基于相对功率范围的稳定与非稳定柴油发动机运行条件的分类

《Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering》：Classification of steady and unsteady diesel engine operating conditions based on relative power range

　　

摘要

在实际的柴油机运行中，稳态数据和瞬态数据的混合显著降低了机器学习模型的准确性。因此，迫切需要一种简单、可靠且能够在线实现的工况分类方法。目前关于稳态和非稳态数据分类的研究主要依赖于单一特征指标，缺乏对多个指标的比较评估以及对阈值效应的系统分析。为了解决这个问题，本研究通过台架测试获取了多工况下的运行参数，并提出了基于八种变量在不同工况下的数据变化比较分析的相对功率范围作为分类特征。通过分析改变相对范围阈值对分类性能的影响，确定了最佳相对功率范围阈值。采用反向传播（BP）神经网络的建模准确性作为评估指标，将所提出的方法与K均值聚类算法进行比较。结果表明，通过所提出的相对功率范围分类方法（最佳阈值为0.2%）筛选稳态数据后，BP扭矩预测模型的决定系数达到了97.40%，比基于原始混合稳态/非稳态数据训练的模型高出4.45个百分点，也比K均值聚类的最佳结果（93.01%）高出4.39个百分点。在三个相对范围分类指标（功率、转速、扭矩）中，相对功率范围的分类准确率最高，为95.53%，远高于相对转速范围（90.64%）和相对扭矩范围（64.27%）。

获取本文的完整访问权限

查看本文的所有访问和购买选项。

获取访问权限