基于统计机器学习工具的柴油机空气路径校准



基于统计机器学习工具的柴油机空气路径校准

一个完整的柴油机空气路径校准过程可能需要数月时间才能完成（取决于变量的数量）。基于模型的校准方法可以显著加快校准进程。研究了采用统计机器学习工具对Cat®C7.1柴油机空气路

径进行整个过程校准。标准的Cat®C7.1柴油机双级涡轮增压器由1个VTG（可变几何涡轮）代替，

作为评估新型空气系统的一部分。更改空气路径系统需要对空气路径的增压设定点和期望的废气再循环设定点分布进行重新计算。统计学习过程为建模和优化空气路径设定点分布提供了一个坚实的基础，并能实现运动和所得

数据质量之间的平衡。

统计机器学习工具被证明是为动力总成校准提供快速解决方案的好方法。这种快速的统计学习工具可使建模生成时间比其它工具更快，其会基于可能性模型与训练数据的匹配自动对模型进行参数化。对空气路径校准活动证明，通过使用统计机器学习工具可以对复杂的系统建模，如研究烟雾和NOx排放量对负荷敏感系统的影响行为。统计学习和使用一个单一类型的模型可提供足以完成模拟的模型，并产生用于校准的变量最佳值。

为了比较基于模型的校准进程方法和自动统计校准工具ASCMO提供的自动建模方法，需要进行很多研究。建议多研究燃料通道，并全面了解对活性排放物的控制。在未来的工作中，为了进行复杂的计算，在Matlab环境中运用统计机器学习工具是非常有必要的，如将升压和废气再循环设定点到空气路径系统设定点进行转换。进一步开发利用如帕累托最优解决方案、瞬态建模、基于模型的循环预测和循环优化结合的多目标优化。

Farraen Mohd Azmin et al. SAE 2014-01-2391.

编译：牛妍妍