[发明专利]一种基于卷积神经网络的柴油机性能预测方法

说明书

本发明提供一种基于卷积神经网络的柴油机性能预测方法，包括有以下工序：步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；步骤S2：输入层先将输入信号需要将输入信号归一化处理；步骤S3：卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；步骤S4：池化层采用的池化方式为平均池化；步骤S5：全连接层，该层存在的神经元个数和输出相等为6个；步骤S6：损失函数，选择均方误差函数MSE作为损失函数。本发明利用机器学习预测柴油机性能，成本相比于数值仿真模型低，卷积神经网络相比于神经网络可以增加的层数更多，共享卷积核使得需要训练的参数更少。

技术领域

本发明主要涉及柴油机检测领域，尤其涉及一种基于卷积神经网络的柴油机性能预测方法。

背景技术

目前柴油机模型构建主要是基于经验模型，但随着一些提高柴油机性能和排放的技术，模型需要考虑的参数不断增多，传统的经验模型建立的难度大大提升，同时也需要花费大量的时间成本，精确度也难以满足要求。

柴油机标定方式是基于试验或基于模型，但由于发动机不断发展，需要标定的参数也在不断增长，对于基于实验的标定方式来说，成本越来越高。为了减少工作量，基于模型的虚拟标定技术被应用。其中虚拟模型要求准确模拟，对于后续标定来说最为关键。但对于传统的经验模型回归拟合的方式随着待标定参数的增加，越来越难以满足准确快速的需求。

已公开中国发明专利，申请号CN201810448090.9，专利名称：基于深度学习的柴油发电机组故障诊断与检测装置及方法，申请日：2018-05-11，本发明涉及一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，在框体1内部设置为包含有深度学习模块24、自适应集成策略模块20、历史信号数据库23和故障类别专家系统库19，自适应集成策略模块20设置有集成策略生成器201，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194，深度学习模块24还包含有聚类算法，在框体1的上端部中间位置处设置有信号收发器5，因此，人们对柴油发电机组进行故障诊断和状态在线监测更准确方便。

发明内容

本发明提供一种基于卷积神经网络的柴油机性能预测方法，针对现有技术的上述缺陷，提供一种基于卷积神经网络的柴油机性能预测方法，包括有以下工序：

步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；

步骤S2：卷积神经网络的输入层先将输入信号需要将输入信号归一化处理；

步骤S3：卷积神经网络的卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；

步骤S4：卷积神经网络的池化层采用的池化方式为平均池化，长度为2，步长为1；

步骤S5：卷积神经网络的全连接层，该层存在的神经元个数和输出相等为6个。其中全连接层不存在卷积，所以每一个神经元包含的权重个数为池化后的输出参数个数，为10个。将上一层的每一个输出乘上对应的权重W2相加，加上一个偏移量B得到输出。最终的输出还需要经过一个激活函数g(x)，该专利中主要解决的是一个回归问题，所以采用identity函数作为输出的激活函数，即输入等于输出；

步骤S6：卷积神经网络的损失函数，选择均方误差函数MSE作为损失函数，采用BP后向传播算法将误差后向传播来更新每个神经元的权重值，通过采用及时终止的方法防止神经网络出现过拟合的现象。

优选的，输入参数共11个，包括转速、功率、进气温度及压力、排气背压、冷却水温、喷油正时及喷油压力、燃油温度、环境压力及温度。输出参数共6个，分别为油耗率、最大爆发压力、爆压角、增压器转速、涡前排温以及烟度。