許 朵，姚 崇，馬 騁，宋恩哲

(哈爾濱工程大學(xué) 動力與能源工程學(xué)院，黑龍江 哈爾濱 150001)

壓縮天然氣因其儲量豐富、成本低和環(huán)境友好等特點受到研究者的重視[1]，但氣體燃料的使用帶來了未燃碳氫、CO 等產(chǎn)物的增加[2].此外，天然氣的加入也帶來了控制參數(shù)的增加.為了使雙燃料發(fā)動機處于良好的運行狀態(tài)，滿足日益嚴格的排放法規(guī)，且具有更高的經(jīng)濟性，需要對雙燃料發(fā)動機的各個控制參數(shù)在全工況范圍內(nèi)進行合理的設(shè)計優(yōu)化.為此，雙燃料發(fā)動機建模成為了研究的第一步，為了獲取建模所需的試驗數(shù)據(jù)同時避免大范圍試驗帶來的成本增加，結(jié)合 V優(yōu)化和空間填充試驗設(shè)計方法進行工況點設(shè)計[3]，并以此方案獲取了建模所需的數(shù)據(jù).

國內(nèi)外研究者們對發(fā)動機的預(yù)測建模進行了大量研究.Subrata等[4]基于基因表達式編程預(yù)測柴油機的排放和性能；Roy等[5]基于自適應(yīng)神經(jīng)模糊推理對柴油/天然氣雙燃料發(fā)動機進行性能和排放預(yù)測.上述方法在設(shè)計中依賴研究者的先驗知識，需要對系統(tǒng)有深入的理解.Liu等[6]采用支持向量機的方法對發(fā)動機的 NOx排放進行穩(wěn)態(tài)和瞬態(tài)建模，并取得了較好的結(jié)果，但輸入?yún)?shù)較少，支持向量機的方法在輸入?yún)?shù)較多的情況下，難以獲取最優(yōu)解的結(jié)果.此外，基于神經(jīng)網(wǎng)絡(luò)的建模方法因其強大的泛化能力、計算速度快和易于實現(xiàn)等優(yōu)點受到研究者的青睞[7-10]；而發(fā)動機運行是連續(xù)的過程，排放物等生成在時間序列上是嚴格相關(guān)的，為了更好地處理時間相關(guān)的預(yù)測問題，長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)進入了研究者的視線，其可以有效記憶當前時刻之前時序數(shù)據(jù)中的關(guān)鍵信息，并用于當前時刻的目標預(yù)測，使得預(yù)測的精度更高.戴金池等[11]使用 LSTM 神經(jīng)網(wǎng)絡(luò)對柴油機的NOx排放進行預(yù)測，并與傳統(tǒng)的 BP(back propagation)神經(jīng)網(wǎng)絡(luò)和支持向量機法進行比較，結(jié)果表明LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測精度更高、泛化能力更強.為了在全工況范圍內(nèi)獲得最佳的發(fā)動機性能和排放，必須解決一個多約束、多目標優(yōu)化問題；對于這種多目標優(yōu)化問題現(xiàn)在解決的辦法有：(1)將多個目標通過加權(quán)求和的方法變成單一目標進行優(yōu)化，如粒子群[12]、蟻群算法[13]，但權(quán)值的確定沒有確切的理論依據(jù)，只能依靠人工經(jīng)驗，不同的權(quán)值會影響最優(yōu)解的分布[14]，且未考慮各目標之間的相互影響，難以反映優(yōu)化目標的真實情況；(2)對多個目標進行折衷與協(xié)調(diào)，基于 Pareto原理得到一組不存在相互支配關(guān)系的全局最優(yōu)解集，再根據(jù)用戶自己的需求，選擇最適合自己目標的最優(yōu)解.

帶精英選擇策略的非支配排序多目標遺傳算法NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)具有快速全局搜索能力[15]，對于發(fā)動機這種多變量、復(fù)雜的非線性優(yōu)化問題，可以準確、可靠地找到全局最優(yōu)解.Kakaee等[16]使用不同的多目標優(yōu)化算法NSGA-Ⅱ和SPEA2(strength pareto evolutionary algorithm 2)，對壓縮點火重型柴油機的運行參數(shù)進行優(yōu)化，結(jié)果顯示NSGA-Ⅱ表現(xiàn)出更好的性能，能夠在較低的代中提供均勻分布的最優(yōu)解決方案.Jaliliantabar等[17]使用 NSGA-Ⅱ算法對生物柴油發(fā)動機優(yōu)化，使輸出功率更大、污染物排放更小.Niu等[18]采用 NSGA-Ⅱ算法求解發(fā)動機 NOx和煙塵排放的Pareto最優(yōu)解集，解集中的每個最優(yōu)解均實現(xiàn)了以最小的犧牲實現(xiàn)最大程度的優(yōu)化.上述研究取得了較好的效果，但研究局限于部分工況的優(yōu)化，對于雙燃料發(fā)動機的全工況優(yōu)化研究還相對較少.

綜上所述，筆者利用 LSTM 神經(jīng)網(wǎng)絡(luò)與 NSGA-Ⅱ算法相結(jié)合，對雙燃料發(fā)動機的 NOx排放和燃油消耗率(BSFC)這兩個負相關(guān)參數(shù)進行全工況綜合優(yōu)化.首先基于發(fā)動機臺架上獲取的時序數(shù)據(jù)，使用LSTM神經(jīng)網(wǎng)絡(luò)建立發(fā)動機預(yù)測模型，然后將LSTM神經(jīng)網(wǎng)絡(luò)與 NSGA-Ⅱ算法結(jié)合，獲得優(yōu)化目標 NOx與 BSFC的 Pareto前沿解集和其相對應(yīng)的控制參數(shù)組合，最后將獲得最優(yōu)控制參數(shù)組合標定至 ECU，在發(fā)動機上進行試驗驗證.

1 試驗臺架

1.1 雙燃料發(fā)動機和臺架測試系統(tǒng)

試驗采用一臺裝有壓縮天然氣進氣系統(tǒng)的 6缸直列四沖程、高壓共軌柴油/天然氣雙燃料發(fā)動機.飛輪端與電渦流測功機連接，用以提供負載，該發(fā)動機的技術(shù)參數(shù)見表1.

表1 發(fā)動機技術(shù)參數(shù)Tab.1 Engine specifications

發(fā)動機臺架測試系統(tǒng)主要設(shè)備見表2，由空氣流量計、AVL油耗儀、E+H燃氣流量計、排放分析儀和測功機等組成，可以實時測量發(fā)動機的輸出參數(shù)，雙燃料發(fā)動機試驗臺架示意如圖1所示.

圖1 雙燃料發(fā)動機試驗臺架示意Fig.1 Schematic diagram of dual-fuel engine

表2 主要測試設(shè)備Tab.2 Main test equipment

為了準確地描述雙燃料發(fā)動機的經(jīng)濟指標，將天然氣的消耗量根據(jù)低熱值折算為柴油消耗量，使用有效燃油消耗率(BSFC)來表示.

式中：mdiesel為柴油的消耗量；mCNG為天然氣的消耗量；Hudiesel為柴油低熱值；HuCNG為天然氣低熱值.

1.2 輸入/輸出參數(shù)及范圍

研究對象為柴油/天然氣雙燃料發(fā)動機，其中柴油作為引燃燃料，采用多次噴射的控制策略.在雙燃料發(fā)動機的建模分析中，不僅要考慮傳統(tǒng)對發(fā)動機性能影響較大的軌壓、噴射正時和預(yù)噴油量等性能參數(shù)，還需要重點考慮天然氣和柴油的配比，即雙燃料發(fā)動機的替代率.Prabhakar等[19]研究發(fā)現(xiàn)軌壓決定了柴油噴射的精確性和穩(wěn)定性，隨著軌壓的增加，柴油霧化更好，使得發(fā)動機經(jīng)濟性更高，但 NOx的排放會略微增加；主噴正時是影響雙燃料發(fā)動機排放與經(jīng)濟性的一個重要因素，推遲主噴正時，可以有效地減少NOx的排放，但會導(dǎo)致 BSFC的惡化[20]；趙國鋒等[21]根據(jù)試驗總結(jié)得出，較晚的預(yù)噴正時(30°CA BTDC)會導(dǎo)致 NOx的排放大幅度升高，而較早的預(yù)噴正時(60°CA BTDC)能夠在有效提高經(jīng)濟性且保持 NOx的排放基本不變；賈崎[22]提出適當?shù)念A(yù)噴油量可以有效提高發(fā)動機的經(jīng)濟性，降低 NOx排放.Wang等[23]研究了過量空氣系數(shù)對 NOx排放和 BSFC的影響，結(jié)果表明隨著過量空氣系數(shù)的不斷增大，NOx排放與BSFC都不斷減小，但當過量空氣系數(shù)過高時，容易造成失火現(xiàn)象；天然氣較高替代率可以使得燃燒產(chǎn)生的最高溫度降低，減少 NOx的排放，但指示功率會下降，損失部分經(jīng)濟性[24].

綜上分析，結(jié)合能夠采集的發(fā)動機性能及排放數(shù)據(jù)，最終確定神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入?yún)?shù)為轉(zhuǎn)速、轉(zhuǎn)矩、軌壓、主噴正時、預(yù)噴正時、預(yù)噴油量、過量空氣系數(shù)和替代率，其中轉(zhuǎn)速和轉(zhuǎn)矩用來確定不同工況點，優(yōu)化剩余6個控制參數(shù)來確定不同工況點最優(yōu)的控制參數(shù)組合.輸出參數(shù)為NOx排放和BSFC.

由于雙燃料發(fā)動機的轉(zhuǎn)矩下邊界需要考慮能從柴油模式切換到雙燃料模式的最小轉(zhuǎn)矩即 300 N·m，而上邊界則與柴油模式相似，為不同轉(zhuǎn)速下對應(yīng)的最大轉(zhuǎn)矩，轉(zhuǎn)矩隨轉(zhuǎn)速變化的外特下曲線如圖2a所示.替代率的最大值受到引燃柴油量的限制，引燃柴油量必須大于最大預(yù)噴油量才能保證發(fā)動機的平穩(wěn)運行，經(jīng)過多次試驗驗證最大預(yù)噴油量為9mg/cyc.根據(jù)以上原則，計算替代率的邊界范圍如圖2b所示，剩余參數(shù)的范圍見表3.

表3 輸入?yún)?shù)及范圍Tab.3 Input parameters and ranges

圖2 轉(zhuǎn)矩和替代率邊界Fig.2 Torque and substitution rate boundary

依據(jù) V優(yōu)化和空間填充相結(jié)合的試驗設(shè)計原理對試驗工況點進行設(shè)計，一共 600個試驗點，在發(fā)動機試驗臺架上獲取數(shù)據(jù)，每個測試點進行 100個循環(huán)，從這 100個循環(huán)里每隔 10個循環(huán)選取 1組數(shù)據(jù)，總共6000個時序數(shù)據(jù)參與神經(jīng)網(wǎng)絡(luò)訓(xùn)練.

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測建模

2.1 LSTM神經(jīng)網(wǎng)絡(luò)簡介

LSTM 是由 Hochreiter等為解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)存在梯度爆炸問題[25]而提出的一種改進的時間循環(huán)神經(jīng)網(wǎng)絡(luò).相較于傳統(tǒng)的RNN，LSTM的信息傳遞機制更加完善，可以更有效地提取時序數(shù)據(jù)中的關(guān)鍵信息，用于后續(xù)的時序預(yù)測，使得預(yù)測精度更高.LSTM的這一特性主要是由其在RNN的基礎(chǔ)上加入了用于儲存時序數(shù)據(jù)信息的細胞單元C，和用于刪除或者增加信息到細胞單元 C的三個門結(jié)構(gòu)，分別是遺忘門、輸入門和輸出門，LSTM 的神經(jīng)元結(jié)構(gòu)如圖3所示.其中，xt為 t時刻網(wǎng)絡(luò)的輸入值；ht-1、ht分別為 t-1、t時刻 LSTM 神經(jīng)元的輸出；Ct-1、Ct分別為 t-1、t時刻 LSTM 神經(jīng)元的細胞單元；σ為 sigmoid激活函數(shù)；tanh為 tanh激活函數(shù)；Wf、Wi、Wc和Wo分別是遺忘門、細胞單元、輸入門和輸出門的權(quán)重.具體計算步驟參見文獻[26].

圖3 LSTM的神經(jīng)元結(jié)構(gòu)Fig.3 Neuronal structure of LSTM

2.2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型

由于實際輸入?yún)?shù)的量級不同，為了避免數(shù)量級小的參數(shù)被數(shù)量級大的參數(shù)所掩蓋，首先將輸入/輸出參數(shù)進行歸一化處理，將參數(shù)歸一到[-1，1]之間，表達式為

式中：x為待歸一化的向量；xmax為樣本最大值；xmin為樣本最小值；x為歸一化后的向量.

損失函數(shù)是網(wǎng)絡(luò)訓(xùn)練的評價指標，網(wǎng)絡(luò)訓(xùn)練的過程就是使損失函數(shù)最小化的過程，損失函數(shù)越小，說明網(wǎng)絡(luò)訓(xùn)練越好，模型預(yù)測能力越強.通常使用均方根誤差(RMSE)作為損失函數(shù)，表達式為

式中：n為預(yù)測序列長度；fi為模型預(yù)測值；yi為實際測量值.

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)直接影響預(yù)測模型的性能，但隱藏層數(shù)目沒有確切的理論依據(jù)，需要根據(jù)實際情況不斷嘗試、分析和總結(jié)得出.以模型最終預(yù)測值的RMSE作為網(wǎng)絡(luò)結(jié)構(gòu)好壞的評價指標.圖4為綜合兩個輸出目標的均方根誤差，選用隱含層個數(shù)為8層.

圖4 隱藏層數(shù)量與均方根誤差Fig.4 Number of hidden layers and RMSE

神經(jīng)網(wǎng)絡(luò)的性能在很大程度上取決于其優(yōu)化算法的選擇，優(yōu)化算法決定了神經(jīng)網(wǎng)絡(luò)權(quán)值校正、結(jié)構(gòu)優(yōu)化、收斂速度和損失函數(shù)值等.傳統(tǒng)隨機梯度下降SGD(stochastic gradient descent)優(yōu)化算法對于非凸的誤差函數(shù)容易陷入局部最優(yōu)，采用自適應(yīng)矩估計Adam(adaptive moment estimation)優(yōu)化算法，根據(jù)梯度的一階矩估計和二階矩估計動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)率[27]，不僅能更有效地獲得全局最優(yōu)解，而且收斂速度更快，所建立模型的預(yù)測精度也更高[28-29].為了防止梯度爆炸，將梯度閾值設(shè)置為 1，指定初始學(xué)習(xí)率為0.02，在125輪訓(xùn)練后通過乘以因子0.2來降低學(xué)習(xí)率.

2.3 預(yù)測模型評價

選取 80%時序數(shù)據(jù)參與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，剩下的 20%用于模型預(yù)測能力的驗證，訓(xùn)練后模型的預(yù)測能力采用統(tǒng)計度量決定系數(shù) R2、RMSE、平均絕對誤差(MAE)進行評價[30]見式(5).其中 R2是用來衡量被擬合數(shù)據(jù)在回歸線上擬合優(yōu)良的指標，R2越接近于1代表模型的擬合效果越好；RMSE和MAE都是用來描述預(yù)測值與真實值的誤差，數(shù)值越小越好.

表4為神經(jīng)網(wǎng)絡(luò)性能統(tǒng)計值，通過對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，其對未參加訓(xùn)練的測試集表現(xiàn)出良好的預(yù)測效果.圖5所示試驗值與預(yù)測值的分布都集中在y=x這條回歸線附近，顯示出良好的回歸效果；且測試集的 NOx與 BSFC的決定系數(shù) R2均在 0.98～1.00間，表明所建立的神經(jīng)網(wǎng)絡(luò)對目標輸出參數(shù)具有良好的可預(yù)測性.

圖5 測試集的決定系數(shù)R2Fig.5 Determination coefficient R2 of the test set

表4 神經(jīng)網(wǎng)絡(luò)性能統(tǒng)計值Tab.4 Statistical value of the performance of the networks

圖6a為LSTM預(yù)測的NOx值與試驗值的對比，整體的趨勢基本一致，只在個別波動大的點預(yù)測值稍有偏差，根據(jù)計算測試集的 RMSE為 0.5396、MAE為0.4226，都處于其理想的范圍，表明利用LSTM神經(jīng)網(wǎng)絡(luò)建立NOx預(yù)測模型是可靠且精確的.圖6b為LSTM預(yù)測的BSFC值與試驗值的對比，根據(jù)計算測試集的RMSE為1.5703、MAE為1.1797，也都處于理想的范圍，表明利用 LSTM 神經(jīng)網(wǎng)絡(luò)建立 BSFC預(yù)測模型同樣也是可靠且精確的.

圖6 測試集的試驗值與LSTM預(yù)測值對比Fig.6 Comparison of experimental values and LSTM predicted values of the test set

3 基于NSGA-Ⅱ算法的多目標優(yōu)化

3.1 NSGA-Ⅱ算法簡介

NSGA-Ⅱ算法不僅可以更好地保持種群的多樣性，而且引入精英選擇策略防止優(yōu)秀個體被淘汰，同時具備遺傳算法可以在整個解空間內(nèi)搜索、獲得全局最優(yōu)解的能力，NSGA-Ⅱ的計算流程[18]如圖7所示.首先通過非支配排序與擁擠距離計算這兩個原則來評估每一代種群中更優(yōu)秀的個體；其次通過選擇、交叉和變異產(chǎn)生新的子代種群；然后利用精英策略，將每一代的父代與子代個體混合后再進行非支配排序與擁擠距離的計算；最后根據(jù)以上兩個評估結(jié)果對種群進行修剪，反復(fù)進行這個過程直到達到最大的迭代次數(shù).其中，Pi代表第 i代種群父代；Ci代表第 i代種群子代.

圖7 NSGA-Ⅱ算法的計算流程Fig.7 Computational flow of NSGA-Ⅱalgorithm

3.2 多目標優(yōu)化

為了解決雙燃料發(fā)動機排放與燃油消耗之間難以調(diào)和的矛盾，以排放指標 NOx為目標一，以 BSFC為目標二，進行多目標優(yōu)化，同時根據(jù)排放法規(guī)要求對排放指標CO與HC進行限制，建立數(shù)學(xué)模型為

式中：THC、TCO為排放法規(guī)標準限值；0.9為安全系數(shù)；X的各參數(shù)取值范圍見表3；RP為軌壓；MIT為主噴正時；PIT為預(yù)噴正時；PTQ為預(yù)噴油量；SRL為過量空氣系數(shù)；EAC為替代率.

在基于 NSGA-Ⅱ算法進行發(fā)動機優(yōu)化計算時，轉(zhuǎn)速和轉(zhuǎn)矩對應(yīng)當前優(yōu)化工況點的轉(zhuǎn)速與轉(zhuǎn)矩，不參與種群的生成，以LSTM預(yù)測模型的剩余6個控制參數(shù)為需要優(yōu)化的種群個體.由于 NSGA-Ⅱ算法優(yōu)化過程需要不斷進行選擇、交叉和變異生成新的子代種群，這樣就要求不斷計算相對應(yīng)的目標輸出值即種群的適應(yīng)度值，如果直接使用真實的發(fā)動機或仿真計算模型，將需要耗費大量的時間，筆者提出使用 LSTM神經(jīng)網(wǎng)絡(luò)和 NSGA-Ⅱ算法進行聯(lián)合運用，即利用LSTM 神經(jīng)網(wǎng)絡(luò)建立的發(fā)動機預(yù)測模型代替真實的發(fā)動機，快速輸出每個種群個體相應(yīng)的適應(yīng)度值，然后利用 NSGA-Ⅱ算法不斷進行迭代尋優(yōu)，快速高效地尋找當前工況點控制參數(shù)的最優(yōu)解集，具體流程如圖8所示.首先 NSGA-Ⅱ算法固定當前工況的轉(zhuǎn)速與轉(zhuǎn)矩，隨機產(chǎn)生 6個控制參數(shù)的種群，并將以上種群作為 LSTM 預(yù)測模型的輸入；然后 LSTM 預(yù)測模型計算出每個種群個體相對應(yīng)的目標輸出值，并作為適應(yīng)度值輸入進 NSGA-Ⅱ算法；最后 NSGA-Ⅱ算法根據(jù)其原理評估當前種群中更優(yōu)秀個體，反復(fù)進行這個過程直到達到NSGA-Ⅱ算法的最大迭代次數(shù).

圖8 LSTM神經(jīng)網(wǎng)絡(luò)和NSGA-Ⅱ算法聯(lián)合運用示意Fig.8 Schematic diagram of combined application of LSTM neural network and NSGA-Ⅱ algorithm

由于對象為船用雙燃料發(fā)動機，船舶發(fā)動機一般按照設(shè)定的推進特性工況運行，對推進特性曲線的每個發(fā)動機工況進行優(yōu)化，并將優(yōu)化后的結(jié)果與原機實際測得的結(jié)果進行比較分析，原機實際設(shè)定值見表5，推進特性下各轉(zhuǎn)速所對應(yīng)的轉(zhuǎn)矩見表6.

表5 原機工況參數(shù)設(shè)置Tab.5 Initial working condition parameter setting

表6 雙燃料發(fā)動機推進特性Tab.6 Dual-fuel engine propulsion characteristics

3.3 優(yōu)化結(jié)果及分析

優(yōu)化中設(shè)置種群大小為 100，通過記錄每一次迭代優(yōu)化后種群中最優(yōu)解的個數(shù)來判斷是否獲得全局最優(yōu)解.當 100個種群個體都在第一前沿時，說明尋優(yōu)完成，當前解集即此工況下的全局最優(yōu)解集.圖9所示推進特性下 8個工況點在迭代 150步后 Pareto前沿面上最優(yōu)解個數(shù)均達到 100，所以研究設(shè)置迭代步數(shù)為150步.

圖9 迭代次數(shù)與最優(yōu)解集個數(shù)Fig.9 Number of iterations and number of optimal solution sets

以推進工況 1(轉(zhuǎn)速為 800r/min，轉(zhuǎn)矩為 404 N·m)為例，繪制了其在迭代過程中的 Pareto前沿的解集情況，圖10a顯示了 NSGA-Ⅱ算法迭代 1次以后的 Pareto前沿的解集情況，可以看出一共有 13個前沿，但第一前沿只有 10個解，在迭代 150次以后見圖10b，一共只有一個前沿，且這個前沿有 100個解，再次證明迭代 150次以后，可以獲得當前工況下的全局最優(yōu)解.

圖10 Pareto前沿解集Fig.10 Pareto frontier solution set

獲得全局最優(yōu)解集后，可以根據(jù)自己的需求選擇最適合自己目標的最優(yōu)解，如果想要盡量減小NOx的排放，滿足更高的排放法規(guī)要求，緩解環(huán)境污染問題，可以選擇 A點附近的解；如果想要盡量提高雙燃料發(fā)動機的經(jīng)濟性，可以選擇C點附近的解；如果想要既改善 NOx的排放，又在一定程度上提高經(jīng)濟性，可以選擇的是B點附近的解.為了滿足IMO Tier-Ⅲ對船舶發(fā)動機排放污染物NOx排放的限制要求，選取A附近的點作為最優(yōu)解，犧牲一部分經(jīng)濟性，來滿足排放法規(guī)要求.按照這個原則，選取剩下 7個工況點的最優(yōu)解，并記錄其最優(yōu)的控制參數(shù)組合如表7所示.

表7 推進特性下的最優(yōu)控制參數(shù)組合Tab.7 Optimal control parameter combination under propulsion characteristics

3.4 配機驗證

將優(yōu)化得到的最優(yōu)控制參數(shù)組合標定到發(fā)動機ECU上，完成配機試驗.由于對工況進行逐個優(yōu)化，所以得到的優(yōu)化結(jié)果具有離散特性，需要對離散的優(yōu)化結(jié)果進行處理，一般采用雙三次多項式插值的方法，可以獲得更平滑、精確的控制參數(shù)MAP圖，以軌壓MAP為例如圖11所示.

圖11 軌壓MAP示意Fig.11 MAP figure of rail pressure

圖12a為優(yōu)化前、后 NOx值的試驗結(jié)果對比，每個工況的 NOx都得到了良好的優(yōu)化，根據(jù)計算相較于優(yōu)化前，NOx排放平均下降了 76.4%；圖12b為優(yōu)化前、后BSFC值的試驗結(jié)果對比，中、低轉(zhuǎn)速BSFC較高時，優(yōu)化的效果較好；高轉(zhuǎn)速 BSFC較低時，保持 BSFC而降低 NOx的排放，根據(jù)計算相較于優(yōu)化前BSFC平均下降了3.5%.

圖12 優(yōu)化前、后試驗數(shù)據(jù)對比Fig.12 Comparison of experimental data before and after optimization

表8所示根據(jù)IMO Tier-Ⅲ對船舶發(fā)動機排放污染物 NOx排放的限制要求，所使用的柴油引燃天然氣發(fā)動機，標定轉(zhuǎn)速為1500r/min，對應(yīng)的IMO Tier-Ⅲ排放限值為 2.08g/(kW·h).根據(jù)推進特性，進行4個工況試驗，得到的結(jié)果見表9，通過加權(quán)計算，最終 NOx排放為 1.63g/(kW·h)，這個結(jié)果低于 IMO Tier-Ⅲ法規(guī)要求的21.63%.

表8 IMO的NOx排放限制值Tab.8 Emission regulatory limits of NOx in IMO(g·kW-1·h-1)

表9 船用發(fā)動機推進4個工況試驗循環(huán)Tab.9 Four-condition test cycle of marine engine for propulsion

4 結(jié) 論

(1) 使用LSTM神經(jīng)網(wǎng)絡(luò)建立了微噴引燃柴油/天然氣雙燃料發(fā)動機的排放和性能預(yù)測模型，并使用未參加訓(xùn)練的測試集進行驗證，結(jié)果表明所建立的模型是精確可靠的.

(2) 將LSTM神經(jīng)網(wǎng)絡(luò)與NSGA-Ⅱ算法進行聯(lián)合運用，可以獲得優(yōu)化目標 NOx與 BSFC的 Pareto前沿解集，并且根據(jù)自己的需求選擇最適合自己優(yōu)化目標的全局最優(yōu)解及相對應(yīng)的控制參數(shù)組合.

(3) 將獲得最優(yōu)控制參數(shù)組合標定進 ECU，在發(fā)動機上進行配機試驗，結(jié)果表明相較于優(yōu)化前，優(yōu)化后的NOx排放平均下降了76.4%，BSFC平均下降了3.5%，且NOx的排放滿足IMO Tier-Ⅲ法規(guī)的限制要求.