内燃机工程

作者：王飞扬,王贵勇,王煜华,彭云龙,汪志远,何述超

单位：昆明理工大学 动力工程系,昆明 650500,昆明理工大学 动力工程系,昆明 650500,昆明理工大学 动力工程系,昆明 650500,昆明理工大学 动力工程系,昆明 650500,昆明理工大学 动力工程系,昆明 650500,昆明理工大学 动力工程系,昆明 650500,昆明云内动力股份有限公司,昆明 650500

关键词：柴油机,NOx排放,卷积神经网络,门控循环神经网络,混合专家,多头注意力,

基金：云南省重大科技专项计划项目（202402AE090009）

针对传统的静态模型和单一神经网络模型在捕捉柴油机NOx瞬态排放复杂动态变化方面存在局限的问题，提出了一种基于卷积神经网络（convolutional neural network， CNN）、门控循环神经网络（gated recurrent unit， GRU）、混合专家神经网络（mixture of experts， MoE）、多头注意力机制（multi-head attention， MHA）融合的深度学习神经网络模型。通过世界统一瞬态循环（world harmonized transient cycle， WHTC），收集柴油机运行的关键参数并采用数据预处理和特征选择技术得到数据集；然后利用CNN神经网络提取数据集的特征；再使用GRU神经网络时间序列处理能力拟合数据；最后利用MoE神经网络的动态权重分配和MHA机制的多角度特征关注提高模型的预测精度和泛化能力。试验结果表明：CNN-GRU-MoE-MHA神经网络模型的平均绝对误差（mean absolute error， MAE）为21.53 mg/L，均方根误差（root mean squared error， RMSE）为26.91 mg/L，与GRU、CNN-GRU、CNN-GRU-MoE模型相比显著降低，同时其R2更高，说明CNN-GRU-MoE-MHA模型具有较高的预测精度和良好的稳定性。

来源：2026年第1期

《内燃机工程》期刊编辑部

查看内燃机工程杂志2026年第1期