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.docx

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.docx

《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.docx》由会员分享，可在线阅读，更多相关《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.docx（10页珍藏版）》请在冰点文库上搜索。

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

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

LiuzhentaoFeishaomei

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

该网络结构见Fig.l;其中输入向量X=[aba2,...,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。

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度CO和NOx排放量的变化表明CO排放随转速增加。

这种情况发生是因为与燃烧时间缩短，提高转速情况下一氧化碳不能完全氧化。

然而，氮氧化物排放量随转速减少。

这是因为在早期减少热量输出和在汽缸因增加旋转速度减少。

因此，时间和氮在它缩短，降低温度，因此氮氧化物排放量减少。

CNG数量的影响

在特定工况下，CNG数量对CO和NOx排放影响如图5所示。

天然气的数量的影响同该引擎负荷有相同的效果，所以这里的发动机负荷是用来显示天然气的数量所引起的效果。

增加天然气数量增加了热输出和汽缸的最高温度。

因此，它在燃烧过程中充分完成，因此二氧化碳排放量减少和氮氧化物排放量增加。

试点的影响

在轻载状态下，试点数量对CO和NOx排放影响的效果如图6。

可以看出，氮氧化物排放量的变化并不明显，甚至增加试点的数量也是如此。

但二氧化碳排放量减少，因为在轻载状态下气缸中的天然气数量变小，因此，即使是试点数量，早期热输出和在气缸内的最高温度的升高，氮氧化物排放量的变化也不大，但由于氮氧化物由于激烈的氧化使CO的排放量减少。

在重载状态下，试点数量对CO和NOx排放影响的效果如图7。

可以看出，CO排放量相对于轻载状态下要少，NOx的排放量要相对于轻载状态下要高得多。

随着试点数量的增加和气缸内天然气的增加，二氧化碳排放量减少，氮氧化物排放量由于点火能量和总热量的增加而增加。

喷油定时的影响

在轻载荷状态下喷油定时对二氧化碳，氮氧化物排放量的影响如图8所示，表明与喷油定时的增加，二氧化碳排放量和氮氧化物排放量不同时增加或重新下降。

这意味着在轻载状态下有最佳喷射时间以使二氧化碳，氮氧化物排放量最少。

在图9可以看到在重载情况下有同样的结果。

模拟的结果表明（图8和图9）16°CA是在这个均衡器的最佳注射时间。

结论

在天然气/柴油双燃料发动机排放预测模型RBF神经网络工作的基础上，建立以供分析的一氧化碳，氮氧化物排放的DFE主要参数的影响。

模型模拟传统的排放量相一致的结果表明，该模型具有一定的应用价值。

该模型的验证也证明，模拟结果与试验数据吻合。

因此，该模型可以做为理论基础，以提出预测的性能和排放量。

在实践中，该模型可以被用来作为提高和优化均衡器参数的重要方法。

该模型仍然有它的局限性，因为它是以高度的实验样本数据数量为基础的。

附录C外文文献