内燃机工程

作者：王浩锦,何晓乐,严浩,陈鑫,周嘉豪,王满,曹荣雪,廖健雄

单位：1西华大学 能源与动力工程学院,成都 610039,2西华大学 电气与电子信息学院,成都 610039,3襄阳达安汽车检测中心有限公司,襄阳 441004,1西华大学 能源与动力工程学院,成都 610039,1西华大学 能源与动力工程学院,成都 610039,1西华大学 能源与动力工程学院,成都 610039,1西华大学 能源与动力工程学院,成都 610039,1西华大学 能源与动力工程学院,成都 610039,4西华大学 流体及动力机械教育部重点实验室,成都 610039

关键词：柴油机,排放特性预测,多算法混合模型,机器学习算法,极端梯度提升,

基金：流体及动力机械教育部重点实验室（西华大学）开放课题项目（LTDL2025017）；国家级大学生创新创业训练计划项目（202510623015）

针对单一算法存在的各种不足，提出了一种组合多种机器学习算法和分布式梯度提升库（extreme gradient boosting， XGBoost）的全新混合模型，用于柴油机瞬时排放特性预测。其中多种机器学习算法包括人工神经网络（artificial neural network， ANN）、支持向量机（support vector machine， SVM）、带有外部输入的非线性自回归神经网络（nonlinear autoregressive with exogenous inputs， NARX）、长短时记忆网络（long short-term memory networks， LSTM）、门控循环单元（gated recurrent unit， GRU）、Transformer及时序卷积神经网络（temporal convolutional network， TCN）。同时还使用随机森林算法对混合模型的输入变量进行了筛选，并使用粒子群优化（particle swarm optimization， PSO） 算法和遗传算法（genetic algorithm， GA）确定了混合模型的最优超参数。研究结果表明，多算法+XGBoost的混合模型综合了不同机器学习算法各自的优点，实现了更为精确的柴油机排放特性预测。在训练集和验证集上混合模型均表现出了较好的预测性能，其R2值分别高于0.980与0.967。在测试集上，混合模型的R2值则均高于0.930，展现出了极强的泛化能力。

来源：2026年第2期

《内燃机工程》期刊编辑部

查看内燃机工程杂志2026年第2期