一种基于机器学习的燃料替代率控制方法、装置及发动机与流程

本发明涉及双燃料发动机，特别是涉及一种用于双燃料发动机的替代率控制方法、装置及发动机。

背景技术：

1、在双燃料发动机的技术领域中，发动机通常可以使用两种不同类型的燃料，如柴油和天然气。传统的双燃料发动机通过调整燃料替代率来优化燃烧过程，以期达到提高燃烧效率和减少排放的目的。然而，传统方法在实时调节和适应复杂变化环境方面存在一定局限性。尤其是在动态变化的操作条件下，这些系统往往无法快速准确地调整燃料混合比，从而可能导致燃烧效率下降和排放水平提高。

2、为了克服这些挑战，需要一种更为先进的控制方法来实时监控和优化燃料替代率。现代控制技术，尤其是基于机器学习的方法，提供了新的可能性。通过利用机器学习技术，尤其是深度学习网络，可以从大量的运行数据中学习到复杂的模式和依赖关系，实现对发动机状态的精确预测和控制。

技术实现思路

1、本发明的第一方面提出了一种基于机器学习的燃料替代率控制方法，涉及双向长短期记忆网络（bi-lstm）、卷积神经网络（cnn）以及集成增量式随机梯度下降（isgd）方法。该方法通过统一模型架构实现精确的实时控制与自适应学习，以克服传统控制策略中响应速度慢、控制精度低及适应环境变化能力不足的局限。通过实时监测燃油与燃气流量数据，并将气体排放、振动与噪音作为评估燃油燃气替代率的关键性能指标，该方法能够根据这些实时数据反馈自适应调整燃料配比，优化燃料利用效率。此外，该方法采用基于密度的聚类算法dbscan进行异常检测，能及时识别并应对潜在的运行异常。该智能化调控策略不仅提高燃料效率与环保性，还增强了发动机的整体适应性与可靠性，从而延长发动机使用寿命。此外，该方法的自适应与预测能力保证了发动机在多变工况下能维持最优运行状态，有效支持环境可持续性目标。

2、本发明的第一方面提出的一种基于机器学习的燃料替代率控制方法，包括：实时采集双燃料发动机关键性能指标并进行标准化处理，所述关键性能指标包括燃油和燃气的流量数据、气体排放数据和振动噪音数据；采用bi-lstm-cnn混合网络模型接收标准化的关键性能指标，并输出燃料替代率的预测值；使用在线增量式随机梯度下降isgd算法在所述混合网络模型接收新数据时实时更新指标数据，进行自适应更新与增量学习；使用dbscan算法进行基于密度的异常检测，实时识别所述气体排放数据和振动噪音数据中的异常值并进行剔除；计算所述气体排放数据和振动噪音数据的异常率，根据所述异常率自适应调整燃料替代率的预测值。

3、进一步地，异常率为气体排放数据和振动噪音数据的异常点数与正常点数之比；所述异常点数为密度低于预设值的点数；

4、若所述异常率高于容错阈值，则以预设步长降低燃料替代率；并使用异常剔除后的数据重新训练所述bi-lstm-cnn混合网络模型。

5、为了实现上述目的，该方法采用的技术方案如下：

6、步骤1、数据采集与实时监控：利用高精度传感器实时采集关键性能指标的运行数据，主要包括燃油和燃气的流量（替代率），对采集到的数据进行预处理，为算法分析提供准确输入，对排放数据（co2、nox 和 pm监测）、振动和噪音进行实时监控，监控数据作为评估燃油燃气替代率的关键性能指标。

7、步骤2、开发bi-lstm-cnn混合神经网络模型，采用bi-lstm-cnn混合网络模型接收标准化的关键性能指标，并进行输出模型预测结果：开发一种融合双向长短期记忆网络（bi-lstm）与卷积神经网络（cnn）的混合神经网络模型，旨在实现高效的燃料管理，在此模型中，bi-lstm负责处理时间序列数据，捕捉燃料使用的长期依赖性以预测燃料流动的未来趋势，而cnn则专注于分析传感器在短时间内收集的数据，快速识别运行状态的即时变化。通过将这两种网络的功能结合，形成了一个统一的模型架构，该架构通过深入学习历史与实时数据，不仅精确控制燃料，还能适应环境变化。这种融合模型被应用于实时调整燃料混合比，以适应变化的操作需求和环境条件，为动态燃料管理提供了一种可靠的技术解决方案，确保在多变的操作环境中维持最优的燃料效率和发动机性能。

8、步骤3、自适应更新与增量学习机制：采用增量式随机梯度下降（isgd）在线增量学习算法，允许模型在不断接收新数据时更新其参数，而无需重载整个数据集。这种方法不仅减少了计算负担，还增强了模型对新情况的适应性。

9、步骤4、基于密度的异常检测策略：集成基于密度的聚类算法dbscan进行异常检测,该算法有效地从实时监测的排放数据（co2、nox 和 pm监测）、振动和噪音中识别出与主流数据模式显著不同的数据点，在检测到潜在的运行异常时可以迅速响应，并自动调整燃料配比以防止故障的发生，从而及时响应潜在的发动机异常或性能下降。

10、步骤5、自适应调整与性能优化：根据第4点中异常检测结果进行反馈，计算所述气体排放数据和振动噪音数据的异常率，结合步骤2中的模型输出预测结果，根据所述异常率自适应调整燃料替代率的预测值。实时调整燃料混合比，确保最佳的燃烧效率和最小的排放，使用模型预测能力进行预防性维护和运行优化，以减少潜在的故障发生和运行中断。

11、本发明的双燃料发动机替代率控制方法，通过综合应用双向长短期记忆网络（bi-lstm）和卷积神经网络（cnn）融合模型，并集成基于密度的聚类算法dbscan进行异常检测，带来以下具体的优点和好处：

12、1、增强的燃料调节精度：利用bi-lstm和cnn的结合，本发明可以更精确地预测和调整燃料混合比，从而实现在不同操作条件下的最优燃烧效率。bi-lstm组件能够分析发动机的历史运行数据和燃料使用模式，预测未来需求，而cnn则迅速响应即时变化，如负载波动或燃料质量变动，确保即时调整。

13、2、提升发动机运行效率和性能：通过实时监控和自动调整燃料混合比，本发明不仅优化了燃料使用，还提高了发动机的总体运行效率。优化的燃料比率可以显著提升发动机的动力输出和经济性，同时降低燃料消耗。

14、3、增强适应性和可靠性： 基于密度的聚类算法dbscan异常检测机制使得本系统能够及时识别发动机运行中的非常规模式和潜在故障，从而采取预防措施，防止小问题演变成大故障。这种自我监测和预防维护的能力显著提高了发动机的可靠性和减少了维修成本。

15、4、自适应学习提高长期运行性能：自适应学习机制确保了发动机控制系统能够随着时间的推移而优化其性能，自动调整以适应不同的运行条件和环境影响。这种长期的自我调整功能减少了人工干预的需求，提高了操作便捷性。

16、本发明的第二方面提出了一种基于机器学习的燃料替代率控制装置，包括以下单元：数据采集单元，用于实时采集双燃料发动机关键性能指标并进行标准化处理，所述关键性能指标包括燃油和燃气的流量数据、气体排放数据和振动噪音数据；混合网络模型单元，用于采用bi-lstm-cnn混合网络模型接收标准化的关键性能指标，并输出燃料替代率的预测值；增量学习单元，用于使用在线增量式随机梯度下降isgd算法在所述混合网络模型接收新数据时实时更新指标数据，进行自适应更新与增量学习；异常检测单元，用于使用dbscan算法进行基于密度的异常检测，实时识别所述气体排放数据和振动噪音数据中的异常值并进行剔除；自适应调整单元，用于计算所述气体排放数据和振动噪音数据的异常率，根据所述异常率自适应调整燃料替代率的预测值。

17、本发明的第三方面提出了一种发动机，包括：发动机本体；至少一个电子控制单元和存储器；所述存储器存储计算机执行指令；所述至少一个电子控制单元执行所述存储器存储的计算机执行指令，使得所述至少一个电子控制单元执行如本发明第一方面所述的燃料替代率控制方法。