基于BP神经网络的汽油机尾气排放预测

左付山,李政原,吕 晓,张 营

(南京林业大学 汽车与交通工程学院,江苏 南京 210037)

随着我国汽车行业的快速发展,以及人们对出行方式的需求提升,汽车的使用率进一步提升,未来包括雾霾在内的一系列以机动车污染为主的环境问题将会日渐突出,因此现阶段汽车尾气污染防治形势日益严峻.建立完善的汽车尾气排放预测系统可以有效控制尾气污染物排放量,帮助改善空气质量,减少大气污染,缓解环境问题,具有重要的现实意义.

随着人们对环境问题的日益关注,各国正逐步加强对在用机动车尾气排放的检测及控制,世界范围内的许多汽车制造公司和相关科研机构都先后针对尾气排放,建立、完善了汽车排放实验室,并根据要求开发、建立了不同功能的汽车排放检测系统[1].随着现代技术的高速发展,故障诊断技术已由传统、简单、单一的形式向着智能、高效、集成的综合方向不断发展[2-4],研究者们在传统尾气检测技术的基础上,逐渐融入很多先进技术,例如遥感技术、光学检测技术[5]、红外探测法[6]、远程监控技术等,构建了精度更高、效果更好的尾气排放检测系统.同时,这些新技术、新工艺在汽车产业中的不断应用,对在用车辆的排放控制也起到了十分重要的作用[7-9].但是一套完善的汽车尾气排放检测系统成本过高、操作复杂、占地面积大、使用条件有限,目前仅限于整车厂、科研单位等机构建设使用,不能向市场推广.并且这些方法仅能对车辆尾气排放是否达标做出判断,无法准确、快速得出尾气排放超标原因,结果不够直观.

PM0.1的汽油机排放量受到环境温度、湿度、气流等诸多因素的影响,因此,文中在仅考虑汽车本身性能参数的情况下,根据汽油机尾气预测特征,以特征参数的数据流信息作为输入,车辆排放水平作为输出,分别建立汽油机CO，HC，NOx的排放预测模型,并将建立的3个模型应用到实车中进行试验验证.

1 汽油机尾气预测特征

汽油机作为车辆的核心部件,工作环境复杂恶劣,产生的故障类型很多,每一时刻污染物的排放量也不同.一般情况下,在用车辆仅通过每年一次的车辆年检发现尾气排放问题,无法及时发现车辆故障,不仅会加重环境污染,还会减少车辆使用寿命,存在安全隐患.汽油机本身是一个非常复杂的个体,其工作的过程本质而言,就是燃料燃烧的化学反应过程.而这些化学反应往往不是单一可控的,伴随着许多副反应.同时,化学反应本身受到外部环境因素、结构因素、工况等的影响又很大,且不可直接观测、不可控制.所以,在汽油机运行过程中,其排放的污染物种类和数量会出现波动,这些波动的诱发因素并不唯一.因此,预测汽油机尾气中主要污染物排放程度是一个需要综合考虑多个参数变化的问题.

例如,当环境温度较高时,进气温度较高,导致燃烧室温度升高,气体密度减小,混合气体中的氧质量分数下降,使CO的排放量增加.若此时增大节气门开度,使进入气缸的空气量增多,空燃比会增大,混合气偏稀,燃料能够完全燃烧,又会导致尾气中的CO质量分数下降.

所以,汽油机持续运行的过程中,其各状态参数对尾气排放的影响并非独立无关,是互相影响、互相作用、互相关联的.为了更全面、更准确地实现对汽油机尾气排放水平的评价,需要综合各个状态参数对其的影响程度,给出一个综合的尾气排放水平评价结果.

2 BP神经网络结构

针对汽油机尾气排放预测非线性、特征参数多、样本数据量大等特点,基于误差回传神经网络(back propagation network,简称BP神经网络)强大的学习、映射拟合能力,作为比较合理的方式之一,就是采用建立BP神经网络的方法对汽油机尾气排放进行预测研究.

人工神经网络是一种由多个单一、简单的微小单元组合而成的复杂、综合、非线性的系统,其结构类似于人体大脑的神经元,本质是一种通过学习确定大量神经元之间的相互关联,并且能够完成对大量信息数据进行处理的数学模型.人工神经网络具有良好的自适应能力、泛化性、容错性和自我学习能力.由于每两个神经元之间都通过权重值进行连接,所以最终网络结果的输出与各项权重值的大小、传递函数的差异等有关.

对于非线性系统,利用BP神经网络可以很好地完成系统内各神经元之间权重值的调整工作.BP神经网络是一种由输入层、隐含层和输出层组成的多层前向网络.在该模型中,虽然网络模型的处理能力会随着隐含层层数的增加而提高,但同时网络规模会变大,复杂性增强,计算量增大,求解速度下降.所以,建立BP神经网络模型需要选择合理的隐含层层数,理论上一般选择层数不超过两个.在文中汽油机尾气排放预测模型中,采用的BP神经网络有且只有一个隐含层,其BP神经网络基本结构[10-11]如图1所示.

BP神经网络主要通过对样本数据的不断学习和训练过程,修正不同特征参数对于尾气评价水平的权重值,从而预测汽油机在当前的工作状态下的排放水平,进而为提早发现汽油机存在的潜在故障、及时采取检修措施、延长使用寿命提供科学依据.BP神经网络的预测流程如图2所示.

图1 BP神经网络基本结构

图2 BP神经网络预测流程

3 汽油机尾气排放预测模型

文中将通过OBD数据流获取的目标空燃比、负荷、发动机转速、点火提前角、氧传感器状态、水温、进气温度、燃油压力、进气量、节气门开度、进气歧管压力等11个特征参数作为基于BP神经网络汽油机尾气排放预测模型的输入参数.根据国标GB 18352.5—2013《轻型汽车污染物排放限值及测量方法》的有关规定,结合各省发布的地方规定、对人体的危害以及专家经验等[12],文中将汽油机尾气排放程度分为“高”、“较高”、“略高”和“低”,其中“高”表示此刻尾气排放质量分数超标很多,“较高”表示排放质量分数已超标但超出限值不多,“略高”表示排放质量分数即将超标,“低”表示排放处于正常水平,具体对应排放质量分数如表1所示,其中Q表示质量分数.

表1 各类污染物排放程度

由于在基于BP神经网络的汽油机尾气排放预测系统中,输出层表示尾气排放的程度,需要将尾气排放程度转化为量纲为一的形式(以h表示)以便于模型的计算与表达.文中规定h=[1 0 0 0]′表示“高”,h=[0 1 0 0]′表示“较高”,h=[0 0 1 0]′表示“略高”,h=[0 0 0 1]′表示“低”.

3.1 CO排放预测模型

隐含层的设计是BP神经网络模型构建的关键步骤.隐含层神经元的主要功能是从学习样本中确定输入输出之间的内在规则.各个隐含层神经元都拥有多个权值,每一权值都对加强预测模型的准确性起到必不可少的作用,所以需要选择合适的隐含层神经元个数,否则会导致网络模型性能下降,并对预测结果造成影响.当选取的隐含层神经元个数过多时,虽然预测模型的学习能力提高,但所需的学习时间太长,反而会影响训练结果的时效性;当隐含层神经元过少时,虽然预测模型可以在较短时间内完成学习过程,但模型的映射容量也会变小,预测结果误差较大.

目前,没有任何指定的公式或理论可以用来确定预测模型隐含层神经元的个数,一般都是先根据经验公式来确定其个数的大致范围,然后利用经验法或“尝试法”确定隐含层神经元个数.其中,被广泛应用的经验公式为

(1)

式中:n1为隐含层神经元个数;n为输入层神经元个数;m为输出层神经元个数;a为1～10的常数.

取神经元个数n=11个,m=4个,先代入式(1)求得n1的取值范围为[5,13].文中以某公司提供的部分样本数据为训练样本,目标误差设定为0.000 1,在保持网络各参数相同的情况下,通过在[5,13]的范围内改变隐含层神经元个数,比较仿真结果来确定最终隐含层神经元个数.由于此程序中BP网络的初始化权值和阈值是随机产生的,所以每次运行后的结果都有所不同.在n1取值不同的条件下,对网络进行多次训练,选择其中具有代表性的一种来做分析比较.不同隐含层神经元个数网络训练结果的误差比较见表2.

表2 CO排放预测模型网络训练结果的误差比较

由表2可见,隐含层神经元个数在[5,13]的范围内的网络训练结果均达到目标误差,训练效果较好.比较在n1不同的情况下达到目标误差所需的训练次数后发现,在n1=11个时的训练次数最少,仅为14次.因此,本模型的隐含层神经元n1个数确定为11个,这样既能达到目标误差要求,同时网络训练效果较好,训练所需时间短,收敛率最高.

文中以目标误差为0.000 1,最大训练次数为1 000次,选择tansig函数作为隐含层的传递函数,purelin函数作为输出层的传递函数,L-M算法作为优化算法,建立基于BP神经网络的汽油机尾气排放预测模型结构,如图3所示.当n=11个,m=4个,n1=11个时,图3中模型为汽油机CO排放预测模型.

图3 汽油机尾气排放预测模型结构

3.2 HC排放预测模型

根据前文的分析研究,与汽油机CO排放预测模型类似地,针对HC排放预测,可以选择相同的传递函数和训练算法,建立单隐含层的3层BP神经网络模型.不同的是,虽然该模型与汽油机CO排放预测模型的输入层、输出层神经元个数都相同,但汽油机特征参数与每种污染物排放水平之间的关系不同,即两者之间相应的权值不同,因此对应的隐含层神经元个数也不同.根据式(1)求得该预测模型的取值范围为[5,13].

以某公司提供的部分样本数据为训练样本,期望误差设定为0.000 1,最大训练步数为1 000,在保持网络各参数相同的情况下,通过在[5,13]的范围内改变隐含层神经元个数,比较仿真结果确定隐含层神经元个数.在对网络进行了大量的训练后,选择具有代表性的一种结果进行分析比较,如表3所示.

表3 HC排放预测模型网络训练结果的误差比较

由表3可见,在其他网络参数不变的前提下,隐含层神经元个数在[5,13]范围内的网络训练结果均达到目标误差,且训练效果较好,尤其当隐含层神经元个数为8个的时候,训练误差最小.但从训练次数、训练误差、训练效果等方面综合考虑,由于当隐含层神经元个数为6个时,达到期望误差所需的步数最少,并且此时的预测模型训练误差相对较小,因此基于BP神经网络的汽油机HC排放预测模型的隐含层神经元个数确定为6个,从而建立预测模型结构.当n=11个,m=4个,n1=6个时,图3中模型为汽油机HC排放预测模型.

3.3 NOx排放预测模型

以某公司提供数据中的部分数据作为训练样本,在其他网络参数不变的情况下,在[5,13]的范围内改变隐含层神经元个数,分别选择其中具有代表性的一种结果进行分析比较.基于NOx排放预测模型,在n1不同的条件下,网络训练结果的误差比较如表4所示.

表4 NOx排放预测模型网络训练结果的误差比较

由表4可见,虽然隐含层神经元个数在[5,13]的范围内时网络训练结果均达到了目标误差,但当n1=10个时,仅需要13步就可以达到目标误差的要求,所用训练时间最短.所以,确定基于BP神经网络的汽油机NOx排放预测模型的隐含层神经元个数n1=10个,从而建立预测模型.当n=11个,m=4个,n1=10个时,图3中模型为汽油机NOx排放预测模型.

4 实车验证

为了验证预测系统的可靠性和实用性,提高预测系统精度,将预测系统应用到实车中,预测实际车辆的尾气排放水平,并将实际结果与预测结果进行对比分析.

文中建立的基于BP神经网络的汽油机尾气排放预测模型可在汽油机的任意工况下,预测其尾气排放水平.由于现有试验条件的限制,实车试验均在无负荷条件下进行.选用别克赛欧(2002年)作为试验车辆.试验过程中,一方面利用OBD诊断仪实时读取被测车辆的数据流信息,另一方面,通过汽车排气分析仪实时监控被测车辆的实际排放情况.然后对被测车辆进行手动故障设置,研究不同模式下汽车排气分析仪的检测结果与预测结果差异.

4.1 正常状态

首先启动被测车辆进行热车,接着打开尾气分析仪,进行校准和清零后将其探头放入汽车的排气管中.同时,在被测车辆上连接红盒子诊断仪,并完成通讯.将车辆稳定在2 000 r·min-1状态下持续运行.在车辆平稳运行一段时间后,记录此时利用红盒子检测到的OBD数据流信息,如表5所示,其中氧传感器状态:1表示正常;0表示异常.

表5 正常状态下试验车辆OBD数据流

同时,利用排气分析仪检测尾气中的污染物排放质量分数,然后将在该状态下读取到的被测车辆OBD数据流信息输入基于BP神经网络的汽油机尾气排放预测模型中,得到预测结果,如表6所示.

表6 正常状态下试验车辆排放水平

根据国标GB 18352.5—2013《轻型汽车污染物排放限值及测量方法》的有关规定,由表6可见,在该状态下汽油机尾气中3种主要污染物质量分数均处于正常范围内,且结合表1,CO，HC和NOx的预测结果均为低.由此可见,预测系统输出结果与实际检测结果相吻合,证明了预测模型的准确性.

4.2 燃油压力异常

试验准备工作完成后,将试验车辆上的燃油压力调节器与真空泵的接口拔掉,做好试验准备.在车辆平稳运行一段时间后,保持车辆稳定在上述状态下持续运行,该状态下利用红盒子诊断仪检测到OBD数据流信息如表7所示.

表7 燃油压力异常时试验车辆OBD数据流

由于该实车试验中的故障是人为设置的,具有必然性,但为了避免实际车辆行驶过程中出现的偶发情况对评价结果的影响,将读取到的被测车辆OBD数据流反复多次输入基于BP神经网络的汽油机尾气排放预测模型中,得到综合预测结果.预测结果及利用排气分析仪检测到的实际污染物排放结果如表8所示.

表8 燃油压力异常时试验车辆排放水平

结合国标相关规定,由表8可见,当燃油压力调节器与真空泵的接口拔掉后,CO质量分数偏高,HC，NOx处于正常范围;结合表1,该状态下,预测结果为CO排放量略高,HC排放量低,NOx排放量低.由此可见,预测结果与实际排放情况相吻合.与正常情况相比,故障发生后尾气中污染物质量分数都有明显的变化.从OBD数据流中也可发现,氧传感器状态为“1”,说明氧传感器输出电压以不低于0.8 Hz的频率在100～900 mV变化,工作正常.但燃油压力较正常值偏大,这是由于真空管拔掉后,燃油压力调节器的调节阀关闭,使燃油压力增加,喷油量增加,实际空燃比减小,不完全燃烧使CO和HC质量分数增加.但燃油压力增加也会造成缺氧或燃烧温度下降的情况,尾气中的NOx质量分数明显下降.

4.3 进气压力传感器异常

试验准备完成后,将进气压力传感器的接头拔下,起动试验车辆.在车辆平稳运行后,将车辆稳定在2 000 r·min-1状态下持续运行,记录此时利用红盒子诊断仪检测到的OBD数据流信息,如表9所示.

表9 进气压力传感器异常时试验车辆OBD数据流

该状态下的尾气污染物预测结果与利用排气分析仪检测到的实际污染物排放结果如表10所示.

表10 进气压力传感器异常时试验车辆排放水平

根据国标相关规定,由表10可见,在该状态下,汽油机尾气中CO和HC质量分数严重超标,NOx排放合格;结合表1,该状态下,预测结果为CO排放量高,HC排放量高,NOx排放量低.由此可见,预测结果与实际排放情况具有一致性.分析OBD数据流可以发现,氧传感器工作状态正常,但进气歧管压力与进气量之间的变化规律明显存在问题,判断是进气压力传感器失效或不灵敏,或者进气歧管积碳导致的.这与进气压力传感器断路,导致ECU无法获取实际进气量的实际情况相吻合,可见文中预测系统达到预期效果,进一步证实了该系统的可靠性和准确性.

由于试验条件的局限性,文中仅人为设置了两组故障现象.综合上述实车试验,证明了文中建立的汽油机尾气排放预测系统在实际应用中的可行性和准确性.

5 结 论

分析汽油机尾气排放预测特征,基于BP神经网络诊断思想,以特征参数的数据流信息作为输入,车辆排放水平为输出,建立了汽油机CO，HC和NOx的排放预测模型.

将建立的汽油机尾气排放预测系统应用到实车中进行试验验证.在不同故障状态下,将实际排放量与利用预测模型预测的尾气排放水平进行对比分析,试验结果证明,文中构建的汽油机尾气排放预测系统的预测结果与实际排放水平一致,证实了该系统的可靠性和准确性.因此,文中所构建的尾气排放预测系统可通过OBD数据流预测尾气排放水平,得出尾气排放超标原因,为车辆的排放污染物治理提供技术参考.