黄粉莲,门炳翰,佘超杰,万明定,彭益源,申立忠
车用发动机. 2024, 0(1): 76-85.
基于甲醇-柴油双燃料反应活性控制压燃(reactivity controlled compression ignition,RCCI)发动机台架试验数据,建立了基于粒子群算法(particle swarm optimization,PSO)优化BP神经网络的甲醇-柴油RCCI发动机排放特性、经济性预测智能模型,以发动机负荷、甲醇替代率、EGR率为输入参数,NOx、烟度、CO、THC排放和当量有效燃油消耗率为输出,预测模型的决定系数(R2)分别为0.99,0.97,0.99,0.98和0.96,平均绝对百分比误差(mean absolute percentage error,MAPE)为6.46%,0.56%,3.12%,1.21%和0.3%,表明构建的PSO-BPNN模型能够有效预测甲醇-柴油RCCI发动机的NOx、烟度、CO、THC排放和经济性。基于偏最小二乘回归(partial least squares regression,PLSR)分析了不同控制参数对发动机污染物排放和经济性的相关性,将PSO-BPNN预测模型与NSGA-Ⅱ算法相结合,以NOx、烟度和当量有效燃油消耗率为目标对负荷、甲醇替代率和EGR率进行协同优化,将最优控制参数组合标定至双燃料发动机的控制系统进行试验验证。结果表明:优化后烟度变化不明显,NOx排放平均降低39.6%,当量有效燃油消耗率平均降低2.6%。