基于小样本的GDI涡轮增压发动机性能预测方法比较分析

发布时间：2024-05-19 09:21

　　为了降低建立发动机性能预测模型消耗的实验成本,利用具有强大的非线性问题分析能力的机器学习算法:广义回归神经网络(general regression neural network,GRNN)和支持向量回归(support vector regression,SVR),预测GDI(gasoline direct injection)涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点,然后基于仅包含25个样本的相同训练数据训练模型,使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明,在实验数据有限的情况下,GRNN有收敛到局部最小值的风险,而SVR可以找到最优的全局解,并具有良好的预测精度和泛化能力,因此SVR非常适合应用于GDI涡轮增压发动机性能预测,并将显著降低实验成本。

【文章页数】：10 页

【部分图文】：

图2三维分布图

拉丁超立方取样算法(Latinhypercubesampling,LHS)实验设计方法是最常用的空间填充实验设计算法之一,应用LHS实验设计方法可以用较少的试验点覆盖变量的工作空间,而所需的试验点相比全因子实验设计方法少很多[12]。因此应用LHS实验设计方法在保证不丢失重要....

图3广义回归网络结构图

GRNN由4层神经元构成,分别是输入层、模式层、求和层以及输出层,其结构如图3所示。图中xi(i=1,2,3,…,n)为第i个神经元的学习样本,yj(j=1,2,3,…,k)为输入对应的输出,k为输出的维度。1)输入层的神经元个数与训练样本的输入向量维度相等,数据直接从输入层传....

图4GRNN模型预测结果对比

通过选择合适的宽度系数训练得到GRNN模型,训练模型的预测值与扭矩,油耗和排气温度的目标值如图4所示。从图4可以看出GRNN预测模型对于训练数据和测试数据的预测效果。对于训练数据,扭矩、油耗、排气温度的R2分别为0.9662、0.9842和0.9956;eMSE分别为4.4....

图5SVR模型预测结果对比

表4SVR模型最优惩罚参数和高斯核参数Table4OptimalpenaltyparametersandGausskernelparametersofSVRmodel预测项目Cσ扭矩22.05690.12684油耗35.23740.....

本文编号：3977912