外文翻译--压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究精选.doc

附录B 译文 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和能源资源的急剧下降，各国都已作出巨大努力。中国的燃料储备和发动机技术的现状表明，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。为了研究和提高天然气/柴油发动机，均衡器发射模型是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，不需要先验条件。RBF的中心和连接可自动选择，根据测试数据的分布和投入产出给定的空间以及近似误差。研究表明，预测结果都符合了一个在低负荷运行条件下，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，试点数量和喷射时间，效果也符合模型的预测方法。在天然气/柴油发动机排放预测模型基于RBF神经网络的分析中，主要分析了对二氧化碳的主要性能参数的影响和内置的DFE-NO的排放量。预测结果比较符合传统的排放模式，这表明该模型具有一定的应用价值，但由于其对实验样本数据量高度依赖，因此还有一定的局限性。 关键词：双燃料发动机，排放性能，RBF神经网络 引言 由于严重的环境污染和世界各地的能源危机，开发降低能源消耗的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/柴油均衡器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，是非常重要和宝贵的，在一般情况下，燃烧过程和发动机的机制所涉及的物理和化学合成的过程。由于其复杂性和即时性，没有 鹿猛：大功率天然气发动机双燃烧室系统设计 合适的解析函数来描述它的燃烧过程，特别是对均衡器。在这个新的排放模型径向基函数中提出了天然气/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 2 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。 鹿猛：大功率天然气发动机双燃烧室系统设计 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= 112kW/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