地减小系统规模，以此降低系统复杂程度，同时，缩短学习时间。

本文对内燃机稳态排放性能进行分析，为了让神经网络模型将其性能准确映射出来，将转速与功率2个可以体现内燃机工况的参数作为输入神经元，排放指标（碳烟、NOX、CO、HC与CO2）、性能指标（油耗率、排气温度）和过量空气系数（可以反应混合气浓度）等8个参数作为输出神经元。

2.2 确定隐层数目

隐层可以从输入层提取特征，神经网络处理能力会随着隐层数目的增加而逐渐增强，不过训练会由此而变得复杂，导致网络训练时间的增加。学者研究显示，隐层数最多以两层为宜。结合BP神经网络的设计原则（针对任意一个实际问题，可先设定一个隐层，如果无法做到对要求的满足，将其增加到两层），本文对一个隐层予以采用，可实现对要求的满足。

2.3 确定隐层神经元数目

问题要求、输入输出神经元数目会从直接层面上影响隐层神经元数目。隐层神经元的功能并不唯一，部分用于对输入特征的提取，部分则用以实现一些特殊功能。在确定隐层神经元数目时，本文对试凑法加以采用，其目的在于为神经网络泛化能力的良好性提供保证，亦即在最大程度上确保网络训练精度与预测精度。试凑法确定隐层神经元数目的步骤如下：

①首次试选时，将隐层神经元数目设定为1;

②借助学习样本执行对网络的训练任务，待训练结束以后，进一步运用测试样本进行测试。为了明确隐层神经元数目会对训练与预测精度产生何种影响，此处对公式（1）所示误差表达式加以采用：

式中各字母表示含义为：

P—样本数;m—输出层神经元数;t—样本输出;y—模型输出。

③将隐层神经元数目增加，重复执行第②步操作，对网络训练误差以及预测误差的变化情况进行观察，一直到训练误差达到最小值并最终趋于稳定，同时，预测误差亦达到最小值，结束此项作业;

④将训练与预测误差都取得最小值的最少隐层神经元数作为BP神经网络模型的隐层神经元数。

图1所示为BP神经网络模型中隐层神经元数对网络训练以及预测误差产生的影响。

根据图1可知：①训练精度会始终比预测精度高，究其原因，在于用于检测的样本并非网络之前见过的样本;②对于BP神经网络模型来说，如果隐层神经元数目超过5，训练精度会很高并且达到相对稳定的状态;而若是隐层神经元数目未超过13，预测精度会呈现出逐渐增加之势，超过13，便会有波动情况出现。基于上述选取办法的指导，最终确定隐层神经元数目为13，BP网络结构为2-13-8。

3 学习样本获取

以某柴油机为例，对其稳态工况下的排放性能数学建模进行分析。设定模型的输入变量为转速与功率，输出变量为CO、HC、NOX的体积浓度与烟度值。采用正交设计法确定模型学习样本，在该方法中，研究对象对因素数量有决定性作用，而样本的致密性则由各因素位级决定。为确定工况对柴油机排放产生的影响，因素（亦即模型输入变量）取为转速与功率，另外，设定位级为3、4、5、6级，对应实验次数设定为9、16、25与36次。根据转速与功率两个因素在3、4、5级正交设计法的取点分布情况可以知道，不管是几位级，都在内燃机工作范围内取点，对应取点数目分别为9、16与25。样本获取实验进行于柴油机试验台之上。实验过程中可以将不同转速下的负荷排放特性确定下来，为了保证不同位级样本获取上的便捷性，此处对内插法加以采用。根据采用不同位级进行学习样本设计时NOX的预测结果可以发现，与位级的逐渐增加相伴随，预测值与实测值之间的吻合度会越来越高，不过总的差别并不明显，就算是3位级误差也在5.7%以下。其他输出变量的预测结果规律与之相似。因为当位级越高之时，需要的实验次数也会越多，出于对这一实际情况的考虑，一般选择3-4位级便可满足要求，故而此次研究针对内燃机稳态排放性能进行的模型构建选定为3位级。

4 内燃机排放性能预测

在上述分析的基础上，对内燃机稳态排放性能模型作如下設定：拓扑结构为2-13-8;学习率？浊=1.2;网络训练次数与精度分别为30000次与0.0001;对Sigmoid激活函数加以运用。基于对3位级样本的选用，可得到如图2所示模型预测结果与实测结果的比较情况（以NOX为例）。

篇幅所限，不再列示碳烟、CO和CO2排放特性模型预测结果与实测结果的比较图，不过从整体层面上来看，各类参数排放特性模型预测结果与实测结果都比较接近，意味着3位级训练样本构建的模型已经可以从基本层面上将内燃机稳态排放性能体现出来，模型具有比较理想的映射能力以及泛化能力。

另外，据图可知，当负荷比较大时，此柴油机内燃机排放出来的NOX有比较高的水平，不仅如此，其对于碳烟的排放水平同样比较高。因为柴油机中对于这两种成分有着比较大的排放量，为了达到将污染降低的目的，需要尽可能地缩短发动机在此工况范围内的运行时间。

5 内燃机排放污染控制措施

在分析内燃机排放性能的基础之上，为了达到降低污染的目的，应对技术性与非技术性手段加以采用，对内燃机排放污染进行控制。

5.1 技术性手段

5.1.1 进行机前处理

主要可进行以下操作：其一，做好能源替代工作。为了达到有效降低内燃机排放污染的目的，应首先进行能源替代。举例而言，可以对天然气、液化石油气、氢气等具有清洁优势的新能源材料加以运用，由其将传统内燃机燃料替代，相对而言，这些清洁能源不会污染大气，就算有，对大气的污染程度也比较低。其二，提高燃料质量。燃料质量会对内燃机排放污染产生直接影响，对此，炼油厂应对先进技术加以运用，通过对燃料质量的优化最大限度地将燃料中混合杂志去除。例如，柴油中硫的含量会对硫化物的排放量产生影响，对此，可以基于脱硫技术的支持将燃料含硫量降低，进而实现降低硫化物排放污染风险的目的。

5.1.2 实施机内净化

亦即对有害污染物在内燃机内部的生成进行控制，主要操作为将增压中冷技术、废气再循环装置、高压喷射技术以及可变配气正时技术等应用于传统的内燃机结构中。

5.1.3 实施机外净化

当内燃机已经生成污染物并由排气管道排出发动机之后，对排出的污染物进行控制，此即机外净化。主要用到的装置或技术有颗粒捕集器、热反应器、曲轴箱强制通风装置以及吸附净化技术等。

5.2 非技术性手段

5.2.1 做好预防性维修及保养工作

内燃机工作状态的良好性会从直接层面上影响其排放污染情况，所以，应对其施以预防性维修与保养，例如，应对各种工作油液进行及时的更换、做好对零件紧固性的检查工作，同时，对零件磨损以及老化程度施以细致检查等。

5.2.2 建立健全相关制度，强化监管工作的开展

从政策层面上，主管部门需要持续改进与完善各领域内燃机排放标准以及管理制度，加强监管，以此达到对蓝天的有效维护目的。

6 结语

本文基于对BP神经网络数学模型的设定，对内燃机稳态排放性能进行分析，发现负荷较大时，内燃机NOX与碳烟排放水平比较高，在此基础上，从技术与非技术两个层面提出建议，通过机前处理、机内净化、机外净化、预防性维修与保养以及安全监管的强化等手段，可以相对有效地达到降低内燃机排放污染的目的。

参考文献：