典型文献
基于离子电流与LSTM神经网络的汽油机早燃判断
文献摘要：
通过一台1.5 L的废气涡轮增压缸内直喷汽油发动机快速建立积碳工况,从而引发早燃,对比了正常工况和早燃工况的离子电流信号波形特征.并利用Python和TensorFlow建立了基于离子电流信号长短期记忆(LSTM)神经网络的早燃检测模型,以转速为1500r/min、负荷为72％工况下的早燃判断为例,在离线分析中模拟在线采集过程,采用K折交叉验证和粒子群优化算法对超参数进行优化,结果表明:LSTM神经网络模型的判别准确率达到98.50％,同时在CA10前能够准确判别出早燃的概率为76.09％.与前馈(BP)神经网络和支持向量机(SVM)相比,具有更小的均方根误差(RMSE)以及更好的判别提前性,利用受试者工作特征曲线法对3种深度学习分类模型进行对比,LSTM模型曲线下面积更大,是性能更优的分类模型;与传统的阈值判别法相比,准确性更高,是一种兼顾准确性和提前性的判别模型,符合基于离子电流信号判断早燃的根本目标.
文献关键词：
汽油机;早燃;离子电流;长短期记忆;神经网络
中图分类号：
作者姓名：
丁伟奇;王金秋;胡宗杰;李明龙;董光宇;李理光
作者机构：
同济大学汽车学院,上海201804
文献出处：
引用格式：
[1]丁伟奇;王金秋;胡宗杰;李明龙;董光宇;李理光-.基于离子电流与LSTM神经网络的汽油机早燃判断)[J].内燃机学报,2022(02):171-178
A类：
B类：
离子电流,汽油机,早燃,一台,废气涡轮,涡轮增压,增压缸,缸内直喷,汽油发动机,积碳,电流信号,信号波形,波形特征,Python,TensorFlow,长短期记忆,检测模型,1500r,离线,采集过程,交叉验证,粒子群优化算法,超参数,CA10,前馈,RMSE,受试者工作特征曲线,分类模型,判别法,顾准,判别模型,根本目标
AB值：
0.325345
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
