分会场

控制与测试

摘要

汽油发动机生成污染排放物的过程是一个多维非线性瞬态过程，对发动机污染物排放量的预测十分困难，因此发动机排放控制参数的标定长期以来一直依赖于标定工程师的经验，难以进一步提升效率。本项目基于两种RNN神经网络结构：LSTM和GRU，利用发动机控制参数在排放标定实验过程中获得的控制参数和污染物排放量的时序数据，建立了CO、HC以及NOx三种汽油机典型污染物瞬态排放量的神经网络预测模型，并进行了模型的训练和验证。研究结果表明：LSTM及GRU神经网络结构均可以实现三种排放物在WLTC循环下的瞬态排放量预测，并能够达到较高的预测精度；对比两种不同结构的神经网络，GRU结构的预测精度更高，更加适合本项目训练样本量较少的情况。本项目所获结果对缩短发动机标定时间、节省企业成本意义重大，同时也为未来汽车动力装置各类控制参数标定工作的效率提升提供了参考性方向。

关键词

WLTC循环;发动机污染排放量预测;人工智能深度神经网络;循环神经网络;长短时记忆神经网络;门控循环神经网络

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录