基于BP神经网络的柴油机掺烧生物柴油排放特性预测研究

李 楠，汤 东，李昌远，徐亚超

（江苏大学汽车与交通工程学院，江苏 镇江 212013）

生物柴油具有良好的燃烧性、动力性、经济性和排放性，它可以任意比例与柴油混合或单独使用，因而生物柴油在柴油机上的使用研究越来越受到人们的重视［1－3］。国内已经有很多关于柴油机掺烧生物柴油的研究报道，但大多集中于掺烧生物柴油后柴油机动力性、经济性与排放特性的试验研究［4－7］。另一种有效的研究方法包括数值模拟、神经网络预测等。数值模拟一般很难取得理想的效果，更多的是根据试验数据，采用经验方法对发动机的性能进行预测，而且建模和计算的工作量很大。而人工神经网络具有很强的自学能力，且能以任意精度逼近任意非线性函数［8］，因此可以建立神经网络模型来取代发动机各种复杂的工作过程，并利用这些模型对发动机的性能进行研究。目前，国内外学者利用神经网络进行的发动机性能预测已经取得了一些研究成果。Hidayet Oguz等运用三层BP神经网络技术对掺混不同生物燃料柴油机的动力性和经济性进行了预测，并利用统计学方法分析计算出相关系数［9］。A.Duran等人［10］对生物燃料中脂肪酸甲酯对颗粒排放的影响进行了分析研究，并利用神经网络技术预测分析了燃油颗粒物组成和影响因素。S A Nelson等基于神经网络对涡轮增压柴油机进行仿真研究，实现了柴油机与压气机的匹配，使得仿真具有很好的适应性和鲁棒性［11］。周斌、谭达明等利用神经网络方法分析和预测进气成分（O2，N2，CO2，Ar）变化对柴油机排放性能的影响，并进行了试验验证［12］。刘震涛等将前向人工神经网络引入双燃料发动机的研究工作中，分别建立了燃烧放热率、CO和 NOx排放、爆震等模型［13］。

本研究在186FA单缸柴油机上，通过改变生物柴油掺烧比，开展各掺烧比下发动机负荷特性的试验研究，根据试验数据建立了双隐层BP神经网模型，利用该模型对柴油机各排放物随折合燃油消耗率、负荷和生物柴油掺烧比的变化进行了预测分析。

1 试验

通过柴油和生物柴油的混合得到4种不同的燃料（B0，B20，B50，B100），其中，B0和B100分别代表柴油和生物柴油，B20和B50分别为生物柴油体积分数为20%和50%的混合燃料。试验在186FA柴油机上进行，发动机主要的参数和运行工况见表1和表2。试验主要测试标定转速下186FA柴油机燃用B0，B20，B50，B100燃料时的负荷特性（燃油消耗量、排气温度、排放物浓度及稳态烟度）。

表1 186FA柴油机技术参数

表2 测试运行工况

生物柴油与柴油相比热值有差异，为使两者燃油消耗量有可比性，将不同燃油下测得的有效燃油消耗率转化成折合燃油消耗率，即将混合燃油的有效燃油消耗率折算成能量等值的柴油有效燃油消耗率，计算公式为

式中：beE，be分别为折合燃油消耗率、有效燃油消耗率；Hud为柴油的低热值；Hu为混合燃料的低热值。

图1示出各负荷下燃用不同掺烧率燃油的折合燃油消耗率MAP图，从MAP图中按一定比例取值绘成如图2所示的二维图。从图1和图2可以看出，同一掺烧率下，折合燃油消耗率随负荷的降低而升高，当发动机负荷从25%降到10%时折合燃油消耗率呈陡升趋势，在10%负荷下，燃烧柴油的折合燃油消耗率最高，达到1 094.3g/（kW·h）；同一负荷下，随着生物柴油掺烧率的增加，折合燃油消耗率有所下降。整体来说，折合燃油消耗率随着负荷的减小而增大。同一负荷下，由于生物柴油相对于柴油氧含量更多，折合燃油消耗率随着掺烧率的增大而降低。

2 排放预测模型的建立

2.1 样本的选取与处理

采用BP神经网络方法建模首要条件是有足够的典型性好、精度高的样本。同时为监控训练（学习）过程使之不发生“过拟合”，提高网络模型的仿真性能和泛化能力，需将样本数据随机分成训练样本（60%）、检验样本（20%）、预测样本（20%）三部分。此外，数据分组时还应尽可能考虑样本模式间的平衡。相关研究表明，训练样本过少会造成网络模型的鲁棒性和较差的适用性，不能对实测数据作出准确的识别。针对这一问题，用Matlab软件对各排放数据进行了扩充，生成 MAP图，再从中随机选取380组数据作为样本；然后运用dividevec函数随机选取60%样本数据用于样本训练，20%样本数据用于仿真模拟结果验证，另外20%样本数据用于预测。为了便于利用Matlab神经网络工具箱中的训练函数，应用最大最小函数premnmx对样本进行归一化处理，将各参数量化到［－1，1］内，然后再当作输入单元。

2.2 输入和输出参数的确定

模型的输出量为柴油机掺烧生物柴油的排放性能，因此选取与排放密切相关的参数，经对比分析后，将负荷、生物柴油掺烧率和折合燃油消耗率这3个参数作为模型的输入量。上述参数之间相互耦合就得到CO，HC，NOx，soot排放的变化规律。因此，将掺烧生物柴油的排放简化描述为

式中：f为网络输入与输出之间的非线性映射关系；beE为折合燃油消耗率；Gg为生物柴油掺烧率；PLoad为发动机的负荷。因此，该BP神经网络的输入层有3个神经元，分别是折合燃油消耗率、负荷、生物柴油掺烧率。

2.3 BP神经网络层数

双隐层BP神经网络具有较好的泛化能力，且能较好地处理样本噪声的学习问题，使得非线性逼近效果良好［14］。为了提高柴油机排放性能的预测精度，采用了具有2个隐含层的BP神经网络来建立排放预测模型，网络有4层，第1层为输入层，第2和第3层为隐含层，第4层为输出层。

2.4 BP神经网络拓扑结构

BP神经网络中，隐含层节点数的选择对BP神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，精度也受到影响；节点数过多，会把样本数据中非规律性内容（如噪声等）学会，从而出现 “过度吻合”的问题，降低网络的泛化能力，且会使训练时间过长。隐含层节点数选择首先是由经验公式确定节点数的大概范围，然后在训练阶段通过网络训练检验以确定最终隐含层节点数。常用的确定初始隐含层节点数经验公式为

式中：m为隐层节点数；n为输入层节点数；L为输出层节点数；a为1～10之间的常数。

根据经验公式（3），经过多次仿真模拟试验发现，当双隐层节点分别为18和38时，本模型在速度和精度方面达到最优。因此，预测排放的BP神经网络模型为3－18－38－4的拓扑结构。

2.5 传递函数和学习算法的选择

为了保证BP神经网络模型的非线性，输入层到隐层选用S型正切（tansig）传递函数，隐含层到输出层选用purelin线性函数。学习算法采用比常用梯度下降法计算速度快、收敛快，且收敛误差较小的Levenberg—Marquardt优化方法。

2.6 BP神经网络的检验

利用上述BP神经网络结构和相关参数设置，就可以在Matlab软件中对柴油机掺烧生物柴油排放的BP神经网络模型进行训练和检验。此神经网络中最大迭代次数为1 000，误差性能目标小于0.01，最小训练速率为0.2，动态参数为0.3；以premnmx函数对样本数据进行归一化前处理；以newff（）函数创建一个新的前向神经网络；以train（）函数实现网络的训练；以sim函数完成网络仿真检验；仿真结果用postmnmx函数进行反归一化处理。双隐层BP神经网络训练的性能变化见图3，经过154次迭代后，网络达到了期望的误差水平，其样本训练平均偏差值为0.002 95，样本验证平均偏差值为0.003 429 3，两者误差为0.000 529 3。这说明神经网络的仿真效果较好，可以对发动机的排放性能进行预测。

3 排放预测结果及分析

3.1 CO

图4和图5分别示出了CO线性回归分析结果及其排放预测结果。从图4中可以看出，CO排放的期望响应与仿真输出效果较好，相关系数R达到0.994 88。从图5中可看到，CO排放预测值随折合燃油消耗率的升高而升高。结合图1及图2分析可得，CO排放随负荷的增加而下降；在同一负荷下，随着生物柴油掺烧率的降低，燃油氧含量降低，燃烧效率有所下降，燃烧不充分，CO排放上升。折合燃油消耗率在370～600g/（kW·h）区间，即负荷在20%～35%之间时，预测值与试验值非线性逼近效果不太理想。

3.2 HC

从图6中可以看出，HC排放预测结果的期望响应与仿真输出的相关系数R为0.996 82。HC排放预测结果见图7，其排放值随折合燃油消耗率的升高而升高。结合图1及图2进行联合分析可得，HC排放随负荷的增加而下降；由于生物柴油中含氧，在同一负荷下，随着生物柴油掺烧比率的降低，氧含量降低，导致HC燃烧不充分，HC排放上升。折合燃油消耗率在370～600g/（kW·h）区间，即负荷在20%～40%之间预测值与试验值非线性逼近效果较差，且波动较大。

3.3 NOx

从图8可知，NOx排放的期望响应与仿真输出效果较好，相关系数R为0.993 32。NOx预测结果见图9，其排放预测值随折合燃油消耗率的升高而降低。NOx排放预测曲线中后部非线性逼近效果不是很好，折合燃油消耗率大于350g/（kW·h）以后NOx预测值稍高于试验值，结合图1及图2对图9进行综合分析可知，同一负荷下，生物柴油掺烧比率降低，氧含量降低，缸内燃烧温度随之降低，抑制了NOx排放的生成。在高负荷下折合燃油消耗率较低，缸内燃烧温度较高，氧含量充分，有利于NOx的生成；随着折合燃油消耗率的升高，相应的负荷降低，NOx排放随之降低。

3.4 soot

从图10中可以看出，soot排放的期望响应与仿真输出效果较好，相关系数R为0.997 58。soot预测结果见图11，其排放预测值随折合燃油消耗率的升高而降低，soot排放预测曲线整体非线性逼近效果较好。结合图1及图2对图11进行综合分析可知：soot排放预测值随负荷的增加而上升；同一负荷下，随着生物柴油掺烧比率降低，氧含量降低，导致燃烧不充分，soot排放回升。同时可以看到，soot排放预测结果随掺烧比率的降低波动较大。

4 结论

基于双隐层BP神经网络建立了非道路用柴油机掺烧生物柴油排放的预测模型，利用该模型直接预测柴油机掺烧生物柴油的各排放物随折合燃油消耗率、负荷及掺烧比的变化。

a）双隐层BP神经网络的泛化能力较好，CO，HC，NOx和soot排放模型的期望响应与仿真输出线性回归相关系数均在0.99以上；

b）HC和CO排放预测值随折合燃油消耗率的升高而增加，NOx和soot排放预测值随折合燃油消耗率的增加而下降，同时soot排放预测值随掺烧率的降低波动较大；整体上，CO，HC，NOx，soot预测结果与试验结果具有较好的一致性。

［1］ 汤 东，李昌远，葛建林.柴油机掺烧生物柴油NOx和碳烟排放数值模拟［J］.农业机械学报，2011，42（7）：1－4.

［2］ Senatore A，Cardone M，Rocco V，et al.A comparative analysis of combustion process in D.I diesel engine fueled with biodiesel and diesel fuel［C］.SAE Paper 2000－01－0691.

［3］ 叶丽华，袁银南，孙 平.柴油机燃用多种燃料的性能与排放特性研究［J］.江苏大学学报，2010，42（2）：155－159.

［4］ 李旭升，李理光，邓 俊，等.生物柴油喷雾特性的试验研究［J］.内燃机学报，2007，25（2）：32－36.

［5］ 王 忠，袁银南，梅德清，等.生物柴油燃烧过程内窥镜高速摄影研究［J］.内燃机学报，2007，25（2）：45－48.

［6］ 袁银南，张 恬，梅德清，等.直喷式柴油机燃用生物柴油燃烧特性的研究［J］.内燃机学报，2007，25（1）：43－46.

［7］ 王 忠，袁银南，历宝录，等.生物柴油的排放特性试验研究［J］.农业工程学报，2005，21（7）：77－80.

［8］ 张泽旭.神经网络控制与 MATLAB仿真［M］.哈尔滨：哈尔滨工业大学出版社，2011.

［9］ Hidayet Oguz，Ismail Sartas，Hakan Emre Baydan.Prediction of diesel engine performance using biofuels with artificial neural network［J］.Expert Systems with Applications，2010，37：6579－6586.

［10］ Duran A，Lapuerta M，Rodrguez－Ferna ndez J.Neural networks estimation of diesel particulate matter composition from transesterified waste oils blends［J］.Fuel，2005，84：2080－2085.

［11］ Nelson S A，Filipi Z S，Assanis D N.Use of Neural Nets for Matching Compressors with Diesel Engines［J］.American Society of Mechanical Engineers Internal Combustion Engine Division，1996，26（3）：35－42.

［12］ 周 斌，谭达明，魏道远，等.基于神经网络的内燃机排放预测方法的研究［J］.内燃机学报，2001，19（4）：361－364.

［13］ Liu Zhentao，Fei Shaomei.Study of CNG/diesel dual fuel engine＇s emissions by means of RBF neural network［J］.Journal of Zhejiang University Science，2004，5（8）：960－965.

［14］ Chris M A，Virtual Sensing.A neural network－based intelligent performance and emissions pre－diction system for on－board diagnostics and engine control［J］.SAE Paper 1998，1998：341－347.