一种基于强化极限学习机的柴油机性能预测方法及装置与流程

本发明属于发动机，具体涉及一种基于强化极限学习机的柴油机性能预测方法及装置。

背景技术：

1、柴油机作为特种车辆动力单元的核心组件之一，其性能参数的优劣会在一定程度上影响整车的性能。而柴油机的性能参数，如制动燃油消耗率(brakespecific fuelconsumption,bsfc)，以及nox(氮氧化物，既可以是一氧化氮no，也可以是二氧化氮no2，所以统一用nox表示)排放水平等，主要受柴油机喷油、进排气等控制策略的影响，所以需要详细分析柴油机性能参数与控制参数之间的映射关系，以便进行优化调控。但二者影响规律的分析应建立在大量试验测量数据的基础之上。因此柴油机的性能试验需要涵盖数量非常多的测试工况。但由于试验条件限制等原因，有的时候并不能获取足够的数据，所以如何解决贫数据、小样本背景下的柴油机性能参数预测非常重要。

2、随着人工智能算法的发展，有许多学者考虑将先进机器学习模型，如极限学习机(extreme learning machine,elm)应用于柴油机性能的预测中。可这种方法的预测精度很大程度上取决于elm模型超参数的最优选取。因此，利用智能优化算法来对elm的超参数进行寻优成为了提高柴油机性能预测精度的关键策略。白鲸优化算法(belugawhaleoptimization,bwo)是一种新的基于种群的元启发式算法，于2022年由zhong等人提出。目前在算法的优化测试中表现明显优于传统的智能算法。通过将bwo应用于elm中能够在一定程度上提高柴油机性能的预测精度。但这两个算法自身也暴露出了一些问题，比如，bwo存在全局搜索与局部开发不平衡，以及过早收敛等缺陷；同样，如何进行超参数的最优化选取也是elm机器学习模型中一直存在的问题。这些问题限制了智能算法和机器学习在柴油机性能预测领域内的应用发展。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供一种基于强化极限学习机的柴油机性能预测方法及装置。

2、为了实现上述目的，本发明采用以下技术方案。

3、第一方面，本发明提供一种基于强化极限学习机的柴油机性能预测方法，包括以下步骤：

4、基于柴油机不同喷油时刻、进气压力、进气温度、进气阀关闭时刻的制动燃油消耗率和nox排放量，建立数据集，并按设定的比例将所述数据集划分为训练集和测试集；

5、基于强化极限学习机构建以喷油时刻、进气压力、进气温度、进气阀关闭时刻为输入、以制动燃油消耗率和nox排放量为输出的预测模型；

6、将所述训练集输入预测模型，通过采用优化算法对预测模型的超参数进行优化，对预测模型进行训练；

7、将实时采集的喷油时刻、进气压力、进气温度、进气阀关闭时刻输入到训练好的预测模型，得到制动燃油消耗率和nox排放量。

8、进一步地，所述方法还包括对所述数据集中的数据进行z-score标准化处理，公式为：

9、

10、式中，x为所述数据集中的任意一个数据，包括喷油时刻、进气压力、进气温度、进气阀关闭时刻、制动燃油消耗率和nox排放量，sd分别为数据集中所有x的均值和标准差，x′为对x标准化处理后的值。

11、进一步地，所述强化极限学习机的核函数为4个核函数的线性组合，表达式为：

12、k(x,xi)＝λ1kbf+λ2kploy+λ3kwavelet+λ4kcauchy    (2)

13、式中，k(x,xi)为核函数，xi为训练集中的第i个数据，i＝1,2,…,n，n为训练集中的数据个数，x为输入变量，xi、x均是由喷油时刻、进气压力、进气温度、进气阀关闭时刻组成的向量，kbf、kploy、kwavelet和kcauchy分别为径向基核函数、多项式核函数、小波核函数和柯西核函数，λ1、λ2、λ3和λ4分别为4个核函数的权重，且λ1+λ2+λ3+λ4＝1，λ1、λ2、λ3为超参数；

14、4个核函数的表达式分别为：

15、

16、kploy＝(xtxi+b)c                           (4)

17、

18、

19、式中，σ、b、c、σ和δ为各个核函数控制参数，亦是超参数。

20、更进一步地，基于强化极限学习机的预测模型的输出为：

21、

22、式中，x、f(x)分别为预测模型的输入和输出，i为n×n阶单位矩阵，l为由训练集中的制动燃油消耗率和nox排放量组成的n×2阶矩阵，ω为n×n阶核函数矩阵，其第i行第j列元素为：ω(i,j)＝k(xi,xj)，c是正则化系数，亦是超参数，与λ1、λ2、λ3、σ、b、c、σ和δ一起组成预测模型的9个超参数。

23、进一步地，采用白鲸优化算法对预测模型的超参数进行优化。

24、进一步地，采用改进的白鲸优化算法对预测模型的超参数进行优化，所述改进的白鲸优化算法将spm混沌映射、威布尔分布策略以及柯西变异算子融入了白鲸优化算法。

25、更进一步地，所述采用改进的白鲸优化算法对预测模型的超参数进行优化，包括：

26、s1、利用spm混沌映射对白鲸种群进行初始化，初始化的数值即为所述超参数；

27、spm混沌映射的表达式为：

28、

29、式中，zi-1为[0,1]范围内的混沌数，tur为(0,1)范围内的随机数，mod(*,1)表示除以1的余数，相当于取*的小数部分，当η∈(0,1)且μ∈(0,1)时，系统处于混沌状态；

30、白鲸种群初始化的表达式为：

31、yi＝lb+(ub-lb)zi                         (9)

32、式中，ub、lb分别为超参数取值的上下限，i为种群个体索引，i＝1,2,…,n，n为白鲸种群数量；

33、白鲸种群数据的矩阵形式为：

34、

35、式中，yij为第i个种群个体的第j个超参数，j＝1,2,…,d，d为超参数的个数，d＝9；

36、s2、根据平衡因子判断白鲸优化算法是处于探索阶段还是开发阶段，并对白鲸位置进行第一次更新；

37、平衡因子bf的表达式为：

38、bf＝b0(1-t/(2tmax))                   (11)

39、式中，b0为(0,1)范围内的随机数，tmax为最大迭代次数，t为当前迭代次数；

40、当bf>0.5时，种群处于探索阶段，白鲸位置的第一次更新公式为：

41、

42、式中，表示当前迭代步第i条白鲸的第pj个超参数；pj为[1,d]内的随机整数，j＝1,2,…,d；r1、r2、r均为(0,1)范围内的随机数；为更新后第i条白鲸的第j个超参数，分别为当前迭代步第r条白鲸的第pj个、第p1个超参数，m为1～(n+1)/2之间的整数；

43、在位置更新公式(12)中引入柯西变异算子，即将等号右边的表达式乘一个因子(1+cauchy(x；0,1))，cauchy(x；0,1)为标准柯西分布，其表达式为：

44、

45、式中，x为负无穷到正无穷之间的随机数；

46、当bf≤0.5时，种群处于开发阶段，白鲸位置的第一次更新公式为：

47、

48、式中，第一行为莱维分布策略，其它行为威布尔分布策略，r3、r4均为(0,1)范围内的随机数，为白鲸种群中适应度最高的个体位置，所述适应度即预测模型的准确度，c1、lf分别为随机跳跃强度和莱维飞行函数，其表达式为：

49、c1＝2r4(1-t/tmax)                      (15)

50、

51、

52、式中，γ(·)为gamma函数，β取0.5；

53、(14)式中的wblrnd(a,b,[1,d])为生成服从威布尔分布的1×d随机数值矩阵，威布尔分布可表示为：

54、

55、式中，x为不小于0的随机实数，a、b分别为威布尔分布的尺度和形状参数，白鲸位置更新规律中step1和step2分别为两类位置更新的步长，其表达式为：

56、

57、式中，norm(*)表示求范数；

58、s3、采用鲸鱼落体步长与白鲸位置来获得鲸落阶段的位置，对白鲸位置进行第二次更新，公式如下：

59、

60、式中，r5、r6和r7为(0,1)范围内的随机数，r为[1,n]内的随机整数，ybest为鲸鱼坠落的步长，其表达式为：

61、

62、式中，c2为阶跃因子，c1＝2n(0.1-0.05t/tmax)；

63、s4、重复执行s1～s3进行迭代，并对个体的适应度进行选择，淘汰适应度低的个体，直至达到收敛条件，适应度最高的个体位置即为最优超参数。

64、进一步地，所述方法还包括：将所述数据集中的数据输入到预测模型中，通过计算统计学指标对所述预测模型的预测精度进行评价，计算公式如下：

65、

66、

67、式中，r2、rmse分别为所述预测模型输出的制动燃油消耗率或nox排放量与数据集中的制动燃油消耗率或nox排放量yi的相关系数和均方根误差，m为数据集的数据个数。

68、第二方面，本发明提供一种基于强化极限学习机的柴油机性能预测装置，包括：

69、数据集建立模块，用于基于柴油机不同喷油时刻、进气压力、进气温度、进气阀关闭时刻的制动燃油消耗率和nox排放量，建立数据集，并按设定的比例将所述数据集划分为训练集和测试集；

70、模型构建模块，用于基于强化极限学习机构建以喷油时刻、进气压力、进气温度、进气阀关闭时刻为输入、以制动燃油消耗率和nox排放量为输出的预测模型；

71、模型训练模块，用于将所述训练集输入预测模型，通过采用优化算法对预测模型的超参数进行优化，对预测模型进行训练；

72、性能预测模块，用于将实时采集的喷油时刻、进气压力、进气温度、进气阀关闭时刻输入到训练好的预测模型，得到制动燃油消耗率和nox排放量。

73、进一步地，所述装置还包括预处理模块，用于对所述数据集中的数据进行z-score标准化处理，公式为：

74、

75、式中，x为所述数据集中的任意一个数据，包括喷油时刻、进气压力、进气温度、进气阀关闭时刻、制动燃油消耗率和nox排放量，sd分别为数据集中所有x的均值和标准差，x′为对x标准化处理后的值。

76、与现有技术相比，本发明具有以下有益效果。

77、本发明通过建立数据集，并按设定的比例将所述数据集划分为训练集和测试集，基于强化极限学习机构建以喷油时刻、进气压力、进气温度、进气阀关闭时刻为输入、以制动燃油消耗率和nox排放量为输出的预测模型，将所述训练集输入预测模型，通过采用优化算法对预测模型的超参数进行优化，对预测模型进行训练，将实时采集的喷油时刻、进气压力、进气温度、进气阀关闭时刻输入到训练好的预测模型，得到制动燃油消耗率和nox排放量，实现了柴油机柴油机性能的自动预测。本发明通过构建基于强化极限学习机的预测模型，并采用改进的白鲸算法对预测模型的超参数进行优化，提高了柴油机性能的预测精度。