基于改进PSO-BO-BP的拖拉机双燃料发动机性能预测OA

为提高拖拉机双燃料发动机性能与排放预测模型的性能,提出了一种融合改进粒子群优化算法(IMPSO)、贝叶斯优化(BO)和反向传播(BP)的协同预测模型(IMPSO-BO-BP)。基于发动机台架试验数据,通过整合IMPSO全局搜索、BO概率推理和BP梯度更新机制,构建多尺度优化模型。结果表明:BO解析了神经网络隐含层维度与学习率的非线性耦合效应,确定隐含层神经元数量24、学习率0.00215为最优参数组合,表明模型复杂度与学习率调控对泛化性能的协同约束作用;性能预测中,IMPSO-BO-BP对制动热效率(BTE)和制动燃料消耗率(BSFC)的预测平均绝对百分比误差(MAPE)与均方根误差(RMSE)较BO-BP模型降低25%~40%,R^(2)提升至0.995及以上,验证了其对物理主导型非线性关系的高精度建模能力;排放预测方面,模型对CO、NO_(x)和HC的MAPE为3.403%、5.223%、3.413%,R^(2)达0.9925、0.9942、0.9946,RMSE为56.429、45.709、335.322,虽精度略低于性能参数预测,但较BO-BP模型仍提升显著。研究证实多算法协同机制通过全局优化与局部收敛的互补效应,可显著提升模型精度和鲁棒性,为拖拉机双燃料发动机多目标优化控制和低排放设计提供了可靠的建模工具。