?

基于人工神經(jīng)網(wǎng)絡(luò)的汽油機(jī)噴油正時(shí)優(yōu)化

燃油噴射定時(shí)是發(fā)動(dòng)機(jī)最重要的工作參數(shù)之一，其影響燃油的霧化、混合氣的形成以及混合氣的燃燒，而影響的這些參數(shù)又決定了汽油機(jī)的性能與排放。優(yōu)化燃油噴射定時(shí)可以在很大程度上提高發(fā)動(dòng)機(jī)的性能。利用人工神經(jīng)網(wǎng)絡(luò)和列文伯格-馬夸爾特算法對(duì)一個(gè)單缸4沖程汽油機(jī)噴油正時(shí)進(jìn)行優(yōu)化，以提高汽油機(jī)性能，并利用試驗(yàn)數(shù)據(jù)進(jìn)行了驗(yàn)證。

利用人工神經(jīng)網(wǎng)絡(luò)模型不需要系統(tǒng)提供過多的信息。該人工神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入信息的操作更像是一個(gè)黑盒模型，通過分析已有數(shù)據(jù)，得出輸入?yún)?shù)與可控或不可控變量之間的關(guān)系，甚至可以實(shí)現(xiàn)非線性回歸分析。該人工神經(jīng)網(wǎng)絡(luò)模型還可以對(duì)含有較多參數(shù)的大型復(fù)雜系統(tǒng)進(jìn)行分析。

列文伯格-馬夸爾特算法是最優(yōu)化算法中的一種迭代算法，其利用梯度來求最值，同時(shí)具有梯度法和牛頓法的優(yōu)點(diǎn)，收斂速度比這兩者都要快。該算法用模型函數(shù)對(duì)待估參數(shù)向量在其領(lǐng)域內(nèi)做線性近似，忽略二階以上導(dǎo)數(shù)項(xiàng)，從而轉(zhuǎn)化為線性最小二乘問題。

試驗(yàn)采集不同進(jìn)氣歧管壓力下發(fā)動(dòng)機(jī)轉(zhuǎn)速700～5000r/min的相關(guān)數(shù)據(jù)。這些數(shù)據(jù)的70%用以求取神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)，15%作為試驗(yàn)數(shù)據(jù)進(jìn)行仿真優(yōu)化，余15%的數(shù)據(jù)用以進(jìn)行驗(yàn)證。首先利用神經(jīng)網(wǎng)絡(luò)對(duì)采集的試驗(yàn)數(shù)據(jù)70%進(jìn)行分析，得出與最佳燃油噴射正時(shí)相關(guān)的參數(shù)；然后利用15%的試驗(yàn)數(shù)據(jù)進(jìn)行仿真；最后利用其余15%的試驗(yàn)數(shù)據(jù)對(duì)上一步中的仿真結(jié)果進(jìn)行驗(yàn)證。

試驗(yàn)和仿真結(jié)果表明，利用人工神經(jīng)網(wǎng)絡(luò)和列文伯格-馬夸爾特算法能夠很好地汽油對(duì)機(jī)燃油噴射正時(shí)進(jìn)行優(yōu)化，誤差可控制在5%以內(nèi)，節(jié)省了時(shí)間和成本。

Vijayashree et al. SAE 2013-01-2866.

編譯：王祥