煤层气发动机稳态空燃比前馈控制脉谱生成

基于煤层气发动机进气系统的物理特性,采用平均值、多项式和模糊神经网络建模方法,建立了用于稳态空燃比前馈控制的递阶模型,并通过该模型生成了三维初始控制脉谱图.借助于辨识的过量空气系数自适应神经网络模糊推理系统(ANFIS)模型,进行了静态空燃比前馈控制仿真.利用前馈控制模型生成的数据,检验了实际控制效果.结果表明,前馈控制模型具有良好的预测能力,模型最大和平均预测误差分别小于8%和5%.     

配气正时对汽油机性能影响的研究

为了改善车用发动机的性能指标,以内燃机仿真软件BOOST为平台,建立了四缸汽油机的工作过程仿真模型,并通过模拟计算研究了进气正时对汽油机充量系数、扭矩和燃油消耗率的影响.研究结果表明,在发动机转速较低时,发动机的充量系数和扭矩随着进气正时的提前有不同程度的提高;而在发动机转速较高时,发动机的充量系数和扭矩会随着进气正时的推迟有不同程度的提高.计算结果为汽油机的改进和优化提供了依据.     

车用柴油机复合增压系统的模拟计算及验证

应用一维波动模型对一台车用６缸直喷式柴油机采用脉冲谐振废气涡轮复合增压系统进行了模拟计算,模型预测的进气压力波与实测压力波十分吻合,分析了谐振系统结构参数对进气压力波及充量系数的影响,发现对于一定的发动机转速,充量系数达到最大时所对应的谐振管长度比压力波幅值达到最大时对应的长度小０．１５￣０．２５ｍ。参数优化的谐振进气系统的最大充量系数比不用谐振时提高６％左右。     

煤层气发动机的空燃比控制策略研究

为了改善煤层气发动机的动力性、经济性和排放性,必须提高发动机空燃比的控制精度.针对煤层气的特性,提出了一种基于CMAC神经网络和PID复合控制的空燃比控制方法,并对其算法进行了详细的阐述.将该方法用于煤层气发动机的空燃比控制中,利用CMAC神经网络的自学习功能以及实时性好、鲁棒性强的特点,对空燃比进行实时的在线控制,并通过Simulink仿真分析,取得了比较理想的控制效果.     

用废气成分测量柴油机充量系数方法的研究

充量系数是表征换气过程进行完善程度的一个极为重要的参数,是衡量发动机性能的重要指标。本文利用五气分析仪进行排放测量得到的过量空气系数值计算进气量,并与碳平衡法计算比较对结果进行修正,给出了一种柴油机充量系数的测量和计算方法。对影响测量精度的因素进行了分析,并用本文所提出的充量系数测量方法对一单缸柴油机的气缸盖改进进行了分析,结果表明这种方法能满足工程应用要求,使用方便,可作为柴油机性能研究的一种工具。     

基于神经网络灰色模型的农田土壤湿度预测研究

为了提高农田土壤湿度预测的效果,采用神经网络灰色模型。首先灰色模型对农田土壤湿度数据建模,神经网络对误差进行校正;然后神经网络灰色模型考虑湿度数据之间的关联度,只对关联度值较大的单个预测模型进行组合预测;最后给出了算法流程。实验结果表明,随着农田土壤深度的增加,湿度数据预测值的相对误差以及波动性都在增加;多模型对比实验显示:对垂直深度70 cm和80 cm的土壤湿度预测值接近真实值,剩余预测偏差指标最小值为2.69、平均值为2.75,模型判定系数为0.98,结果优于其他预测模型指标。     

基于神经网络模型的共轨柴油机标定研究

为了提高标定效率、节约标定成本,将基于神经网络模型的标定优化方法应用于一款高压共轨柴油机的经济性优化过程中,采用MBC工具箱中的空间填充法进行试验设计。基于试验设计结果进行发动机台架实验,并通过实验数据建立准确的发动机性能响应的神经网络模型,在此基础上进行优化获得了优化参数。试验结果表明:基于神经网络模型的标定优化扩大了燃油经济性区域,改善了原机的燃油经济性。     

基于信息融合的温室CO2调控量决策方

提出一种以利润最大化为目标的温室CO2调控量决策方法。以生菜为研究对象,运用神经网络建立非线性的植物生长速率预测模型,采用多项式函数拟合得到植物市场价格规律模型,并考虑CO2施肥的成本,寻求最优CO2体积比的调控量。以生菜生长过程中的实验数据和2004～2006年凌家塘批发市场提供的生菜价格季节性变化规律为依据,结合实际情况建立预测模型并实现了多信息的融合,为温室测控系统CO2调控量的决策提供了依据。     

基于信息融合的温室CO_2调控量决策方法

提出一种以利润最大化为目标的温室CO2调控量决策方法.以生菜为研究对象,运用神经网络建立非线性的植物生长速率预测模型,采用多项式函数拟合得到植物市场价格规律模型,并考虑CO2施肥的成本,寻求最优CO2体积比的调控量.以生菜生长过程中的实验数据和2004～2006年凌家塘批发市场提供的生菜价格季节性变化规律为依据,结合实际情况建立预测模型并实现了多信息的融合,为温室测控系统CO2调控量的决策提供了依据.     

土壤大孔隙对坡面溶质流失的影响

以室内实验槽为平台,利用人工模拟降雨实验,研究了大孔隙对坡面Br-流失的影响.研究结果表明,大孔隙坡面的地面径流中Br-流失总量和平均流失速率均较无大孔隙坡面小.将大孔隙特征尺度、降雨强度、降雨历时、坡度和离子吸附系数作为模型的输入,坡面溶质累积流失量作为模型输出,建立了基于模糊神经网络的坡面溶质流失模型.并以160组实测数据为基础,对模型进行了仿真验证.仿真结果显示,坡面累积溶质流失量模拟仿真输出与实验测量输出基本一致,所建系统模型是有效的.     

495G型汽油机进排气歧管的设计

利用进排气系统的波动效应理论,对495G型汽油机的进排气歧管进行了设计计算,所设计的进排气系统消除了各缸之间的进气干涉、排气干扰,有利于提高充气效率。发动机台架试验结果表明：采用改进后的进排气歧管,495G型汽油机的动力性与经济性均有较大的改善。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

双流耦合构型混合动力拖拉机旋耕工况控制策略研究

大功率拖拉机作业时载荷冲击会造成发动机的输出转矩大范围波动,为减小载荷冲击对拖拉机动力单元的影响,提出以发动机和双电机为动力源的拖拉机双流耦合动力系统构型,以减小载荷冲击引起的动力传动系统换挡频次。基于Haar小波分解提出了基于功率预测的转矩分配策略,首先记录拖拉机的作业参数,基于径向基神经网络对拖拉机旋耕作业时的功率需求进行预测,由Haar小波变换确定高频和低频转矩需求值的范围,并分别由电机和发动机提供。最后,通过硬件在环试验对提出的动态转矩分配进行了可行性验证,测试结果表明：提出的基于神经网络功率需求预测模型对行驶端和动力输出端 (Power take-off,PTO)的功率进行预测,实际值和预测值均方根误差分别占最大功率的7.6%和7.9%;提出的转矩分配策略能够应对拖拉机旋耕时的载荷波动。发动机转矩波动与传统构型相比减小35.0%,有效地缩小了发动机转矩波动范围,缓解了拖拉机作业时载荷冲击对发动机的影响。     

煤层气发动机工作特性的试验研究

为了解涡流室式煤层气发动机的工作特性和排放规律,在不同负荷下,进行了燃用三种不同甲烷浓度的煤层气试验。试验结果显示:涡流室式燃烧系统能稳定燃烧甲烷浓度变化剧烈的煤层气;相同工况下,发动机的缸内峰值压力随甲烷浓度的降低而增加,但压力升高率的变化很小;甲烷浓度达到一定值时,甲烷浓度和负荷对主燃期的影响很小;煤层气发动机的CO和HC排放随甲烷浓度和负荷的增加而降低,NOx排放则相反。     

基于神经网络的柴油机韦博参数预测研究

韦博公式作为柴油机零维燃烧模型中较通用的放热率计算半经验公式,被广泛应用于柴油机工作过程的仿真中,其模拟的准确性主要依赖于公式中参数的选取,但常规选取方式存在一定的盲目性且普适性较差。针对这一问题,以上柴D4114B型发电用柴油机为例,提出了一种基于神经网络的柴油机韦博公式参数的预测方法,通过实验所测缸压曲线反推燃烧放热率、放热率曲线的数值拟合和神经网络的训练建立可用于韦博公式参数预测的神经网络模型,通过预测精度评价、预测结果与实验数据的对比,验证了这种预测方式的准确性。最后,基于该方法建立了柴油机的动态仿真模型,通过部分参数实验值与仿真值的比较,证明该方法在柴油机动态仿真中的可行性。     

基于神经网络的多功能收割机发动机性能仿真及优化

随着全球经济和工业的快速发展,能源危机和环境保护问题越来越突出,传统内燃式发动机受到了巨大冲击,因此研究高效、节能的发动机显得尤为重要。为此,研究一种压缩比为10.6多功能收割机,并设计了基于MatLab仿真平台的GT-Power神经网络模型,利用神经网络训练和测试的数据自动进行仿真和储存,采用拉丁超立方采样算法设计试验,简化运算过程提高寻优效率。实验结果表明:神经网络模型转矩、比油耗和温度等参数模型预测误差很小、精度很高,可用于多功能收割机发动机的性能预测,使其各项指标参数最优化。     

蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试

蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对,结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R²）分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。