一种基于机器学习的燃料替代率控制方法、装置及发动机制造方法及图纸

本发明专利技术针对双燃料发动机提出了一种新型的基于机器学习的燃料替代率控制方法、装置及发动机，利用双向长短期记忆网络（Bi‑LSTM）和卷积神经网络（CNN）的结合，能够实时分析时间序列数据和空间特征数据，从而实现对发动机运行条件的分析预测，还整合了在线增量式随机梯度下降（ISGD）算法和基于密度的聚类算法（DBSCAN）进行异常检测，使得控制系统能够实时适应不断变化的环境，并做出最优的燃料调节决策，以保证发动机效率的最大化和排放的最小化，以适应各种运行条件并及时调整控制策略，以确保发动机在各种工况下的最佳性能。

【技术实现步骤摘要】

本专利技术涉及双燃料发动机，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。

技术介绍

1、在双燃料发动机的
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、本专利技术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。该方本文档来自技高网...

【技术保护点】

1.一种基于机器学习的燃料替代率控制方法，其特征在于，包括以下步骤：

2.如权利要求1所述的燃料替代率控制方法，其特征在于，融合卷积神经网络CNN和双向长短期记忆网络Bi-LSTM，形成Bi-LSTM-CNN混合神经网络模型，其中，所述卷积神经网络CNN用于处理所述气体排放数据和振动噪音数据，所述双向长短期记忆网络Bi-LSTM用于处理所述燃油和燃气的流量数据。

3.如权利要求2所述的燃料替代率控制方法，其特征在于，其中所述双向长短期记忆网络Bi-LSTM，在其输入层接收所述燃油和燃气的流量数据，并进行时间序列分析，捕获所述燃油和燃气的流量数据的长期使用趋势，并预...

【技术特征摘要】

1.一种基于机器学习的燃料替代率控制方法，其特征在于，包括以下步骤：

2.如权利要求1所述的燃料替代率控制方法，其特征在于，融合卷积神经网络cnn和双向长短期记忆网络bi-lstm，形成bi-lstm-cnn混合神经网络模型，其中，所述卷积神经网络cnn用于处理所述气体排放数据和振动噪音数据，所述双向长短期记忆网络bi-lstm用于处理所述燃油和燃气的流量数据。

3.如权利要求2所述的燃料替代率控制方法，其特征在于，其中所述双向长短期记忆网络bi-lstm，在其输入层接收所述燃油和燃气的流量数据，并进行时间序列分析，捕获所述燃油和燃气的流量数据的长期使用趋势，并预测未来可能的变化。

4.如权利要求3所述的燃料替代率控制方法，其特征在于，所述卷积神经网络cnn，在输入层接收高精度传感器收集的所述气体排放数据和振动噪音数据，通过卷积层对bi-lstm的输出进行局部特征提取，通过池化层对卷积输出进行降维处理。

5.如权利...

【专利技术属性】
技术研发人员：张朦朦，惠小亮，吴竞，李鹏豪，张永林，王护航，
申请(专利权)人：重庆红江机械有限责任公司，
类型：发明
国别省市：