外文翻譯--壓縮天然氣柴油雙燃料發動機的排放物rbf神經網絡的研究

1、<p><b>　　附錄B 譯文</b></p><p>　　壓縮天然氣/柴油雙燃料發動機的排放物RBF神經網絡的研究</p><p>　　Liuzhentao Feishaomei</p><p>　　摘要：為了解決嚴重的環境污染和能源資源的急劇下降，各國都已作出巨大努力。中國的燃料儲備和發動機技術的現狀表明，壓縮天然氣（CNG）

2、/柴油雙燃料發動機是解決上述問題的最佳方案之一。為了研究和提高天然氣/柴油發動機，均衡器發射模型是基于徑向基函數的排放性能（RBF）神經網絡。這是一個黑盒子輸入輸出數據模型，不需要先驗條件。RBF的中心和連接可自動選擇，根據測試數據的分布和投入產出給定的空間以及近似誤差。研究表明，預測結果都符合了一個在低負荷運行條件下，大范圍，高負荷的實驗數據。發達國家的排放量模型的RBF神經網絡可以用來成功地預測和優化DFE排放量。同時，該均衡器的主

3、要性能參數，如轉速，負荷，試點數量和噴射時間，效果也符合模型的預測方法。在天然氣/柴油發動機排放預測模型基于RBF神經網絡的分析中，主要分析了對二氧化碳的主要性能參數的影響和內置的DFE-NO的排放量。預測結果比較符合傳統的排放模式，這表明該模型具有一定的應用價值，但由于其對實驗樣本數據量高度依賴，因此還有一定的局限性。 </p><p>　　關鍵詞：雙燃料發動機，排放性能，RBF神經網絡</p>

4、<p><b>　　引言</b></p><p>　　由于嚴重的環境污染和世界各地的能源危機，開發降低能源消耗的汽車成為主要的研究目標。天然氣（CNG）發動機采用壓縮空氣為燃料，具有更高的效率和降低污染的突出優勢。該天然氣/柴油均衡器專門為城市公交車也可明顯降低城市空氣污染，尤其是大城市。因此，對均衡器燃燒過程的研究，特別是排放性能，是非常重要和寶貴的，在一般情況下，燃燒過程和發動

5、機的機制所涉及的物理和化學合成的過程。由于其復雜性和即時性，沒有合適的解析函數來描述它的燃燒過程，特別是對均衡器。在這個新的排放模型徑向基函數中提出了天然氣/柴油均衡器。</p><p><b>　　RBF神經網絡理論</b></p><p>　　RBF神經網絡的結構</p><p>　　特別是在神經網絡RBF神經網絡，已成為近年來受歡迎因為它

6、出色的識別和預測能力。徑向基函數的RBF神經網絡的基礎上，通常是一個非線性徑向對稱函數。高斯函數的徑向基函數的核心功能，擁有兩個向量參數x和C; X是自變量向量這個函數，C為核心徑向基函數。越野形成一個與C為中心，是橢圓的半徑橢圓函數?；赗BF神經網絡的神經元的功能是作為RBF神經網絡調用。 RBF神經網絡包括三個層次，第一層是輸入層，其元素CON組，形式的輸入參數的數量，第二層是隱層徑向基函數的許多神經元組成;隱層節點的計

7、算歐幾里德之間的中心和網絡的輸入向量，然后距離的結果傳遞到徑向基函數，最后一層是輸出層組成的共同線性神經元。 RBF神經網絡的工作結構如圖1所示。這種模式有R輸入和P輸出，與輸入和輸出之間的關系，這是模型如下：</p><p>　　基于RBF神經網絡的工作原理</p><p>　　該網絡結構見Fig.l;其中輸入向量X = [ab a2,..., aN],理想輸出系列Yj（j=1,2 ..

8、... P）,實際輸出系列Yj和重量在輸出層Wij值可以得到的RBF神經網絡，具有輸入R和M隱藏節點和P輸出。選擇高斯函數，Φ（x）=exp（-λx2），λ= 3的徑向基函數，實際輸出系列Yj是由下列公式計算：</p><p>　　然后，Wii的權值調整，以滿足下面的公式，從其中的RBF神經網絡可以得到最終結果。</p><p>　　基于RBF神經網絡的排放模型開發</p>

9、<p><b>　　模式的發展</b></p><p>　　由于有限的試驗單位，該部分的甲烷數量無法獲得，因此該模型只包括二氧化碳，NOz排放。該模型的結構圖1所示。在這個模型中的輸入輸出關系如下:</p><p>　　輸入層節點數被選擇作為與輸入參數相同的參數，R=4，輸出層節點的數目是作為與輸出參數相同的參數，P=2，E0被設置為0.15%。試驗數據是根

10、據測試得出的，測試發動機的規格在表1中已經給出。有100組以上的數據是在輕載低轉速到高負載高轉速下得出的，這是為了試驗RBF神經網絡，還有20組數據是在大范圍工況試驗下得出的，以驗證模型。通過使用實驗數據對網絡進行試驗后，經過約15000個周期，總結平方誤差可達0.15%。于圖2所示。而隱層節點數M還證實，其中隱層節點數為11。</p><p><b>　　模型的驗證</b></p&g

11、t;<p>　　該模型也驗證了一個雙燃料發動機的規格：DxS=108mmx125mm，額定功率/轉速= 112kW/2800轉/分。圖3顯示，模擬結果和一氧化碳的測試結果，第13個操作條件較好的排放量也分別表示，該模型也可以用于預測DFE的二氧化碳排放</p><p>　　基于模型的CO, NOx的排放預測</p><p>　　發展這一模型的目的是用它來預測均衡器的一氧化碳，

12、氮氧化物排放量。以下是由該模型對幾種主要操作參數對二氧化碳，氮氧化物的排放量變化的影響。</p><p><b>　　旋轉速度的影響</b></p><p>　　圖4中在特定情況下旋轉速度CO和NOx排放量的變化表明CO排放隨轉速增加。這種情況發生是因為與燃燒時間縮短，提高轉速情況下一氧化碳不能完全氧化。然而，氮氧化物排放量隨轉速減少。這是因為在早期減少熱量輸出和在汽

13、缸因增加旋轉速度減少。因此，時間和氮在它縮短，降低溫度，因此氮氧化物排放量減少。</p><p><b>　　CNG數量的影響</b></p><p>　　在特定工況下，CNG數量對CO和NOx排放影響如圖5所示。天然氣的數量的影響同該引擎負荷有相同的效果，所以這里的發動機負荷是用來顯示天然氣的數量所引起的效果。增加天然氣數量增加了熱輸出和汽缸的最高溫度。因此，它在燃

14、燒過程中充分完成，因此二氧化碳排放量減少和氮氧化物排放量增加。</p><p><b>　　試點的影響</b></p><p>　　在輕載狀態下，試點數量對CO和NOx排放影響的效果如圖6?？梢钥闯?，氮氧化物排放量的變化并不明顯，甚至增加試點的數量也是如此。</p><p>　　但二氧化碳排放量減少，因為在輕載狀態下氣缸中的天然氣數量變小，因此

15、，即使是試點數量，早期熱輸出和在氣缸內的最高溫度的升高，氮氧化物排放量的變化也不大，但由于氮氧化物由于激烈的氧化使CO的排放量減少。</p><p>　　在重載狀態下，試點數量對CO和NOx排放影響的效果如圖7?？梢钥闯?，CO排放量相對于輕載狀態下要少，NOx的排放量要相對于輕載狀態下要高得多。隨著試點數量的增加和氣缸內天然氣的增加，二氧化碳排放量減少，氮氧化物排放量由于點火能量和總熱量的增加而增加。</p

16、><p><b>　　噴油定時的影響</b></p><p>　　在輕載荷狀態下噴油定時對二氧化碳，氮氧化物排放量的影響如圖8所示，表明與噴油定時的增加，二氧化碳排放量和氮氧化物排放量不同時增加或重新下降。這意味著在輕載狀態下有最佳噴射時間以使二氧化碳，氮氧化物排放量最少。在圖9可以看到在重載情況下有同樣的結果。模擬的結果表明（圖8和圖9）16 ° CA是在這個

17、均衡器的最佳注射時間。</p><p><b>　　結論</b></p><p>　　在天然氣/柴油雙燃料發動機排放預測模型RBF神經網絡工作的基礎上，建立以供分析的一氧化碳，氮氧化物排放的DFE主要參數的影響。模型模擬傳統的排放量相一致的結果表明，該模型具有一定的應用價值。</p><p>　　該模型的驗證也證明，模擬結果與試驗數據吻合。因此