文献类型：期刊文章

作　　者：吐尔逊·买买提[1] 赵梦佳[1] 宁成博[2] 孔庆好[1]

TUERXUN Maimaiti;ZHAO Meng-jia;NING Cheng-bo;KONG Qing-hao(College of Transportation & Logistics Engineering, Xinjiang Agricultural University, Urumqi 830052, China;Xinjiang Academy of Agricultural Sciences Comprehensive Testing Ground, Urumqi 830012, China)

机构地区：[1]新疆农业大学交通与物流工程学院,乌鲁木齐830052 [2]新疆农业科学研究院综合试验场,乌鲁木齐830012

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(51768071)。

年　　份：2021

卷　　号：21

期　　号：36

起止页码：15646-15654

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NO_(x)和PM实测数据作为数据源,建立深度极限学习机(deep extreme learning machine,DELM)的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine,SVM)和反向传播(back propagation,BP)神经网络模型进行对比分析。结果表明:DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NO_(x)、HC、CO和PM排放均方根误差均值分别为5.269×10^(-5)、5.195×10^(-5)、5.135×10^(-5)和2.795×10^(-5)。DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。

关 键 词：柴油机 深度极限学习机(DELM)  不同工况  排放预测  

分 类 号：U467]