基于PSO-KELM的发动机特征参数预测

来源期刊：控制工程2014年第S1期

论文作者：马超 张英堂 李志宁

文章页码：28 - 32

关键词：发动机;特征参数;核极限学习机;粒子群算法;

摘    要：针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机（PSO-KELM）的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机（KELM）建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型（PSO-LS-SVM）和基于网格搜索优化的核极限学习机预测模型（NS-KELM）相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。