基于多信号融合与贝叶斯优化的柴油机动态性能与排放智能预测

《Fuel Processing Technology》：Intelligent prediction of diesel engine dynamic performance and emissions via multi-signal fusion and Bayesian optimization

　　

在向低碳、高效、智能交通系统转型的背景下，内燃机（ICE）凭借其高功率密度、成熟的工业基础和多样化的燃料适应性，在重型运输和非道路机械等高功率密度应用领域仍发挥着关键作用。然而，柴油机在实际运行过程中，转速、负荷、喷油参数及废气再循环（EGR）率的持续变化导致其性能与排放响应呈现高度非线性、强耦合和瞬态特征，因此，准确、快速地预测动态工况下的发动机行为对于先进标定、在线监测和智能控制至关重要。传统基于物理的建模方法虽能描述发动机工作过程，但在复杂瞬态条件下的实际部署常受制于参数标定工作量大和计算成本高；相比之下，数据驱动方法能够直接从运行条件与目标响应之间捕获非线性关系，正从人工神经网络（ANN）、支持向量机（SVM）等传统静态模型，逐步发展为能够刻画动态发动机行为的智能建模框架。

针对现有研究多聚焦于单一排放指标、缺乏对不同特征选择机制以及线性/非线性特征融合方法在统一动态数据集和预测框架下的系统性比较、以及较少综合优化网络适应性、模型紧凑性和随机传感器扰动下的预测鲁棒性等局限，研究人员以一台四缸涡轮增压中冷柴油机为研究平台，在FTP-75瞬态驾驶循环下开发了一套集关键变量识别、多源特征融合、多输出预测、贝叶斯优化及鲁棒性评估于一体的智能预测框架。首先建立了经数值独立性和物理一致性验证的发动机仿真模型，确保动态数据集的可靠性；随后分别采用皮尔逊相关系数（PCC）、回归随机森林（RRF）和递归特征消除（RFE）从不同视角筛选关键输入变量，并比较了主成分分析（PCA）、一维卷积神经网络（1D-CNN）和自编码器（AE）在多源特征融合与降维方面的表现；在此基础上，构建了多输出神经网络，以同时预测制动热效率、扭矩、功率及NOx、CO和HC排放，并通过贝叶斯优化自适应确定最优网络架构与训练参数；最后通过多随机种子实验和不同强度的随机噪声扰动测试系统评估了模型的稳定性与抗扰能力。结果表明，RFE在统一预测框架内获得了更优的紧凑特征子集；AE相比PCA和1D-CNN能更好地保留非线性耦合信息；贝叶斯优化使测试均方根误差平均降低10.22%，且模型在10%随机噪声下仍保持平均R2为0.9652，验证了该框架在瞬态条件下同时预测柴油机性能与多排放参数的准确性、稳定性和鲁棒性，为复杂运行工况下的发动机性能评估、排放预测与智能控制提供了高效且实用的解决方案。

**论文解读：基于多信号融合与贝叶斯优化的柴油机动态性能与排放智能预测**

**1. 研究背景与问题提出**

在全球交通运输系统向低碳化、高效化和智能化转型的背景下，内燃机（ICE）凭借其高功率密度、成熟的工业基础设施和多种燃料适应性，在重型运输和非道路机械等高功率密度应用领域仍扮演着关键角色。然而，柴油机在实际运行中，其转速、负荷、燃油喷射参数及废气再循环（EGR）率持续动态变化，导致其性能与排放响应表现出高度的非线性、耦合性和瞬态特征。因此，如何准确、快速地预测动态工况下的发动机行为，成为先进标定、在线监测和智能控制的核心需求。传统的基于物理的模型（如GT-POWER）虽能通过热力学原理、燃烧机理和污染物生成动力学描述发动机过程，但在复杂瞬态条件下通常面临参数标定工作量大和计算成本高昂的制约。相比之下，数据驱动方法能够直接从运行条件与目标响应之间捕获非线性关系，已成为发动机智能建模的重要发展方向。然而，现有研究仍存在三方面不足：其一，多数研究仅关注单一排放物（如NOx）或针对有限输出变量开发独立预测模型，缺乏能够在动态条件下同时捕获发动机性能与多种排放特性的统一多输出框架；其二，特征选择、PCA降维和深度表示学习等研究通常采用单一处理策略，缺少在统一动态数据集和预测框架下对不同特征选择机制及线性/非线性特征融合方法的系统性比较；其三，现有模型评估多侧重预测精度和跨工况泛化能力，而对网络适应性、模型紧凑性以及随机传感器信号扰动下的预测鲁棒性的综合优化关注有限。因此，开发一个集关键变量识别、多源特征融合、多输出预测、智能优化与鲁棒性评估于一体的集成化动态预测框架，对于先进的发动机性能与排放建模具有重要意义。该研究论文发表在《Fuel Processing Technology》。

**2. 研究内容与关键技术方法**

为应对上述挑战，研究人员依托GT-POWER仿真平台，以一台四缸涡轮增压中冷柴油机为研究对象，在FTP-75瞬态驾驶循环下建立了经验证的全发动机仿真模型，并通过数值独立性和物理一致性验证确保了动态数据集的可靠性。研究中采用的主要关键技术方法包括：（1）基于皮尔逊相关系数（PCC）、回归随机森林（RRF）和递归特征消除（RFE）三种互补的特征评估方法，从线性相关、非线性交互贡献和最优特征子集选择等角度进行输入变量筛选；（2）采用主成分分析（PCA）、一维卷积神经网络（1D-CNN）和自编码器（AE）三种方法进行多源特征融合与降维，将原始八维特征压缩至四维；（3）构建多输出全连接前馈神经网络（FCNN），同时预测制动热效率、扭矩、功率以及NOx、CO、HC六项指标；（4）应用基于Tree-structured Parzen Estimator（TPE）的贝叶斯优化方法自适应搜索最优网络架构和训练超参数。研究数据集全部来源于经严格验证的GT-POWER仿真模拟，而非发动机台架试验或实车路采数据。

**3. 研究结果与结论**

**3.1 特征选择方法的性能比较**

研究首先通过PCC、RRF和RFE三种方法对十个候选特征进行重要性评估，结果发现三种方法识别出的关键变量存在差异：PCC排除了发动机转速（ES）和EGR率，RRF识别出进气温度（IT）和进气压力（IP）贡献有限，而RFE最终剔除了排气温度（ET）和最大喷油压力（MIP），保留了八个特征。在统一的多层前馈神经网络框架下比较三种特征子集的预测性能，结果显示，基于RFE选择特征的模型综合表现最佳，相比PCC特征子集，平均测试均方根误差（RMSE）降低了7.42%，且标准偏差更低，表明基于模型性能反馈的迭代特征优化机制能更有效地识别对预测精度有实质贡献的变量组合。

**3.2 特征融合与降维方法的性能比较**

在特征融合与降维方面，研究将RFE选出的八维特征分别通过PCA、1D-CNN和AE三种方法压缩至四维，并在相同预测框架下进行性能比较。结果表明，非线性融合方法的整体预测性能优于线性降维方法：基于1D-CNN的表示相比PCA使平均测试误差降低了6.30%，而基于AE的潜在特征进一步将平均预测误差降低了9.75%。这说明瞬态发动机工况下多源信号间存在显著的非线性耦合，而AE通过编码器-解码器重构约束能够学习更具代表性的低维特征空间。进一步对比降维前后模型性能发现，输入维度从八维压缩至四维后，整体RMSE平均增加9.75%，但平均R2仅下降0.14%，其中NOx、CO和HC的RMSE增幅（12.04%、21.28%和16.95%）明显高于性能类变量（BE、BT、BP的增幅均不超过5.43%），表明排放响应对特征压缩更为敏感。因此，AE降维是实现输入复杂度与预测精度间平衡的有效手段。

**3.3 贝叶斯优化及模型性能提升**

基于AE降维得到的四维融合特征，研究人员构建了多输出回归神经网络，并采用贝叶斯优化方法对隐藏层数、神经元数量、激活函数类型、权重初始化策略和最大训练轮次等超参数进行自适应寻优。优化过程中以验证集上MAE与MSE的加权组合损失为目标函数，通过敏感性分析确定了最优权重系数α=0.01，并在第89次迭代时收敛到最优超参数配置。与优化前采用经验参数的模型相比，贝叶斯优化后的模型在测试集上实现了平均RMSE降低10.22%和平均R2提升0.34%，同时各输出变量的标准偏差也普遍下降，表明该方法不仅能提升预测精度，还增强了模型训练的稳定性和泛化能力。

**3.4 模型稳定性验证**

为评估模型对输入扰动的鲁棒性，研究人员向测试集输入引入了不同强度（1%、3%、5%、10%）的零均值高斯噪声。结果显示，随着噪声强度增加，六个输出变量的RMSE整体呈上升趋势，R2逐渐下降，但在低噪声范围内模型保持较为稳定的性能。即使在10%噪声水平下，模型在测试集上的平均R2仍保持在0.9652，验证了所提出的预测框架在随机传感器信号扰动下具有较强的稳定性和抗扰能力。

**4. 讨论与结论总结**

讨论部分指出，特征选择结果的差异性表明发动机性能与排放并非由单一参数独立决定，而是由转速、进气状态、喷油参数、EGR和燃烧状态等多因素耦合作用的结果；AE在特征融合中的优势证实了瞬态工况下多源信号间存在显著非线性耦合，但特征压缩并非完全无损，排放相关变量对信息丢失更为敏感；贝叶斯优化能有效降低经验调参的不确定性。针对工程评估，研究人员强调多输出预测模型的评估不应仅依赖理想输入条件下的精度指标，而应综合考虑特征压缩成本、训练随机性和输入扰动敏感性。

**5. 研究结论**

该研究建立了FTP-75复杂瞬态工况下柴油机性能与排放的智能预测框架，主要结论如下：（1）开发了动态发动机仿真数据平台，并通过空间离散无关性、时间步长无关性以及包含制动热效率和功率在内的热力学一致性验证，证实了生成数据集的可靠性，为后续数据驱动建模奠定了坚实基础。（2）PCC、RRF和RFE三种特征选择策略的贡献评估结果存在显著差异，其中RFE在统一预测框架内获得了更有效的特征子集，表明预测性能驱动的特征优化更适合刻画发动机系统中复杂的多变量动态映射关系。（3）在PCA、1D-CNN和AE三种降维方法中，基于AE的特征表示展现出更优的综合特征提取能力，将八维输入压缩为四维潜在表示后输入复杂度降低50%，测试集上平均RMSE增加9.75%而平均R2仅下降0.14%。其中NOx、CO和HC的RMSE增幅分别达12.04%、21.28%和16.95%，表明排放响应比性能参数对特征压缩更为敏感。（4）经贝叶斯优化的多输出前馈神经网络相比未优化模型，测试RMSE平均降低10.22%，R2平均提升0.34%；在10%随机输入噪声条件下，模型平均R2仍保持0.9652，证明该框架兼具高预测精度、强训练可重复性和良好的输入扰动鲁棒性，为复杂工况下发动机性能评估、排放预测和智能控制提供了高效实用的工程解决方案。