基于粒子群算法的增压柴油机神经网络模型

• 作者: 陈昊天 王玥 曹晶 张继忠 邓康耀 崔毅
• 来源期刊: 车用发动机
• 关键词: 柴油机 神经网络 粒子群算法 数学模型 泛化能力
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 设计计算|Design Calculation
• 页码范围: 1-7
• 页数: 7页
• 分类号: TK421.8
• 语种: 中文
• DOI: 10.3969/j.issn.1001-2222.2021.03.001

摘要

神经网络是建立柴油机性能实时计算模型的有效方法.当前柴油机神经网络模型的研究大多是针对稳态工况开展,为了实现对瞬态性能的合理预测,提出了预测全工况稳态及瞬态性能的通用神经网络模型构建方法.此外,为了解决传统BP神经网络无法保证得到全局最优解、泛化能力较差的问题,采用群体智能算法中的粒子群算法(PSO)进行优化.利用某型涡轮增压柴油机的稳态和瞬态数据作为样本对模型进行训练,并与传统的BP神经网络模型进行对比.研究结果表明,PSO-BP神经网络模型可以有效预测发动机的稳态和瞬态性能,稳态预测最大误差4.54％,瞬态预测最大误差4.93％,与传统BP神经网络模型相比,PSO-BP模型可以有效实现全局寻优,提升泛化能力.