车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究

对锂离子电池动力学系统进行了非线性特性分析,并判别了其混沌特性。采用相空间重构技术恢复锂离子电池动力学系统原有的混沌特性,得到多维状态空间的时间序列,利用LS-SVM模型对重构后的时间序列进行预测,获得荷电状态(State of Charge,SOC)的预测值。仿真结果表明:与BP神经网络预测模型相比,该预测方法具有较高的预测精度和较好的适应性,对实际应用具有一定的指导意义。     

基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究

由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。     

基于BP神经网络的车用汽油机过渡工况空燃比多步预测模型

为克服车用汽油机空燃比传输延迟对空燃比控制精度的影响,提出了一种基于BP神经网络的空燃比多步预测模型。通过对空燃比数学模型的分析,确定神经网络空燃比多步预测模型的输入向量,同时为提高空燃比预测精度,在神经网络输入向量中增加反映空燃比变化趋势的导数信息。以HL495发动机过渡工况试验数据进行仿真,结果表明该方法能精确预测过渡工况空燃比。     

基于小波网络逆系统的汽油机瞬态空燃比预测控制研究

为实现瞬态空燃比精确控制,提出基于小波网络逆系统的复合预测控制策略。利用小波网络辨识空燃比系统逆模型,实现对瞬态空燃比系统中进气量的动态前馈补偿,并将该逆系统与原系统串联构成一伪线性系统,然后结合动态矩阵控制对系统的扰动、误差等进行修正,实现对非线性、时滞、时变的瞬态空燃比系统的预测控制;最后利用瞬态工况试验数据进行仿真,并与台架试验数据进行对比,结果表明小波网络逆模型能高精度地逼近空燃比瞬态过程,结合动态矩阵控制可提高系统的鲁棒性和抗干扰能力,该复合预测控制策略能实现、也适合发动机瞬态工况空燃比的精确控制。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于CMAC的汽油机瞬态工况进气流量预测研究

针对进气流量测量误差问题,运用改进型CMAC神经网络建立瞬态工况下进气流量预测模型,在变加速、变减速两种具有代表性的瞬态工况下进行仿真试验,通过对试验结果的分析,说明了汽油机进气流量预测模型的效果,嵌入该预测模型可增强空燃比控制效果。     

滑坡预测的混沌神经网络模型

根据混沌理论具有分析非线性动态系统的混沌特性和人工神经网络具有考虑多因素影响的特点,提出了滑坡预测的混沌神经网络综合模型。该方法首先利用非线性科学和理论分析滑坡位移时间序列的动态特性,然后将重构相空间计算的最小嵌入维数作为输入神经元的数目引入到人工神经网络预测模型中。     

车用锂离子电池剩余使用寿命的混沌时序非线性组合预测模型研究

针对用单一方法难以准确预测锂离子电池剩余使用寿命(RUL)的问题,提出了非线性组合预测模型。对电池系统进行混沌判断,得到与实际容量相关性高的间接参数,利用重构后的数据对Elman网络及非线性自回归(NARX)网络进行训练和预测,得到表征电池性能退化的特征量;然后,用最小二乘支持向量机进行非线性组合,获得RUL的预测值。试验结果表明:非线性组合预测模型的预测精度优于Elman和NARX,具有更强的非线性预测能力。     

欧Ⅵ天然气发动机关键技术研究

利用GT‐SUITE软件建立天然气发动机湍流火焰预测燃烧模型,结合试验数据验证了模型的计算精度,基于该模型对实现欧Ⅵ排放的当量燃烧路线关键技术,包括增压器匹配、米勒循环、瞬态参数优化进行了分析。研究表明：非对称流道增压器在实现相同EGR率前提下泵气损失最小;米勒循环可以抑制爆震,提升发动机经济性和可靠性,适当减小油门响应速度和增加放气阀响应速度可以降低发动机瞬态超负荷率。研究结果对欧VI天然气发动机开发具有一定指导意义。     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

加载停滞时间对柴油机瞬态性能的影响

为了改善柴油机瞬态加载过程中燃烧与排放性能恶化的问题,在一台增压中冷柴油机上,利用瞬态测控系统,试验研究了先快后慢的多段加载策略,探索不同的加载停滞时间对柴油机θCA10,θCA50,烟度和CO,NOx等排放物的影响规律。试验结果表明:与匀速加载策略相比,加载停滞时间越长,排放性能越好,烟度和CO峰值最大分别降低20.8%和38.32%,但NOx略有增加;在第二段加载过程中θCA10和θCA50延后程度降低;加载过程后期缸内空燃比下降趋势更加缓和。     

信息融合技术在汽油机过渡工况空燃比控制中的应用

对多传感器信息融合技术作了简要介绍,并结合汽油机过渡工况空燃比控制系统的要求与特点,探讨了信息融合技术用于空燃比控制系统的基本层次结构。将信息融合的层次与空燃比控制的功能相对应,提出了汽油机过渡工况空燃比控制的信息融合模型,进而对汽油机空燃比系统中信息融合在不同层次上的实现方法进行了讨论。     

高原环境对缸内燃烧及壁面油膜的影响研究

为了分析高原环境下缸内燃烧过程及壁面油膜生成规律,采用 CFD 方法对不同海拔条件下柴油机燃烧过程进行了三维仿真计算,着重分析了海拔对壁面油膜的影响。结果表明：随海拔升高,过量空气系数降低,滞燃期延长,着火推迟,燃烧恶化,柴油机性能下降;高原条件对壁面油膜生成有较大影响,壁面累计油膜质量随海拔升高而增大,4500 m 海拔下壁面油膜累计质量最大可达19 mg ,约占总油量的8％;壁面油膜在燃油喷射弹着点处形成,随着时间推移,油膜向活塞边缘扩散,在高海拔条件下,燃烧结束时活塞边缘仍有油膜残留。     

基于Elman神经网络的车用汽油机过渡工况空燃比辨识

以HL495Q型电喷汽油机为研究对象,分析了汽油机空燃比的数学模型,提出了一种基于Elman神经网络的过渡工况空燃比辨识方法。试验结果表明,Elman神经网络空燃比模型具有简单的网络结构,能高精度地逼近车用汽油机空燃比的实际动态过程,模型的平均相对误差小于1%,优于前馈BP神经网络模型的辨识结果。建立的Elman神经网络空燃比模型能改善过渡工况空燃比控制精度,提高排放性能。     

EEMD和SVM在发动机故障诊断中的应用

针对发动机缸盖振动信号的非线性非平稳特征,提出一种总体平均经验模态分解(EEMD)和支持向量机相结合的信号分析及故障诊断方法,该方法利用EEMD算法以及IMF序列和原始振动信号之间的相关系数,有效放大故障诊断特征向量的差异。对原始振动信号进行EEMD分解,得到各阶特征模态函数(IMF),求各阶IMF分量对应于原始信号的相关系数并组成故障分类特征向量。分别将IMF相关系数法和IMF能量分布法得到的特征向量作为输入,建立BP神经网络和支持向量机,判断发动机工作状态和故障类型。分析表明,对IMF求相关系数的方法简便易行,能有效放大不同工况下特征向量的差异,结合支持向量机能够对既定机型的配气机构和点火系常见故障进行准确识别。     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。