基于机器学习的柴油机双模式清洁高效运行与颗粒捕集器智能优化策略

为解决柴油机排放控制与颗粒捕集器（DPF）再生效率的协同优化难题，研究人员提出了一种融合极限学习机（ELM）、反向传播神经网络（BPNN）与改进樽海鞘算法（MSSA）的智能优化方法。通过多模型融合与PESA-II多目标优化，实现了稳态工况下NOx 降低6.4%、再生模式下DPF入口温度安全提升至560°C，为柴油机清洁高效运行提供了创新解决方案。

　　

在全球能源转型与环保法规日益严格的背景下，柴油发动机虽以高热效率著称，但其排放的氮氧化物（NO_x
）和颗粒物（PM）仍是环境与健康的重大威胁。尽管采用替代燃料（如HHO-CNG、甲醇汽油等）可部分降低排放，但传统试错式参数调节方法存在适应性差、效率低等局限。更棘手的是，柴油颗粒捕集器（Diesel Particulate Filter, DPF）在再生模式下需平衡高温再生需求与燃油经济性，现有单模式优化策略难以兼顾双模式（正常/再生）的复杂需求。

安徽理工大学的研究团队在《Process Safety and Environmental Protection》发表研究，提出了一种集成机器学习与智能算法的双模式优化框架。该研究通过实验设计获取柴油机稳态/瞬态及再生工况数据，构建了ELM-BP混合预测模型，并引入多策略樽海鞘算法（MSSA）提升模型精度；结合PESA-II多目标优化算法，实现了排放性能与DPF再生效率的协同优化。

关键技术方法

1. 实验设计：采集柴油机正常/再生双模式下转速、扭矩、喷油参数等控制变量，结合相关性分析筛选关键输入参数。
2. 模型构建：融合ELM（极限学习机）的快速训练优势与BPNN（反向传播神经网络）的局部优化能力，建立MSSA-ELM-BP混合预测模型。
3. 算法优化：采用改进樽海鞘算法（MSSA）调整模型超参数，结合PESA-II（基于帕累托包络的选择算法II）进行多目标优化。

研究结果
Normal mode
稳态工况下，优化后NO_x
排放从886.72 ppm降至829.88 ppm，CO从113.84 ppm降至90.83 ppm，烟度从0.17 FSN降至0.16 FSN；WHTC测试中NO_x
进一步降至392.6 ppm，碳烟质量浓度降至1.03 mg/m3。

Regeneration mode
DPF再生性能显著提升：T4、T5温度及O₂
浓度分别提高6.10%、2.90%和18.86%，T4峰值温度上升36.40%；同时NO_x
、CO、HC、烟度和制动燃油消耗率（BSFC）平均降低10.72%、4.12%、3.24%、11.48%和0.24%。再生安全性验证显示，DPF入口温度可安全升至560°C，峰值压降与残余烟度大幅降低。

Conclusions
该研究通过机器学习模型融合与智能算法优化，首次实现了柴油机双模式运行的全局协同控制。其创新性体现在：

1. 提出MSSA-ELM-BP混合模型，解决了单一模型在双模式预测中的精度不足问题；
2. 通过PESA-II多目标优化，同步提升排放控制与DPF再生效率，NO_x
   减排与燃油经济性改善显著；
3. 为柴油机后处理系统的智能控制提供了可扩展框架，适用于轻型/重型车辆等多场景应用。

Future work
后续研究将拓展至更多发动机类型与替代燃料（如甲醇、氢能），并探索动态工况下的实时优化策略，推动清洁柴油技术向碳中和目标迈进。