【作者】

孙希雷; 刘琦; 谢茗柯; 刘敬平

【单位】

湖南大学

【摘要】

为了改进阿特金森循环发动机（ACE）的综合性能，结合发动机台架试验以及数据驱动对ACE的热力学、燃烧和排放性能进行了分析。首先进行了发动机台架试验，测试了不同工况下的发动机比油耗（BSFC）、氮氧化物（NOx）等参数。其次基于机器学习和深度学习建立了ACE的数据驱动模型，对比分析了K近邻（KNN）、随机森林（RF）和人工神经网络（ANN）三种不同算法在预测ACE性能上的差异。结果表明，单学习器模型KNN的性能与集成模型RF和ANN之间存在较大差距，RF和ANN在测试集上的平均MSE相对KNN分别降低了92.24%和88.01%；RF和ANN在预测不同参数时性能各有强弱，RF在测试集上预测BSFC和燃烧开始点（SOC）的MSE相对ANN分别降低了59.99%和3.28%，而预测NOx的MSE增加了70.24%。ACE的数据驱动模型预测结果与试验数据有较高吻合度，为ACE的进一步优化奠定了基础。

【关键词】

阿特金森循环发动机;数据驱动;机器学习;性能分析

【论文集名称】

测试技术与控制

【会议名称】

内燃机“高效、低碳、清洁燃烧”国际学术研讨会

【会议时间】

2022-8-11至2022-8-14

【会议地点】

昆明

【下载次数】

0

返回