基于BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)摻燒生物柴油排放特性預(yù)測研究

李 楠，湯 東，李昌遠(yuǎn)，徐亞超

（江蘇大學(xué)汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013）

生物柴油具有良好的燃燒性、動力性、經(jīng)濟(jì)性和排放性，它可以任意比例與柴油混合或單獨(dú)使用，因而生物柴油在柴油機(jī)上的使用研究越來越受到人們的重視［1－3］。國內(nèi)已經(jīng)有很多關(guān)于柴油機(jī)摻燒生物柴油的研究報(bào)道，但大多集中于摻燒生物柴油后柴油機(jī)動力性、經(jīng)濟(jì)性與排放特性的試驗(yàn)研究［4－7］。另一種有效的研究方法包括數(shù)值模擬、神經(jīng)網(wǎng)絡(luò)預(yù)測等。數(shù)值模擬一般很難取得理想的效果，更多的是根據(jù)試驗(yàn)數(shù)據(jù)，采用經(jīng)驗(yàn)方法對發(fā)動機(jī)的性能進(jìn)行預(yù)測，而且建模和計(jì)算的工作量很大。而人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)能力，且能以任意精度逼近任意非線性函數(shù)［8］，因此可以建立神經(jīng)網(wǎng)絡(luò)模型來取代發(fā)動機(jī)各種復(fù)雜的工作過程，并利用這些模型對發(fā)動機(jī)的性能進(jìn)行研究。目前，國內(nèi)外學(xué)者利用神經(jīng)網(wǎng)絡(luò)進(jìn)行的發(fā)動機(jī)性能預(yù)測已經(jīng)取得了一些研究成果。Hidayet Oguz等運(yùn)用三層BP神經(jīng)網(wǎng)絡(luò)技術(shù)對摻混不同生物燃料柴油機(jī)的動力性和經(jīng)濟(jì)性進(jìn)行了預(yù)測，并利用統(tǒng)計(jì)學(xué)方法分析計(jì)算出相關(guān)系數(shù)［9］。A.Duran等人［10］對生物燃料中脂肪酸甲酯對顆粒排放的影響進(jìn)行了分析研究，并利用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測分析了燃油顆粒物組成和影響因素。S A Nelson等基于神經(jīng)網(wǎng)絡(luò)對渦輪增壓柴油機(jī)進(jìn)行仿真研究，實(shí)現(xiàn)了柴油機(jī)與壓氣機(jī)的匹配，使得仿真具有很好的適應(yīng)性和魯棒性［11］。周斌、譚達(dá)明等利用神經(jīng)網(wǎng)絡(luò)方法分析和預(yù)測進(jìn)氣成分（O2，N2，CO2，Ar）變化對柴油機(jī)排放性能的影響，并進(jìn)行了試驗(yàn)驗(yàn)證［12］。劉震濤等將前向人工神經(jīng)網(wǎng)絡(luò)引入雙燃料發(fā)動機(jī)的研究工作中，分別建立了燃燒放熱率、CO和 NOx排放、爆震等模型［13］。

本研究在186FA單缸柴油機(jī)上，通過改變生物柴油摻燒比，開展各摻燒比下發(fā)動機(jī)負(fù)荷特性的試驗(yàn)研究，根據(jù)試驗(yàn)數(shù)據(jù)建立了雙隱層BP神經(jīng)網(wǎng)模型，利用該模型對柴油機(jī)各排放物隨折合燃油消耗率、負(fù)荷和生物柴油摻燒比的變化進(jìn)行了預(yù)測分析。

1 試驗(yàn)

通過柴油和生物柴油的混合得到4種不同的燃料（B0，B20，B50，B100），其中，B0和B100分別代表柴油和生物柴油，B20和B50分別為生物柴油體積分?jǐn)?shù)為20%和50%的混合燃料。試驗(yàn)在186FA柴油機(jī)上進(jìn)行，發(fā)動機(jī)主要的參數(shù)和運(yùn)行工況見表1和表2。試驗(yàn)主要測試標(biāo)定轉(zhuǎn)速下186FA柴油機(jī)燃用B0，B20，B50，B100燃料時(shí)的負(fù)荷特性（燃油消耗量、排氣溫度、排放物濃度及穩(wěn)態(tài)煙度）。

表1 186FA柴油機(jī)技術(shù)參數(shù)

表2 測試運(yùn)行工況

生物柴油與柴油相比熱值有差異，為使兩者燃油消耗量有可比性，將不同燃油下測得的有效燃油消耗率轉(zhuǎn)化成折合燃油消耗率，即將混合燃油的有效燃油消耗率折算成能量等值的柴油有效燃油消耗率，計(jì)算公式為

式中：beE，be分別為折合燃油消耗率、有效燃油消耗率；Hud為柴油的低熱值；Hu為混合燃料的低熱值。

圖1示出各負(fù)荷下燃用不同摻燒率燃油的折合燃油消耗率MAP圖，從MAP圖中按一定比例取值繪成如圖2所示的二維圖。從圖1和圖2可以看出，同一摻燒率下，折合燃油消耗率隨負(fù)荷的降低而升高，當(dāng)發(fā)動機(jī)負(fù)荷從25%降到10%時(shí)折合燃油消耗率呈陡升趨勢，在10%負(fù)荷下，燃燒柴油的折合燃油消耗率最高，達(dá)到1 094.3g/（kW·h）；同一負(fù)荷下，隨著生物柴油摻燒率的增加，折合燃油消耗率有所下降。整體來說，折合燃油消耗率隨著負(fù)荷的減小而增大。同一負(fù)荷下，由于生物柴油相對于柴油氧含量更多，折合燃油消耗率隨著摻燒率的增大而降低。

2 排放預(yù)測模型的建立

2.1 樣本的選取與處理

采用BP神經(jīng)網(wǎng)絡(luò)方法建模首要條件是有足夠的典型性好、精度高的樣本。同時(shí)為監(jiān)控訓(xùn)練（學(xué)習(xí)）過程使之不發(fā)生“過擬合”，提高網(wǎng)絡(luò)模型的仿真性能和泛化能力，需將樣本數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本（60%）、檢驗(yàn)樣本（20%）、預(yù)測樣本（20%）三部分。此外，數(shù)據(jù)分組時(shí)還應(yīng)盡可能考慮樣本模式間的平衡。相關(guān)研究表明，訓(xùn)練樣本過少會造成網(wǎng)絡(luò)模型的魯棒性和較差的適用性，不能對實(shí)測數(shù)據(jù)作出準(zhǔn)確的識別。針對這一問題，用Matlab軟件對各排放數(shù)據(jù)進(jìn)行了擴(kuò)充，生成 MAP圖，再從中隨機(jī)選取380組數(shù)據(jù)作為樣本；然后運(yùn)用dividevec函數(shù)隨機(jī)選取60%樣本數(shù)據(jù)用于樣本訓(xùn)練，20%樣本數(shù)據(jù)用于仿真模擬結(jié)果驗(yàn)證，另外20%樣本數(shù)據(jù)用于預(yù)測。為了便于利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的訓(xùn)練函數(shù)，應(yīng)用最大最小函數(shù)premnmx對樣本進(jìn)行歸一化處理，將各參數(shù)量化到［－1，1］內(nèi)，然后再當(dāng)作輸入單元。

2.2 輸入和輸出參數(shù)的確定

模型的輸出量為柴油機(jī)摻燒生物柴油的排放性能，因此選取與排放密切相關(guān)的參數(shù)，經(jīng)對比分析后，將負(fù)荷、生物柴油摻燒率和折合燃油消耗率這3個(gè)參數(shù)作為模型的輸入量。上述參數(shù)之間相互耦合就得到CO，HC，NOx，soot排放的變化規(guī)律。因此，將摻燒生物柴油的排放簡化描述為

式中：f為網(wǎng)絡(luò)輸入與輸出之間的非線性映射關(guān)系；beE為折合燃油消耗率；Gg為生物柴油摻燒率；PLoad為發(fā)動機(jī)的負(fù)荷。因此，該BP神經(jīng)網(wǎng)絡(luò)的輸入層有3個(gè)神經(jīng)元，分別是折合燃油消耗率、負(fù)荷、生物柴油摻燒率。

2.3 BP神經(jīng)網(wǎng)絡(luò)層數(shù)

雙隱層BP神經(jīng)網(wǎng)絡(luò)具有較好的泛化能力，且能較好地處理樣本噪聲的學(xué)習(xí)問題，使得非線性逼近效果良好［14］。為了提高柴油機(jī)排放性能的預(yù)測精度，采用了具有2個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)來建立排放預(yù)測模型，網(wǎng)絡(luò)有4層，第1層為輸入層，第2和第3層為隱含層，第4層為輸出層。

2.4 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)的選擇對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大的影響：節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，精度也受到影響；節(jié)點(diǎn)數(shù)過多，會把樣本數(shù)據(jù)中非規(guī)律性內(nèi)容（如噪聲等）學(xué)會，從而出現(xiàn) “過度吻合”的問題，降低網(wǎng)絡(luò)的泛化能力，且會使訓(xùn)練時(shí)間過長。隱含層節(jié)點(diǎn)數(shù)選擇首先是由經(jīng)驗(yàn)公式確定節(jié)點(diǎn)數(shù)的大概范圍，然后在訓(xùn)練階段通過網(wǎng)絡(luò)訓(xùn)練檢驗(yàn)以確定最終隱含層節(jié)點(diǎn)數(shù)。常用的確定初始隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式為

式中：m為隱層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；L為輸出層節(jié)點(diǎn)數(shù)；a為1～10之間的常數(shù)。

根據(jù)經(jīng)驗(yàn)公式（3），經(jīng)過多次仿真模擬試驗(yàn)發(fā)現(xiàn)，當(dāng)雙隱層節(jié)點(diǎn)分別為18和38時(shí)，本模型在速度和精度方面達(dá)到最優(yōu)。因此，預(yù)測排放的BP神經(jīng)網(wǎng)絡(luò)模型為3－18－38－4的拓?fù)浣Y(jié)構(gòu)。

2.5 傳遞函數(shù)和學(xué)習(xí)算法的選擇

為了保證BP神經(jīng)網(wǎng)絡(luò)模型的非線性，輸入層到隱層選用S型正切（tansig）傳遞函數(shù)，隱含層到輸出層選用purelin線性函數(shù)。學(xué)習(xí)算法采用比常用梯度下降法計(jì)算速度快、收斂快，且收斂誤差較小的Levenberg—Marquardt優(yōu)化方法。

2.6 BP神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)

利用上述BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)設(shè)置，就可以在Matlab軟件中對柴油機(jī)摻燒生物柴油排放的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和檢驗(yàn)。此神經(jīng)網(wǎng)絡(luò)中最大迭代次數(shù)為1 000，誤差性能目標(biāo)小于0.01，最小訓(xùn)練速率為0.2，動態(tài)參數(shù)為0.3；以premnmx函數(shù)對樣本數(shù)據(jù)進(jìn)行歸一化前處理；以newff（）函數(shù)創(chuàng)建一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)；以train（）函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練；以sim函數(shù)完成網(wǎng)絡(luò)仿真檢驗(yàn)；仿真結(jié)果用postmnmx函數(shù)進(jìn)行反歸一化處理。雙隱層BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的性能變化見圖3，經(jīng)過154次迭代后，網(wǎng)絡(luò)達(dá)到了期望的誤差水平，其樣本訓(xùn)練平均偏差值為0.002 95，樣本驗(yàn)證平均偏差值為0.003 429 3，兩者誤差為0.000 529 3。這說明神經(jīng)網(wǎng)絡(luò)的仿真效果較好，可以對發(fā)動機(jī)的排放性能進(jìn)行預(yù)測。

3 排放預(yù)測結(jié)果及分析

3.1 CO

圖4和圖5分別示出了CO線性回歸分析結(jié)果及其排放預(yù)測結(jié)果。從圖4中可以看出，CO排放的期望響應(yīng)與仿真輸出效果較好，相關(guān)系數(shù)R達(dá)到0.994 88。從圖5中可看到，CO排放預(yù)測值隨折合燃油消耗率的升高而升高。結(jié)合圖1及圖2分析可得，CO排放隨負(fù)荷的增加而下降；在同一負(fù)荷下，隨著生物柴油摻燒率的降低，燃油氧含量降低，燃燒效率有所下降，燃燒不充分，CO排放上升。折合燃油消耗率在370～600g/（kW·h）區(qū)間，即負(fù)荷在20%～35%之間時(shí)，預(yù)測值與試驗(yàn)值非線性逼近效果不太理想。

3.2 HC

從圖6中可以看出，HC排放預(yù)測結(jié)果的期望響應(yīng)與仿真輸出的相關(guān)系數(shù)R為0.996 82。HC排放預(yù)測結(jié)果見圖7，其排放值隨折合燃油消耗率的升高而升高。結(jié)合圖1及圖2進(jìn)行聯(lián)合分析可得，HC排放隨負(fù)荷的增加而下降；由于生物柴油中含氧，在同一負(fù)荷下，隨著生物柴油摻燒比率的降低，氧含量降低，導(dǎo)致HC燃燒不充分，HC排放上升。折合燃油消耗率在370～600g/（kW·h）區(qū)間，即負(fù)荷在20%～40%之間預(yù)測值與試驗(yàn)值非線性逼近效果較差，且波動較大。

3.3 NOx

從圖8可知，NOx排放的期望響應(yīng)與仿真輸出效果較好，相關(guān)系數(shù)R為0.993 32。NOx預(yù)測結(jié)果見圖9，其排放預(yù)測值隨折合燃油消耗率的升高而降低。NOx排放預(yù)測曲線中后部非線性逼近效果不是很好，折合燃油消耗率大于350g/（kW·h）以后NOx預(yù)測值稍高于試驗(yàn)值，結(jié)合圖1及圖2對圖9進(jìn)行綜合分析可知，同一負(fù)荷下，生物柴油摻燒比率降低，氧含量降低，缸內(nèi)燃燒溫度隨之降低，抑制了NOx排放的生成。在高負(fù)荷下折合燃油消耗率較低，缸內(nèi)燃燒溫度較高，氧含量充分，有利于NOx的生成；隨著折合燃油消耗率的升高，相應(yīng)的負(fù)荷降低，NOx排放隨之降低。

3.4 soot

從圖10中可以看出，soot排放的期望響應(yīng)與仿真輸出效果較好，相關(guān)系數(shù)R為0.997 58。soot預(yù)測結(jié)果見圖11，其排放預(yù)測值隨折合燃油消耗率的升高而降低，soot排放預(yù)測曲線整體非線性逼近效果較好。結(jié)合圖1及圖2對圖11進(jìn)行綜合分析可知：soot排放預(yù)測值隨負(fù)荷的增加而上升；同一負(fù)荷下，隨著生物柴油摻燒比率降低，氧含量降低，導(dǎo)致燃燒不充分，soot排放回升。同時(shí)可以看到，soot排放預(yù)測結(jié)果隨摻燒比率的降低波動較大。

4 結(jié)論

基于雙隱層BP神經(jīng)網(wǎng)絡(luò)建立了非道路用柴油機(jī)摻燒生物柴油排放的預(yù)測模型，利用該模型直接預(yù)測柴油機(jī)摻燒生物柴油的各排放物隨折合燃油消耗率、負(fù)荷及摻燒比的變化。

a）雙隱層BP神經(jīng)網(wǎng)絡(luò)的泛化能力較好，CO，HC，NOx和soot排放模型的期望響應(yīng)與仿真輸出線性回歸相關(guān)系數(shù)均在0.99以上；

b）HC和CO排放預(yù)測值隨折合燃油消耗率的升高而增加，NOx和soot排放預(yù)測值隨折合燃油消耗率的增加而下降，同時(shí)soot排放預(yù)測值隨摻燒率的降低波動較大；整體上，CO，HC，NOx，soot預(yù)測結(jié)果與試驗(yàn)結(jié)果具有較好的一致性。

［1］ 湯 東，李昌遠(yuǎn)，葛建林.柴油機(jī)摻燒生物柴油NOx和碳煙排放數(shù)值模擬［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（7）：1－4.

［2］ Senatore A，Cardone M，Rocco V，et al.A comparative analysis of combustion process in D.I diesel engine fueled with biodiesel and diesel fuel［C］.SAE Paper 2000－01－0691.

［3］ 葉麗華，袁銀南，孫 平.柴油機(jī)燃用多種燃料的性能與排放特性研究［J］.江蘇大學(xué)學(xué)報(bào)，2010，42（2）：155－159.

［4］ 李旭升，李理光，鄧 俊，等.生物柴油噴霧特性的試驗(yàn)研究［J］.內(nèi)燃機(jī)學(xué)報(bào)，2007，25（2）：32－36.

［5］ 王 忠，袁銀南，梅德清，等.生物柴油燃燒過程內(nèi)窺鏡高速攝影研究［J］.內(nèi)燃機(jī)學(xué)報(bào)，2007，25（2）：45－48.

［6］ 袁銀南，張 恬，梅德清，等.直噴式柴油機(jī)燃用生物柴油燃燒特性的研究［J］.內(nèi)燃機(jī)學(xué)報(bào)，2007，25（1）：43－46.

［7］ 王 忠，袁銀南，歷寶錄，等.生物柴油的排放特性試驗(yàn)研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21（7）：77－80.

［8］ 張澤旭.神經(jīng)網(wǎng)絡(luò)控制與 MATLAB仿真［M］.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2011.

［9］ Hidayet Oguz，Ismail Sartas，Hakan Emre Baydan.Prediction of diesel engine performance using biofuels with artificial neural network［J］.Expert Systems with Applications，2010，37：6579－6586.

［10］ Duran A，Lapuerta M，Rodrguez－Ferna ndez J.Neural networks estimation of diesel particulate matter composition from transesterified waste oils blends［J］.Fuel，2005，84：2080－2085.

［11］ Nelson S A，F(xiàn)ilipi Z S，Assanis D N.Use of Neural Nets for Matching Compressors with Diesel Engines［J］.American Society of Mechanical Engineers Internal Combustion Engine Division，1996，26（3）：35－42.

［12］ 周 斌，譚達(dá)明，魏道遠(yuǎn)，等.基于神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機(jī)排放預(yù)測方法的研究［J］.內(nèi)燃機(jī)學(xué)報(bào)，2001，19（4）：361－364.

［13］ Liu Zhentao，F(xiàn)ei Shaomei.Study of CNG/diesel dual fuel engine＇s emissions by means of RBF neural network［J］.Journal of Zhejiang University Science，2004，5（8）：960－965.

［14］ Chris M A，Virtual Sensing.A neural network－based intelligent performance and emissions pre－diction system for on－board diagnostics and engine control［J］.SAE Paper 1998，1998：341－347.