(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111056687.7 (22)申请日 2021.09.09 (65)同一申请的已公布的文献号 申请公布号 CN 113935124 A (43)申请公布日 2022.01.14 (73)专利权人 西华大学 地址 610000 四川省成 都市金牛区土桥金 周路999号 (72)发明人 潘锁柱　蔡敏　杜晨搏　蔡凯　 方嘉　何国太　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 罗江(51)Int.Cl. G06F 30/17(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06F 111/06(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 105319071 A,2016.02.10 CN 111351668 A,2020.0 6.30 审查员 罗捷 (54)发明名称 柴油机燃用生物柴油多目标性能优化方法 (57)摘要 本发明涉及柴油机燃油技术领域， 涉及一种 柴油机燃用生物 柴油多目标性能优化方法， 其包 括： 一、 建立PSO ‑SVM排放预测模型； 二、 利用PSO ‑ SVM预测模型分别对柴油机排放的氮氧化物N Ox、 颗粒物进行排放预测， 构造出非线性函数z1、 z2； 三、 利用NSGA ‑II算法对两个决策方程进行多目 标优化， 求出NOx、 颗粒物的Pareto最优解； 四、 计 算通过优化算法获得的NOx和颗粒物排放的 pareto最优解的优 化程度； 本发明实现了对 NOx、 颗粒物排放的同时优化， NOx排放和颗粒物排放 能够同时得到降低。 权利要求书3页 说明书9页 附图3页 CN 113935124 B 2022.05.31 CN 113935124 B 1.柴油机 燃用生物柴油多目标性能优化方法， 其特 征在于： 包括以下步骤： 一、 建立P SO‑SVM排放预测模型； 二、 利用PSO ‑SVM预测模型分别对NOx、 颗粒物进行排放预测， 构造出非线性函数z1、 z2， 这两个函数都是设计变量与优化目标的非线性关系， 这样就得到了 关于设计变量的两个目 标函数： f1(NOx)＝z1(x1,x2,x3) f2(颗粒物)＝z2(x1,x2,x3) 约束条件： 49.8≤x1≤64.64 2.56≤x2≤3.321 26.7≤x3≤34.12 式中： z1、 z2为利用PSO ‑SVM预测模型构造的NOx、 颗粒物排放的非线性函数； f1(NOx)、 f2 (颗粒物)为 NOx、 颗粒物排 放量； x1、 x2、 x3分别为生物柴油的十六烷 值、 粘度、 表面张力； 三、 利用NSGA ‑II算法对两个决策方程进行多目标优化， 求出NOx、 颗粒物的Pareto最优 解； 四、 计算通过优化算法获得的NOx和颗粒物排放的pareto最优解的优化程度， 通过下式 对NOx和颗粒物值的优化 程度进行求 解： 式中： η为优化百分比， P为Pareto最优解， S为实验值， Pmax为Pareto最优解中的最大值， Pmin为Pareto 最优解中的最小值。 2.根据权利要求1所述的柴油机燃用生物柴油多目标性能优化方法， 其特征在于： PSO ‑ SVM排放预测模型的建立方法为： a、 建立支持向量机预测模型， 即SVM预测模型； b、 使用网格搜索算法对惩罚因子C和核函数参数g进行初步优化； 同时， 使用K折交叉验 证方法进行进一 步优化； c、 使用粒子群算法P SO对C和g进行进一 步的精确优化； d、 得到优化后的SVM预测模型， 即P SO‑SVM排放预测模型。 3.根据权利要求2所述的柴油机燃用生物柴油多目标性能优化方法， 其特征在于： SVM 预测模型的建立方法为： 首先， 给定m ×(n+1)维的数据集合T＝{(x1,y1),(x2,y2),…,(xm,ym)}∈(X×Y)， 其中x ∈Rn为n维的输入向量， y∈R为系统的输出， 则基于SVM模型建立的最优 超平面为： g(x)＝wxi+b 式中： w为超平面法向量； b为超平面常数； 然后， 把建立线性支持向量机的问题转 化为求解一个二次凸规划的问题， 得到：权　利　要　求　书 1/3 页 2 CN 113935124 B 2式中： ζi为松弛变量； C为 惩罚因子； 最后， 将二次凸规划问题转换为对偶问题， 即得到： 式中： ai为Lagrange系数， 仅适用于SVM模型， ai不等于0； K(xi,xj)为核函数； 通过对上述问题进行 数学理论分析， 得到支持向量机回归函数为： 4.根据权利要求3所述的柴油机燃用生物柴油多目标性能优化方法， 其特征在于： K折 交叉验证方法为： 首先， 以训练样本为对象， 将其划分为k等份， 让每等份数据依次成为验证集， 而剩下的 数据将用于模型建立； 按照以上步骤共进行k次， 并求其每一次训练模型的均方误差； 最后 再用求得的均方误差的总和除以k， 得到K折交叉验证的模型误差， 此误差作为评价模型精 度的指标。 5.根据权利要求4所述的柴油机燃用生物柴油多目标性能优化方法， 其特征在于： 网格 搜索法优化 参数的步骤是： (1)根据经验设置 搜索范围及搜索步长， 画出二维网格； (2)取网格中的节点 参数组合， 代入目标函数验证其 性能； (3)根据性能评价， 选择网格中均方误差最低的参数组合， 若有多组均方误差相同， 则 选取参数C最小的那组作为 最佳参数。 6.根据权利要求5所述的柴油机燃用生物柴油多目标性能优化方法， 其特征在于： 粒子 群算法的步骤为： 步骤1： 初始化粒子参数； 包含： 设置种群规模N， 确定最大迭代数tmax， 选取惯性权重值 ω， 设定学习常量c 1， c2的取值， 设定各个粒子的初始位置xi＝(xi1,xi2,…,xid)和初始速度 vi＝(vi1,vi2,…,vid)以及粒子飞行 范围； 步骤2： 计算任一粒子的适应度f(p)； 根据适应度函数对 任一粒子的适应度进行求 解； 步骤3： 最优粒子适应度pbest更新； 对任一粒子当代的适应度f(p)与 之前获得的最优粒 子适应度pbest进行比较， 如果f(p)优于pbest， 则用f(p)代替pbest作为最优粒子适应度， 否则 原来的最优粒子适应度pbest不变； 步骤4： 最优种群适应度gbest更新； 将所有粒子当代的适应度f(p)与 之前获得的最优种权　利　要　求　书 2/3 页 3 CN 113935124 B 3