一种新型柴油机进气流氧气量估算方法
在最近的几十年中，随着燃料价格的不断增长，排放法规日益严格以及发动机功率需求的不断增加，使得全球汽车工业必须不断地提高电子设备的性能，来更加有效地驱动发动机内部燃烧和污染物排放控制系统。目前，柴油机发展面临的一个主要问题就是日益严格的污染物减排控制系统。特别就NOx而言，EGR系统已经非常成熟并且应用广泛，但是为了提高减排的效率，尽可能准确地估算进气歧管中的实际含氧量是必要的。
使用神经网络方法和模糊方法建立了神经网络预测模型和神经网络-模糊预测模型，来预测进气歧管中的氧气含量。通过从一个压燃式发动机的瞬态工况所获得的试验数据，来对神经网络模型（ANN）和神经网络-模糊模型（ANFIS）预测进气气体中氧气浓度的能力进行了比较。比较时，两个模型的训练阶段和测试阶段均使用相同的试验参数，通过对试验数据的离线分析发现，两种模型都具有很好的预测能力。其中，对于神经网络-模糊模型来说，在训练阶段和测试阶段所得到的绝对误差分别等于0.7和0.9（即绝对误差分别为3.5%和4.5%），而使用神经网络模型得到的绝对误差则分别为0.92和0.9（即绝对误差分别为4.6%和4.5%）。众所周知，神经网络用于在线工作时具有诸多的局限性，本文则通过结合神经网络方法和模糊方法来克服这些局限性。比较结果显示，对于线性化的输入输出变量的模糊规则来说，神经网络-模糊预测模型能够在更短的时间内获得更加精确的结果。模糊规则的线性化是降低收敛时间的一个关键因素，特别是当模型用于周期性的训练中时。
刊名：Applied Energy（英）
刊期：2014年第1期
作者：F.Mariani et al
编译：陈鹏飞
