1.1 研究目的及意义

随着全球人口和工业的增长，能源需求不断增长，以石油为基础的燃料储备正在迅速枯竭。由于不完全燃烧，柴油机产生的各种颗粒被归类为柴油机微粒物质(PM)。近年来，人工神经网络在柴油机各种用途中的应用有了很大的增加。由于不完全燃烧，柴油机产生的各种颗粒被归类为柴油机微粒物质(PM)。日益严格的排放法规要求发动机制造商必须继续降低PM。一种用于监测中、重型柴油机稳态和瞬态PM排放的虚拟传感器的预测技术。该预测结构在广泛的发动机操作点上是稳定的。输入参数是根据PM的形成机制、过程的物理知识和对基本物理的洞察力。采用主成分分析(PCA)方法，将具有外生输入的非线性模型的输入量从9个降为5个。

可用于减少PM的技术可分为两类。第一种方法是基于后处理系统，例如柴油特殊过滤器，捕捉粒子，然后以一种控制的方式不时地燃烧。第二种方法是基于燃烧改性技术，包括喷射技术和实时先进控制系统。修改燃烧系统以减少PM而不大幅增加氧化氮(NOx)浓度。对于第一种方法，准确测量PM对柴油特殊过滤器的寿命至关重要，如果再生太频繁，寿命就会缩短。如果温度过低，质量积累过多，那么温度就会很高，从而缩短了产品的寿命。第二种方法必须使用PM信号的测量或估计来进行控制这两种方法在很大程度上依赖于PM的测量，因此具有良好预测性能的PM模型具有根本的重要性。预测PM排放的能力是可以用来减少PM排放的关键技术之一。本文所讨论的问题是如何最好地使用通用的发动机参数来表示PM的产生。目标应用是一种单一的发动机类型，其中定义了燃烧过程，但详细说明了空气流动、排气再循环、喷射结构的细节，还有可变升压有待详细定义。虽然气缸内的条件对于描述微粒产生的细节是至关重要的，但过程本身基本上是由发动机控制本身定义的；因此，重点是控制变量集的使用。

给定发动机的设计，微粒形成的精确模式是由发动机的控制变量决定的气流,燃料输送和排放再循环。这种模拟能力的一个实际用途是了解特定控制策略对微粒排放的影响。这种能力对发动机的发展具有重要意义。

主要目标是证明所测试的发动机的微粒排放能够被代表和准确再现。可以断言，如果建模过程成功，这种方法的一般性质意味着它很可能很容易适用于其他发动机类型。

1.2 国内外研究现状

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。

人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。

神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。