本發(fā)明屬于發(fā)動(dòng)機(jī)性能評(píng)估領(lǐng)域，應(yīng)用于hil(hardware-in-the-loop)虛擬標(biāo)定場(chǎng)景，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著污染物排放法規(guī)的日趨嚴(yán)格，先進(jìn)動(dòng)力系統(tǒng)的研究得到了廣泛關(guān)注；燃料在發(fā)動(dòng)機(jī)缸內(nèi)的燃燒過程，直接影響著發(fā)動(dòng)機(jī)的動(dòng)力輸出、燃料經(jīng)濟(jì)性和排放水平，燃燒過程這一關(guān)鍵環(huán)節(jié)對(duì)于研究發(fā)動(dòng)機(jī)特性具有重要意義；先進(jìn)動(dòng)力系統(tǒng)發(fā)動(dòng)機(jī)由于其燃燒過程的復(fù)雜多變，導(dǎo)致難以使用傳統(tǒng)建模方法進(jìn)行仿真計(jì)算；燃燒模型按照空間維度分為零維、準(zhǔn)維和三維模型，其中零維韋伯燃燒模型是應(yīng)用最為廣泛的燃燒放熱率模型，實(shí)驗(yàn)采用三韋伯零維燃燒模型進(jìn)行放熱率的評(píng)估。

2、在先進(jìn)動(dòng)力系統(tǒng)工程應(yīng)用上往往希望得到更多的發(fā)動(dòng)機(jī)工況參數(shù)與韋伯參數(shù)之間的對(duì)應(yīng)關(guān)系，以發(fā)動(dòng)機(jī)工況物性參數(shù)為輸入、韋伯參數(shù)為輸出，進(jìn)而利用三韋伯零維燃燒模型進(jìn)行放熱率的評(píng)估，而構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是建立這種對(duì)應(yīng)關(guān)系的有效方式之一。

3、現(xiàn)有的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型存在以下問題：

4、(1)對(duì)于小樣本數(shù)據(jù)集，神經(jīng)網(wǎng)絡(luò)難以得到較好的預(yù)測(cè)性能。并且由于發(fā)動(dòng)機(jī)工況參數(shù)與韋伯參數(shù)之間的關(guān)系是多維度對(duì)應(yīng)多維度的，針對(duì)于多維度輸入輸出數(shù)據(jù)，在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)也會(huì)造成精度的不平衡分布等問題。

5、(2)隨著訓(xùn)練數(shù)據(jù)維度的增加，預(yù)測(cè)的不確定性也會(huì)增加。而目前的預(yù)測(cè)模型較少對(duì)多對(duì)多的神經(jīng)網(wǎng)絡(luò)展開不確定性分析，不確定性的量化分析的空白對(duì)于更加合理的評(píng)估模型性能帶來一定的限制。

6、(3)實(shí)時(shí)仿真平臺(tái)為模型計(jì)算提供算力支持，但其計(jì)算能力總是有限。為滿足預(yù)測(cè)模型在實(shí)時(shí)仿真平臺(tái)中的實(shí)時(shí)性要求，需要盡可能縮短在線學(xué)習(xí)的預(yù)測(cè)模型的實(shí)際運(yùn)行時(shí)間；在神經(jīng)網(wǎng)絡(luò)的搭建過程中，隨著網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度增加、計(jì)算公式的增加，網(wǎng)絡(luò)的訓(xùn)練速度、計(jì)算效率也隨之下降；長(zhǎng)時(shí)間的訓(xùn)練以及預(yù)測(cè)過程對(duì)于實(shí)際應(yīng)用帶來局限。

7、因此，現(xiàn)有模型在處理多輸入多輸出問題時(shí)，存在精度不平衡分布、預(yù)測(cè)結(jié)果不確定性和實(shí)時(shí)性不足的問題。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法及系統(tǒng)，通過改進(jìn)貝葉斯神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和損失函數(shù)，改善精度不平衡分布、預(yù)測(cè)結(jié)果不確定性和實(shí)時(shí)性問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：

3、本發(fā)明第一方面提供了一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法。

4、一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，包括：

5、獲取待評(píng)估的發(fā)動(dòng)機(jī)的多維物性工況參數(shù)；

6、將多維物性工況參數(shù)輸入到訓(xùn)練好的多維數(shù)據(jù)預(yù)測(cè)模型中，得到多維韋伯參數(shù)，用于評(píng)估發(fā)動(dòng)機(jī)的燃燒性能；

7、其中，所述多維數(shù)據(jù)預(yù)測(cè)模型，以貝葉斯神經(jīng)網(wǎng)絡(luò)作為底層網(wǎng)絡(luò)，用覆蓋率與平均區(qū)間寬度量化不確定性，引入到損失函數(shù)中，約束模型訓(xùn)練過程。

8、進(jìn)一步的，所述多維物性工況參數(shù)，包括發(fā)動(dòng)機(jī)轉(zhuǎn)速、過量空氣系數(shù)、進(jìn)氣壓力、進(jìn)氣溫度、燃油噴射量、天然氣噴射量、燃油噴射時(shí)刻、天然氣噴射時(shí)刻；

9、所述多維韋伯參數(shù)，包括氣相燃料熱釋放率因子fp、固相燃料熱釋放率因子fm、氣相燃料質(zhì)量分?jǐn)?shù)mp、固相燃料質(zhì)量分?jǐn)?shù)mm、液相燃料質(zhì)量分?jǐn)?shù)mt、氣相燃料擴(kuò)散系數(shù)dp、固相燃料擴(kuò)散系數(shù)dm、液相燃料擴(kuò)散系數(shù)dt、燃燒起始點(diǎn)soc。

10、進(jìn)一步的，所述多維數(shù)據(jù)預(yù)測(cè)模型，是在貝葉斯神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加batchnorm層及dropout層。

11、進(jìn)一步的，所述損失函數(shù)，包括均方誤差、kl散度值、覆蓋率及平均區(qū)間寬度。

12、進(jìn)一步的，所述覆蓋率和平均區(qū)間寬度，具體公式為：

13、

14、其中，medianintervalwidth_val表示覆蓋率，coverage_val表示平均區(qū)間寬度，yi表示真實(shí)值，表示一組預(yù)測(cè)值，n代表的組數(shù)，表示的平均值，表示標(biāo)準(zhǔn)差，l·表示目標(biāo)值比例。

15、進(jìn)一步的，還包括：引入一種自適應(yīng)權(quán)重機(jī)制，基于各個(gè)韋伯參數(shù)的預(yù)測(cè)精度，在多維數(shù)據(jù)預(yù)測(cè)模型輸出的多維韋伯參數(shù)之間自適應(yīng)分配權(quán)重，調(diào)整精度不平衡分布。

16、進(jìn)一步的，所述多維數(shù)據(jù)預(yù)測(cè)模型訓(xùn)練所用的訓(xùn)練數(shù)據(jù)集，是在小樣本實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，通過數(shù)據(jù)擴(kuò)充、數(shù)據(jù)清洗，最終構(gòu)建的。

17、本發(fā)明第二方面提供了一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)系統(tǒng)。

18、一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)系統(tǒng)，包括獲取模塊和預(yù)測(cè)模塊：

19、獲取模塊，被配置為：獲取待評(píng)估的發(fā)動(dòng)機(jī)的多維物性工況參數(shù)；

20、預(yù)測(cè)模塊，被配置為：將多維物性工況參數(shù)輸入到訓(xùn)練好的多維數(shù)據(jù)預(yù)測(cè)模型中，得到多維韋伯參數(shù)，用于評(píng)估發(fā)動(dòng)機(jī)的燃燒性能；

21、其中，所述多維數(shù)據(jù)預(yù)測(cè)模型，以貝葉斯神經(jīng)網(wǎng)絡(luò)作為底層網(wǎng)絡(luò)，用覆蓋率與平均區(qū)間寬度量化不確定性，引入到損失函數(shù)中，約束模型訓(xùn)練過程。

22、本發(fā)明第三方面提供了計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法中的步驟。

23、本發(fā)明第四方面提供了電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法中的步驟。

24、以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：

25、(1)本發(fā)明基于貝葉斯神經(jīng)網(wǎng)絡(luò)，通過構(gòu)建不確定性量化指標(biāo)，并且將不確定性量化指標(biāo)融入損失函數(shù)，實(shí)現(xiàn)了不確定性的合理輸出與預(yù)測(cè)，從而改善多輸入多輸出模型的預(yù)測(cè)精度，解決預(yù)測(cè)結(jié)果不確定性的問題。

26、(2)本發(fā)明通過引入自適應(yīng)權(quán)重機(jī)制，多維度輸出數(shù)據(jù)的精度性能不平衡現(xiàn)象得到明顯改善。

27、(3)將向量化編程思想融入整個(gè)代碼編寫過程，結(jié)合并行化架構(gòu)進(jìn)行訓(xùn)練，實(shí)現(xiàn)預(yù)測(cè)模型訓(xùn)練加速與執(zhí)行高效，效率提升在30％以上；在實(shí)時(shí)機(jī)中能夠保持良好的在線學(xué)習(xí)、實(shí)時(shí)預(yù)測(cè)效果，從而滿足實(shí)際工程應(yīng)用需求。

28、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，包括：

2.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，所述多維物性工況參數(shù)，包括發(fā)動(dòng)機(jī)轉(zhuǎn)速、過量空氣系數(shù)、進(jìn)氣壓力、進(jìn)氣溫度、燃油噴射量、天然氣噴射量、燃油噴射時(shí)刻、天然氣噴射時(shí)刻；

3.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，所述多維數(shù)據(jù)預(yù)測(cè)模型，是在貝葉斯神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加batchnorm層及dropout層。

4.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，所述損失函數(shù)，包括均方誤差、kl散度值、覆蓋率及平均區(qū)間寬度。

5.如權(quán)利要求4所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，所述覆蓋率和平均區(qū)間寬度，具體公式為：

6.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，還包括：引入一種自適應(yīng)權(quán)重機(jī)制，基于各個(gè)韋伯參數(shù)的預(yù)測(cè)精度，在多維數(shù)據(jù)預(yù)測(cè)模型輸出的多維韋伯參數(shù)之間自適應(yīng)分配權(quán)重，調(diào)整精度不平衡分布。

7.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法，其特征在于，所述多維數(shù)據(jù)預(yù)測(cè)模型訓(xùn)練所用的訓(xùn)練數(shù)據(jù)集，是在小樣本實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，通過數(shù)據(jù)擴(kuò)充、數(shù)據(jù)清洗，最終構(gòu)建的。

8.一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)系統(tǒng)，其特征在于，包括獲取模塊和預(yù)測(cè)模塊：

9.一種電子設(shè)備，其特征是，包括：

10.一種存儲(chǔ)介質(zhì)，其特征是，非暫時(shí)性地存儲(chǔ)計(jì)算機(jī)可讀指令，其中，當(dāng)所述計(jì)算機(jī)可讀指令由計(jì)算機(jī)執(zhí)行時(shí)，執(zhí)行權(quán)利要求1-7任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)的多維韋伯參數(shù)預(yù)測(cè)方法及系統(tǒng)，涉及發(fā)動(dòng)機(jī)性能評(píng)估領(lǐng)域，具體方案包括：獲取待評(píng)估的發(fā)動(dòng)機(jī)的多維物性工況參數(shù)；將多維物性工況參數(shù)輸入到訓(xùn)練好的多維數(shù)據(jù)預(yù)測(cè)模型中，得到多維韋伯參數(shù)，用于評(píng)估發(fā)動(dòng)機(jī)的燃燒性能；其中，所述多維數(shù)據(jù)預(yù)測(cè)模型，以貝葉斯神經(jīng)網(wǎng)絡(luò)作為底層網(wǎng)絡(luò)，用覆蓋率與平均區(qū)間寬度量化不確定性，引入到損失函數(shù)中，約束模型訓(xùn)練過程；本發(fā)明通過改進(jìn)貝葉斯神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和損失函數(shù)，改善精度不平衡分布、預(yù)測(cè)結(jié)果不確定性和實(shí)時(shí)性問題。

技術(shù)研發(fā)人員：趙霏陽(yáng),隗明鑫,于文斌,帥秀云,劉鴻宇
受保護(hù)的技術(shù)使用者：山東大學(xué)深圳研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23