基于BP神经网络的船舶柴油机氮氧化物排放预测

发布时间：2017-04-01 20:18

  本文关键词：基于BP神经网络的船舶柴油机氮氧化物排放预测，由笔耕文化传播整理发布。

【摘要】：船舶柴油机作为船舶动力装置,对航运经济有非常重要的支持作用,但是,由其产生的排放污染不容忽视,而且越来越为严重。为了控制船舶柴油机的排放污染,国际海事组织《修订73/78防污公约的1997年议定书73/78防污公约1997年缔约国大会决议》已经于2005年5月19日正式生效,开始其在船舶柴油机排放方面的控制作用,本文正是基于此文件开展了船舶柴油机NOx排放的相关研究。 首先,本文阐述了船舶柴油机NOx的生成机理以及国际控制法规,并介绍了当前船舶柴油机NOx排放测试的具体步骤、注意事项和计算方法。 然后,简要介绍了人工智能和BP神经网络的基础知识,并利用BP神经网络的高度非线性拟和功能,将其引入到船舶柴油机NOx排放测试工作中。针对BP神经网络的自身特性,进行了试验设计、实际试验、测取数据等一系列现场试验工作,在设计试验过程中,又引入了正交设计法,使试验测取的数据更具有科学性。在此基础上,在MATLAB环境中编制程序,利用测取的训练网络用数据建立了相应的BP神经网络,再利用测取的网络测试用数据对建立的BP神经网络进行了船舶柴油机NOx排放预测和该网络的泛化能力的分析。 最后,针对本次试验和BP神经网络的具体情况,对进一步提高神经网络模拟船舶柴油机NOx排放的有关方法作了讨论。
【关键词】：船舶柴油机 NOx排放 BP神经网络 误差分析
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2006
【分类号】：U664.1
【目录】：

• 第1章 绪论11-17
• 1.1 本文背景11-14
• 1.1.1 船舶柴油机排气的组成11-13
• 1.1.2 船舶柴油机排气的危害13-14
• 1.2 本文研究的主要内容及章节安排14-17
• 1.2.1 研究的主要内容15
• 1.2.2 本文的章节安排15-17
• 第2章 船舶柴油机NOx排放的控制现状及趋势17-25
• 2.1 船舶柴油机NOx的生成机理17-20
• 2.1.1 热氮氧化物(Thermal NOx)的生成机理17-20
• 2.1.2 燃料氮氧化物(Fuel NOx)的生成机理20
• 2.2 船舶柴油机氮氧化物排放控制现状20-24
• 2.2.1 国际社会控制排气污染法规20-22
• 2.2.2 现有测试方法及简化测试方案的提出22-24
• 2.3 本章小结24-25
• 第3章 船舶柴油机NOx排放测试及计算方法25-40
• 3.1 柴油机族、组认证25
• 3.2 测试项目和要求25-28
• 3.2.1 测试项目25-26
• 3.2.2 测试要求26-27
• 3.2.3 主要测量设备及要求27-28
• 3.3 测试仪器的校准、分析28-34
• 3.3.1 试验台架上主要测量设备的精确要求28
• 3.3.2 排放分析仪器要求28-34
• 3.3.2.1 分析仪器所需工作气体和标准气体29
• 3.3.2.2 分析仪器的校准29-31
• 3.3.2.3 现场安装检验31-32
• 3.3.2.4 测试过程的控制32
• 3.3.2.5 试验台上的工况及加权系数32-34
• 3.4 船舶柴油机NOx排放的计算分析34-39
• 3.4.1 概述34-35
• 3.4.2 废气质量流量计算方法35-39
• 3.4.2.1 碳平衡法35-36
• 3.4.2.2 通用法或称为碳／氧平衡法36-37
• 3.4.2.3 排气中各组分质量流量的计算37-38
• 3.4.2.4 排放量计算38
• 3.4.2.5 排气质量流量的修正38-39
• 3.5 本章小结39-40
• 第4章 BP神经网络40-54
• 4.1 人工神经网络(ANN)基础知识40-45
• 4.1.1 概述40
• 4.1.2 神经网络的生物学基础40-41
• 4.1.3 人工神经元模型41-44
• 4.1.4 神经网络学习44-45
• 4.2 误差反向传播(BP)网络45-53
• 4.2.1 BP网络概述45
• 4.2.2 基本BP模型的结构45-47
• 4.2.3 标准BP模型的学习过程及实例47-53
• 4.2.3.1 学习过程47-51
• 4.2.3.2 学习实例51-53
• 4.3 本章小结53-54
• 第5章 船舶柴油机NOx排放的BP神经网络预测54-80
• 5.1 当前柴油机NOx排放研究方法54-55
• 5.2 船舶柴油机NOx排放的BP神经网络预测55-78
• 5.2.1 BP神经网络输入、输出层神经元数的确定55-56
• 5.2.2 BP神经网络学习样本的选取56-63
• 5.2.2.1 学习样本选取的原则和注意事项56-57
• 5.2.2.2 船舶柴油机NOx排放性能对学习样本的要求57
• 5.2.2.3 均匀设计法原理57-59
• 5.2.2.4 柴油机变边界均匀试验设计59-61
• 5.2.2.5 本研究中的试验装置及试验设计方案61-63
• 5.2.3 BP神经网络隐层数目的确定63-64
• 5.2.4 BP神经网络隐层神经元数的确定64-66
• 5.2.5 BP神经网络学习样本数据的预处理66-67
• 5.2.6 BP神经网络初始权值选取67-68
• 5.2.7 BP神经网络训练次数的确定68-69
• 5.2.8 BP神经网络的确定69-70
• 5.2.9 BP神经网络的训练70-72
• 5.2.10 BP神经网络学习能力的分析72-73
• 5.2.11 BP神经网络的预测73-74
• 5.2.12 BP神经网络预测(泛化)能力的分析74-78
• 5.3 本章小结78-80
• 第6章 结论和展望80-82
• 攻读硕士学位期间公开发表论文82-83
• 致谢83-84
• 参考文献84-88
• 研究生履历88

【引证文献】

中国期刊全文数据库 前1条

1 赵秋亮;刘国平;;船舶柴油机供油提前角云控制模型研究[J];计算机仿真;2009年06期

中国博士学位论文全文数据库 前1条

1 孟琪;地下商业街的声景研究与预测[D];哈尔滨工业大学;2010年

中国硕士学位论文全文数据库 前7条

1 周梦华;柴油机磨合过程中油液光谱数据算法研究[D];大连海事大学;2011年

2 王兴福;采用VB实现船舶柴油机拐档差数据处理系统的研制[D];集美大学;2008年

3 白利波;基于BP神经网络的船用柴油机NO_x排放特性预测[D];大连海事大学;2010年

4 郑晓兰;应用BP神经网络预测原油含水率的研究[D];大庆石油学院;2010年

5 任伟宏;基于人工神经网络的水果价格短期预测研究[D];中国农业科学院;2012年

6 杜文婷;基于改进BP神经网络的电渗析脱盐率预测[D];东北石油大学;2012年

7 钱耀宇;基于AIS信息的港区船舶排污在线监测系统研究[D];集美大学;2012年

  本文关键词：基于BP神经网络的船舶柴油机氮氧化物排放预测，由笔耕文化传播整理发布。

，

本文编号：281235