(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111340944.X (22)申请日 2021.11.12 (71)申请人 江苏科技大学 地址 212100 江苏省镇江市丹徒区长晖路 666号 (72)发明人 张含冰　程德俊　王端岩　张胜文　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 徐澍 (51)Int.Cl. G06N 3/08(2006.01) F02D 31/00(2006.01) G06N 3/04(2006.01) G06N 3/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于人工智能算法的柴油机电子调速 自适应方法 (57)摘要 一种基于人工智能算法的柴油机电子调速 自适应方法， 先将柴油机的电流、 转速数据进行 标准化处理， 划分数据集， 在神经网络训练之前 采用粒子群算法对初始特征参数进行寻优， 然后 基于目标函数和寻优后的特征参数构建BP神经 网络， 并对网络进行优化， 之后根据BP网络输出 的权重矩阵和偏置值重构特征参数， 并利用智能 算法进行自适应寻优， 优化输出各节点特征参 数， 最终利用本发明低 延迟的特点进行柴油机转 速自适应调控。 本发明通过智能算法对神经网络 初参数的寻优以及最终重构特征参数的优化输 出， 将决策时间降低至毫秒级别， 提高了神经网 络的训练速度和精度， 进一步通过自适应调控使 得柴油机转速波动更小， 控制效果更好， 有利于 实际工程应用。 权利要求书2页 说明书7页 附图6页 CN 114037075 A 2022.02.11 CN 114037075 A 1.一种基于人工智能算法的柴油机电子调速自适应方法， 其特 征在于， 包括如下步骤： (1)将安装在柴油机上的传感器采集的柴油机电流、 转速数据采用Z ‑Score方法进行标 准化处理， 得到归纳统一样本的统计分布性； (2)将标准化处理后的数据划分为训练集和测试集， 并在神经网络训练之前采用粒子 群算法即P SO算法对神经网络初始特 征参数进行寻优； (3)基于目标函数和步骤(2)中采用PSO算法所得到初始特征参数构建BP神经网络， 并 利用训练集进行网络训练， 正向传播时损失函数添加L2正则化， 且在BP神经网络的反向传 播过程中应用Adam优化器进行反向传播优化； (4)根据步骤(3)中BP神经网络输出的权重矩阵和偏置值， 重构特征参数数值， 并应用 蚁狮‑遗传算法即A LO‑GA对各输出节点的特征参数进行自适应寻优， 最终利用低延迟、 高精 度的特点进行柴油机转速自适应调控。 2.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(2)中， 所述的将标准化处理后的数据划分为训练集和测试集的具体方法是， 按照 8： 2的比例随机划分为训练集和测试集， 将训练集作为下一步BP神经网络训练的输入， 测试 集用于最后验证准确性。 3.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(2)中， 所述的在神经网络训练之前， 采用粒子群算法即PSO算法对神经网络的初始 特征参数进行寻优的具体内容和方法是， 采用已获得的大量工程数据进行预测， 缩小BP神 经网络训练范围， 加快BP神经网络的训练速度、 提高预测精度； 其寻优的初始特征参数为： 柴油机转速Pk、 平衡电流 值Ibac、 柴油机参数 Kac、 周期Ts、 实时电流 I(k‑t)。 4.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(3)中， 所述的基于目标函数和步骤(2)中采用PSO算法所得到初始特征参数构建BP 神经网络的具体内容和方法是， 将PSO算法处理后的初始特征参数， 即平衡电流值Ibac、 柴油 机参数Kac根据其物理特性组成维度为二维的特征数组[[x1， x2]， [x3， x4]， …[xN‑1， xN]]作 为输入数据对BP神经网络进行训练， 并通过反向传播过程 不断修正权重矩阵和偏置值。 5.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(3)， 所述的基于目标函数和步骤(2)中采用PSO算法所得到初始特征参数所构建的 BP神经网络为具有一层隐藏层和多输入多输出的BP神经网络； 所述BP神经网络的结构和功 能包括如下： 输入层： 将处理后的数据， 即平衡电流值Ibac、 柴油机参数Kac转化为2个二维数组， 作为 隐藏层的输入； 隐藏层； 将处理好的数据输入到BP神经网络的隐藏层进行计算， 同时完成正向传播， 调 整权重矩阵W和偏置b； 输出层： 将BP神经网络隐藏层的输出通过tanh函数激活， 得到本次计算的权重， 并计算 反向传播所需要的权 重矩阵导数值； 调节网络参数： 设定BP神经网络内部初始参数， 在网络训练过程中通过Adam算法优化 训练过程， 对比每个时刻的预测和真实数据， 并计算训练集中的损失函数值， 通过反向传播 逐步减小损失函数值， 从而实现特 征参数的收敛。 6.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114037075 A 2于， 步骤(3)中， 所述的BP神经网络正向传播时损失函数添加L2正则化防止过拟合现象产 生， 反向传播过程采用Adam算法代替传统的梯度下降法， 使用自适应更改学习率的方法， 通 过深度自学习逐步使得决策时间降低至毫秒级别。 7.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(4)中， 通过步骤(3)中BP神经网络得到的优化数据， 重构并输出特征参数的具体内 容和方法是， 应用基于人工智能算法即A LO‑GA算法的多 特征自适应学习方法进 行特征参数 的自适应追踪； 通过蚁狮算法即A LO算法缩小 特征参数搜索范围， 接着采用自适应的遗传算 法即GA算法， 加入交叉率和变异 率根据数据收敛特性自适应功能， 加快收敛速度， 提高预测 精度。 8.根据权利要求1所述的基于人工智能算法的柴油机电子调速自适应方法， 其特征在 于， 步骤(4)中， 利用统计分析方法将人工智能算法输出预测结果进行数据分析， 利用测试 集数据将特征参数预测值与真实值相对比， 计算绝对误差值， 最 终利用低延迟、 高精度的特 点进行柴油机转速自适应调控。权　利　要　求　书 2/2 页 3 CN 114037075 A 3