一种基于机器学习的燃料替代率控制方法、装置及发动机与流程
技术特征：
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.如权利要求4所述的燃料替代率控制方法，其特征在于，所述bi-lstm-cnn混合网络模型，包括特征融合层和全连接层，所述特征融合层是将双向长短期记忆网络bi-lstm和卷积神经网络cnn的输出串联合并，所述全连接层是将卷积神经网络的池化层降维处理的数据输出展开，输出燃料替代率的预测值。
6.如权利要求1所述的燃料替代率控制方法，其特征在于，所述气体排放数据包括co2、nox、pm排放数据；对收集到的所述关键性能指标进行预处理，对数据格式进行统一标准化并减少噪声数据。
7.如权利要求1所述的燃料替代率控制方法，其特征在于，还包括，将所述燃料替代率控制方法进行全面现场测试，通过持续的运行反馈和性能监测，根据实际运行数据进行不断迭代和混合模型优化。
8.如权利要求1所述的燃料替代率控制方法，其特征在于，包括，
9.一种基于机器学习的燃料替代率控制装置，其特征在于，包括以下单元：
10.一种发动机，其特征在于，包括：
技术总结
本发明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。
技术研发人员：张朦朦,惠小亮,吴竞,李鹏豪,张永林,王护航
受保护的技术使用者：重庆红江机械有限责任公司
技术研发日：
技术公布日：2024/11/18
技术研发人员：张朦朦,惠小亮,吴竞,李鹏豪,张永林,王护航
技术所有人：重庆红江机械有限责任公司
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除