外文翻译--压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究.doc

附录B 压缩天然气/柴油双燃料发动机的排放物RBF神经网络的研究 Liuzhentao Feishaomei 摘要：为了解决严重的环境污染能源资源的下降已作出巨大努力。中国的燃料储备和发动机技术表明，压缩天然气（CNG）/柴油双燃料发动机是解决上述问题的最佳方案之一。为了和提高天然气/柴油，均衡器发射模型基于径向基函数的排放性能（RBF）神经网络这是一个黑盒子输入输出数据模型不需要先验。RBF的中心和连接可自动选择根据数据的分布投入产出给定的空间近似误差。研究表明，预测结果都符合了一个低负荷运行条件下，大范围，高负荷的实验数据。发达国家的排放量模型的RBF神经网络可以用来成功地预测和优化DFE排放量。同时，该均衡器的主要性能参数，如转速，负荷，试点数量和射时间，效果也模型的预测方法。在天然气/柴油排放预测模型基于RBF神经网络分析了对二氧化碳的主要性能参数的影响内置的DFE-NO的排放量。预测结果比较传统的排放模式，这表明该模型具有一定的应用价值，由于其对实验样本数据量高度依赖一定的局限性。 关键词：双燃料发动机，排放性能，RBF神经网络 引言 严重的环境污染和世界各地的能源危机开发降低能源消耗汽车成为主要的研究目标。天然气（CNG）发动机采用压缩空气为燃料具有更高的效率和降低污染的突出优势该天然气/柴油专门为城市公交车也可明显降低城市空气污染，尤其是大城市。因此，对均衡器燃烧过程的研究，特别是排放性能，是非常重要和宝贵，在一般情况下，燃烧过程和发动机的机制所涉及的物理化学合成的过程。由于其复杂性和即时性，没有合适的解析函数来描述的燃烧过程，特别是对均衡器。在这个新的排放模型径向基函数提出了天然气/柴油均衡器。 RBF神经网络理论 RBF神经网络的结构 特别是在神经网络RBF神经网络，已成为近年来受欢迎因为它出色的识别和预测能力。径向基函数的RBF神经网络的基础上，通常是一个非线性径向对称函数。高斯函数的径向基函数的核心功能，拥有两个向量参数x和C; X是自变量向量这个函数，C为核心径向基函数。越野形成一个与C为中心，是椭圆的半径椭圆函数。基于RBF神经网络的神经元的功能是作为RBF神经网络调用。 RBF神经网络包括三个层次，第一层是输入层，其元素CON组，形式的输入参数的数量，第二层是隐层径向基函数的许多神经元组成;隐层节点的计算欧几里德之间的中心和网络的输入向量，然后距离的结果传递到径向基函数，最后一层是输出层组成的共同线性神经元。 RBF神经网络的工作结构如图1所示。这种模式有R输入和P输出，与输入和输出之间的关系，这是模型如下： 基于RBF神经网络的工作原理 该网络结构见Fig.l;其中输入向量X = [ab a2,..., aN],理想输出系列Yj（j=1,2 ..... P）,实际输出系列Yj和重量在输出层Wij值可以得到的RBF神经网络，具有输入R和M隐藏节点和P输出。选择高斯函数，Φ（x）=exp（-λx2），λ= 3的径向基函数，实际输出系列Yj是由下列公式计算： 然后，Wii的权值调整，以满足下面的公式，从其中的RBF神经网络可以得到最终结果。 基于RBF神经网络的排放模型开发 模式的发展 由于有限的试验单位，该部分的甲烷数量无法获得，因此该模型只包括二氧化碳，NOz排放。该模型的结构图1所示。在这个模型中的输入输出关系如下: 输入层节点数被选择作为与输入参数相同的参数，R=4，输出层节点的数目是作为与输出参数相同的参数，P=2，E0被设置为0.15%。试验数据是根据测试得出的，测试发动机的规格在表1中已经给出。有100组以上的数据是在轻载低转速到高负载高转速下得出的，这是为了试验RBF神经网络，还有20组数据是在大范围工况试验下得出的，以验证模型。通过使用实验数据对网络进行试验后，经过约15000个周期，总结平方误差可达0.15%。于图2所示。而隐层节点数M还证实，其中隐层节点数为11。 模型的验证 该模型也验证了一个双燃料发动机的规格：DxS=108mmx125mm，额定功率/转速= kW/2800转/分。图3显示，模拟结果和一氧化碳的测试结果，第13个操作条件较好的排放量也分别表示，该模型也可以用于预测DFE的二氧化碳排放 基于模型的CO, NOx的排放预测 发展这一模型的目的是用它来预测均衡器的一氧化碳，氮氧化物排放量。以下是由该模型对几种主要操作参数对二氧化碳，氮氧化物的排放量变化的影响。 旋转速度的影响 图4中在特定情况下旋转速度CO和NOx排放量的变化表明CO排放随转速增加。这种情况发生是因为与燃烧时间缩短，提高转速情况下一氧化碳不能完全氧化。然而，氮氧化物排放量随转速减少。这是因为在早期减少热量输出和在汽缸因增加旋转速度减少。因此，时间和氮在它缩短，降低温度，因此氮氧化物排放量减