[发明专利]基于神经网络的柴油机尾气分析传感方法

说明书

一种基于神经网络的柴油机尾气分析传感方法，利用气体传感器阵列获取污染物气体浓度响应特性曲线；从响应曲线中提取特征值；通过基于模型特征重要性排序的特征选择方法剔除冗余数据后，训练并测试预测神经网络模型，再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析，得到柴油机污染物浓度实时检测数值。本发明构建数据与地区污染物排放因子之间的预测模型，解决电阻型传感器对NO,NOsubgt;2/subgt;,NHsubgt;3/subgt;等气体的交叉敏感性的问题，实现对污染物组分的定量识别。

技术领域

本发明涉及的是一种神经网络应用领域的技术，具体是一种基于神经网络的柴油机尾气分析传感方法。

背景技术

现有柴油机尾气后处理系统的使用条件对车用NH₃、NOx传感器提出更为苛刻的参数要求，包括灵敏度高，检测浓度下限低，达到5ppm以内；响应速度快，为实现尿素喷射的闭环控制和车载诊断系统(OBD)的在线检测需求，响应时间应达到3～5秒以内；在柴油机高温尾气条件下的长期稳定性；抗干扰性，对柴油机复杂尾气成分(CO、CO₂、NO、NO₂、HC)不应存在交叉感应。现有的电阻型气体传感器选择性较差，对多种气体都具有交叉敏感性，这给柴油机尾气中的单一组分检测带来许多困难。

国家排放法规要求柴油机必须加装后处理系统，而随着法规的逐步严格，高性能的气体监测技术在实现后处理系统的闭环反馈控制及高效运行具有重要作用。现有污染物监测技术，例如车载便携式排放测试系统(PEMS)设备体积较大，价格比较昂贵，通常安装在排气管出口的位置，主要用于排放测试，无法在排气管内实时检测污染物浓度并对后处理系统反馈控制。而目前已经商用的NOx传感器为电流型电化学传感器，存在交叉敏感性的问题(无法识别NH₃与NOx)，结构复杂，成本较高，具有很大的局限性。

发明内容

本发明针对现有电阻型传感器对相似性质的气体具有难以避免的交叉敏感性，在检测柴油机尾气中某一组分时易受到其他气体组分干扰的问题，提出一种基于神经网络的柴油机尾气分析传感方法，采用结构简单、成本更低的电阻型传感器组成阵列，解决电阻型传感器对NO，NO₂，NH₃等柴油机典型尾气成分的交叉敏感性的问题，实现对污染物组分的定量识别，由于传感器阵列的体积可以做的足够小，可以安装在排气管内各后处理设备进出口处，实现后处理系统的闭环反馈控制。

本发明是通过以下技术方案实现的：

本发明涉及一种基于神经网络的柴油机尾气分析传感方法，利用气体传感器阵列获取污染物气体浓度响应特性曲线；从响应曲线中提取特征值；通过基于模型特征重要性排序的特征选择方法剔除冗余数据后，训练并测试预测神经网络模型，再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析，得到柴油机污染物浓度实时检测数值。

所述的污染物气体，包括NO、NO₂、SO₂、NH₃。

所述的特征值包括：响应阶段相对最大响应值λ₁、相对最小响应值λ₂、相对稳定响应值λ₃、斜率滑动平均值ema_α，其中：响应值λ＝(R-R_air)/R_air，其中：R_air为基线电阻，采用每次响应前20个电阻信号的均值，R为响应电阻值，计算λ₁时采用最大响应电阻R_max，计算λ₂时采用最小响应电阻R_min，计算λ₃时采用稳态响应电阻R_bal。

所述的斜率滑动平均值ema_α，通过以下方式计算得到：y[k]＝(1-α)y[k-1]+α(R[k]-R[k-1])，其中：y[k]为滑动平均值，当k＝0时，y[k]＝0，α为松弛因子，取值为0.1。