典型文献
基于机器学习的柴油机性能预测
文献摘要：
随着愈发严峻的能源形势和日趋严格的排放法规,柴油机的经济和排放性能研究已成为近年来国内外的重要课题.目前柴油机性能研究主要基于各种试验和仿真方法,但各种新技术的开发应用不断提高柴油机系统的非线性复杂程度,试验和仿真方法越来越难以满足研究需求,同时研究成本也大幅攀升.因此,基于实际台架试验数据,利用机器学习方法对柴油机的有效燃油消耗率和NOx排放进行预测研究,对支持向量回归、决策树、随机森林及反向传播神经网络算法进行测试,确定合适的算法参数,建立了四种不同的预测模型,并通过对比筛选出预测效果较好的反向传播神经网络模型,利用遗传算法对其进一步改进得到遗传算法-反向传播神经网络模型.预测结果表明,遗传算法-反向传播神经网络模型对柴油机有效燃油消耗率和NOx的预测误差分别为1.78％,1.86％,较反向传播神经网络模型预测效果提升了15％左右,具有较好的预测精度和泛化能力.
文献关键词：
柴油机性能;有效燃油消耗率;NOx;机器学习;预测模型;反向传播神经网络;遗传算法-反向传播神经网络
中图分类号：
作者姓名：
王威;吴春玲;韩松;许博雅
作者机构：
中汽研汽车检验中心(天津)有限公司,天津 300300
文献出处：
引用格式：
[1]王威;吴春玲;韩松;许博雅-.基于机器学习的柴油机性能预测)[J].汽车实用技术,2022(19):123-129
A类：
B类：
基于机器学习,柴油机性能,性能预测,排放法规,排放性能,仿真方法,开发应用,机系统,非线性复杂,复杂程度,研究需求,台架试验,机器学习方法,有效燃油消耗率,NOx,放进,预测研究,支持向量回归,决策树,神经网络算法,算法参数,反向传播神经网络模型,进得,预测误差,效果提升,泛化能力
AB值：
0.210743
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。
