柴油机氮氧化物排放预测研究

北京，2009年10月 A P C联合学术年会论文集 241

柴油机氮氧化物排放预测研究

邓成林1,2,杨福源1,资新运2,欧阳明高1

（1.清华大学 汽车安全与节能国家重点实验室，北京 100084；

2.军事交通学院 汽车工程系， 天津 300161）

摘要：采用误差反向传播（Error Back Propagation, BP）神经网络预测柴油机氮氧化物（NOx）排放浓度，选取柴油机转速和排气温度作为网络输入量，将试验数据分为训练数据和测试数据，得到预测模型最佳网络结构为8-17-1。对BP网络预测模型进行试验，预测绝对误差为7.9%，优于绝对误差为27.0%的回归分析预测模型。考虑选择性催化还原（Selective Catalytic Reduction, SCR）催化器对还原剂的存贮能力，该模型预测误差可降低到3%以下。将BP神经网络预测模型应用于嵌入式系统中，采用A Tmega128单片机，运算时间为25ms，能够满足SCR还原剂喷射实时控制要求。

关键词：BP神经网络；选择性催化还原；排放预测；氮氧化物

Prediction of NOx Emissions from Diesel Engine

DENG Cheng-lin1,2 YANG Fu-yuan1 ZI Xin-yun2 OUYANG Ming-gao1

(1. State Key Laboratory of Automotive Safety and Energy; Tsinghua University, Beijing 100084, China;

2. Department of Automobile Engineering, Institute of Military Transportation, Tianjin 300161,China) Abstract: The application of a BP neural network is proposed for prediction of NOx emission of a diesel engine. The engine rotate speed and the exhaust temperature were selected as the network input. The experimental data was split into two part, one for the network training and the other for prediction ability testing. The best network architecture is 8-17-1. The absolute prediction error of BP neural network is 7.9%, which is much batter than the regression analysis prediction 27.%. When considering the buffering of SCR catalyst, the error will be below 3%. The BP neural network prediction algorithm was used in the embedded system, using ATmea128, the computing time is 25ms, which can satisfy the control of reductant dosing.

Key Words: BP Neural Network, SCR, Emission Prediction, NOx

引言

我国自2007年7月1日起实施机动车国Ⅲ排放标准，北京市自2008年3月1日起实施国Ⅳ排放标准。有研究表明，依靠机内净化技术仅能满足国Ⅲ排放法规要求，且许多机内净化措施牺牲了发动机的动力性及燃油经济性[1]。因此柴油车达到国Ⅳ排放标准需要采取柴油机后处理技术。

通过优化喷射系统降低PM排放，然后应用SCR技术降低NOx排放是实现柴油机国Ⅳ排放标准的有效方法之一。还原剂精确喷射控制技术是SCR技术应用重点研究内容，喷射量决定因素有NOx排放量、SCR催化器反应特性和排气条件等。

在车载条件下NOx排放量的测量需要使用车用NOx传感器，目前该传感器只有国外两家公司生产，且价格高昂。因此论文提出基于BP神经网络的方法，根据柴油机机状态参数来预测NOx排放量，从而在控制器上实现了柴油机NOx的软测量。

1B P神经网络

在工业控制过程中，由于缺乏稳定、可靠、经济的在线测量设备，反馈量如NOx浓度等通常难以直接得到。有学者提出软测量技术，其基本思想是：选择一组与目标变量（又称主导变量或一次变量）

基金项目：国家863资助项目（2006AA060304）

作者简介：邓成林（1979-），男，讲师，博士研究生，主要研究方向为柴油机排放控制技术，E-mail:dcl07@。

北京，2009年10月 邓成林等：柴油机氮氧化物排放预测研究 242

密切相关，并且可在线测量的二次变量（又称辅助变量）；通过某种数学关系构造出二次变量对于一次变量的数学关系模型；利用二次变量实时测量值，实现估计或预测难以测量的一次变量值[2]。

BP神经网络是常用的软测量方法之一。BP神经网络是基于误差反向传播算法的多层前馈神经网络，每个神经元只前馈到其下一层所有神经元，没有层内连接、各层连接和反馈连接。神经元采用非线性可微的Sigmoid型变换函数，具有高度非线性映射能力，是目前应用最广泛的神经网络。典型的BP神经网络为3层前馈网络，其结构如图1所示。其中IW为输入层与隐层神经元之间连接权值矩阵，LW为隐层与输出层神经元之间连接权值矩阵，bL 为隐层阈值向量，bO为输出层阈值向量。各神经元之间的连接权值和阈值，通过网络训练调整，来反映输入与输出间的非线性映射关系。网络按有教师示教的方式进行训练，当一对学习样本提供给网络后，神经元激活值从输入层经隐层向输出层传播，在输出层各神经元获得网络的输入响应。这以后，按减小期望输出与实际输出之间误差的方向，从输出层经隐层修正各连接权值和阈值，最后回到输入层。

隐层

图1B P神经网络结构图

网络训练结束后，保存神经元之间的连接权值和阈值，他们反映了输入与输出之间的内在联系，利用这些权值和阈值可以对未知输入样本预测输出。

2B P神经网络预测模型构建

2.1网络输入层设计

BP神经网络输入层节点数等于网络输入量个数，所以网络输入层设计主要选择合适的网络输入量。选取输入量要能影响或反映输出量变化，输入量和输出量之间要有较高相关性，对应用于实时控制的预测系统，还要求选取输入量具有可测量性。影响和反映NOx排放浓度主要因素有：

1. 柴油机转速

柴油机NOx形成需要三个条件：燃烧室内有过剩氧气、燃烧过程高温和高温持续时间[3]。柴油机转速能同时影响燃烧过程的高温和高温持续时间。在喷油提前角一定时，转速越高，实际的喷油提前时间越短，参与混合燃烧燃油量变少，初期放热量和放热率峰值降低，从而降低最高燃烧温度，同时燃烧室内高温持续时间缩短，以及随转速升高充量系数降低，从而导致NOx排放浓度降低[4]。

2. 柴油机排气温度

NOx生成环境为燃烧室内高温富氧，柴油机排气温度能够反映燃烧室内燃烧情况。在进行HC-SCR研究过程中，对CYQD32T型柴油机在部分稳态工况下NOx排放特性作了初步研究。研究结果表明NOx排放浓度与柴油机排气出口温度有着较好的线性关系[5]。

对装有CYQD32T型柴油机的某轻型客车在整车试验台上进行瞬态排放测试试验。试验按照GB1835.3-2005《轻型汽车污染物排放限值及测量方法（中国Ⅲ、Ⅳ阶段）》进行，测试循环为Ⅰ试验用循环，包括市区运转循环和市郊运转循环两部分。试验过程中采集柴油机转速、柴油机排气温度和NOx排放浓度，采集频率为1Hz。柴油机转速、排气温度和NOx浓度之间相关性如表1所示。

表1转速、排温和N O x浓度相关性

转速 排温 N O x浓度 转速 1.000

排温 0.4191.000

N O x浓度 0.6430.6661.000

在柴油机工作过程中，NOx形成相对柴油机工作状态具有时滞性，NOx排放浓度与之前一段时间工作状态也具有较高相关性。图2所示为NOx浓度与柴油机转速相关系数随滞后时间的变化，图3所示NOx浓度与柴油机排温相关系数随滞后时间的变化。