基于大数据-物理模型双驱动的ICEM瞬时压力预测方法

本发明涉及内燃机，具体为一种基于大数据-物理模型双驱动的icem瞬时压力预测方法。

背景技术：

1、混合器是内燃机进气系统的核心部件，其内部不同点位的瞬时压力分布，直接影响内燃机进气效率与燃油雾化效果，进而决定整机动力性能与排放特性，是内燃机运行状态监测的核心控制指标。

2、目前行业内主流的混合器压力监测方案，是在关键点位安装压力传感器直接采集数据。该方案在工程应用中存在多处固有缺陷：一是传感器安装需在混合器管壁开孔，会破坏内部流场结构，导致测量结果存在系统误差；二是混合器喉口空间狭小，且长期处于高温、高速气流冲刷及整机高频振动环境，传感器易磨损、老化，使用寿命短，增加整机运维成本；三是传感器信号采集、传输及处理存在延迟，无法满足内燃机加速、减速、怠速切换等动态工况下的瞬时压力实时监测需求；四是多点位同步监测需安装多个传感器，不仅增加进气系统结构复杂度，多传感器协同采集误差还会降低整体监测精度。

3、为解决上述痛点，业内逐步出现单一物理模型或单一数据驱动的压力预测方法，但两类方法均有明显技术局限。单一物理模型基于流体力学基本方程推导，依赖大量固定参数假设，难以适配混合器复杂管路结构，且对阻力系数等动态参数标定精度不足，预测误差大、全工况泛化能力差。单一数据驱动模型基于机器学习算法构建，缺乏物理先验约束，训练易出现过拟合，预测结果无物理可解释性，无法满足工程应用可靠性要求。同时，现有数据驱动方法仅依托混合器局部有限参数建模，未融合内燃机全系统多维运行参数，特征信息不足，无法全面表征全工况下混合气流动特性与阻力演化规律，尤其在瞬态工况下，难以实现阻力系数动态自适应优化，进一步放大预测误差。

4、现有少量融合物理模型与数据模型的方案，多采用“并行计算后加权融合”的模式，并未实现深度协同，存在“物理建模与数据训练脱节”问题。既无法将物理模型完整嵌入大数据模型实现端到端预测，也不能通过数据训练动态优化物理模型核心参数，无法适配内燃机瞬态工况下的流动特性突变，融合效果不佳，难以兼顾预测精度、结果可解释性与全工况适配性。

5、综上，现有技术尚未形成满足内燃机行业无传感器、高精度、实时化、可解释的混合器瞬时压力预测成熟方案，需开发一种物理模型全流程嵌入大数据模型、具备动态参数闭环优化能力、可端到端输出预测结果的双驱动压力预测方法。

技术实现思路

1、针对现有内燃机混合器压力监测依赖传感器存在的流场破坏、测量误差大、运维成本高、动态工况实时性不足，以及单一物理模型泛化能力差、单一数据驱动模型无物理可解释性、现有融合方案物理建模与数据训练脱节等问题，本发明的目的在于提供一种基于大数据-物理模型双驱动的icem（internal combustion engine mixer，内燃机混合器）瞬时压力预测方法，实现混合器关键点位压力的无传感器、高精度、全工况、可解释实时预测。技术方案如下：

2、基于大数据-物理模型双驱动的icem瞬时压力预测方法，包括如下步骤：

3、步骤s1：基于流体力学核心定律，构建可动态接收参数优化更新的混合器压力预测物理模型，推导得到待预测点位瞬时压力的显式函数；

4、步骤s2：采集内燃机全工况下全系统多维运行参数，经预处理与相关性分析后，构建与待预测压力、阻力系数强相关的特征集；

5、步骤s3：通过输入层物理特征嵌入、决策树节点分裂物理约束、单棵决策树输出物理约束、集成输出物理校正、复合损失函数训练约束五种嵌入方式，将所述物理模型全流程深度嵌入随机森林大数据模型，构建端到端的双驱动预测模型；

6、步骤s4：基于全工况标准化数据集开展模型迭代训练，建立阻力系数动态优化与物理模型反向更新的闭环协同机制，通过双阈值完成模型收敛判断，输出训练完成的双驱动预测模型；

7、步骤s5：通过训练收敛的双驱动预测模型，端到端输出混合器待预测点位的瞬时压力值，替代传统压力传感器实现无传感器高精度实时监测。

8、本发明的有益效果是：

9、1）本发明兼具大数据模型的非线性拟合能力与物理模型的规律约束特性，无需在混合器管壁开孔安装传感器，即可实现全工况下瞬时压力的精准预测，既消除了传感器安装对流场的破坏、恶劣工况下的损耗问题，又彻底解决了传统融合模型“物理与数据两张皮”的行业痛点。

10、2）本发明预测响应速度快、泛化能力强、结果具备完整物理可解释性，可复用现有车载电控与传感系统，无需新增硬件，工程落地性强，广泛适配各类内燃机混合器不同点位的压力监测需求，为内燃机进气系统优化与整机运行状态调控提供可靠的数据支撑。

1.基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s1具体包括：

3.根据权利要求1或2所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s2具体包括：

4.根据权利要求2所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s3中输入层物理特征嵌入的具体方式为：

5.根据权利要求1所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s3中决策树节点分裂物理约束的具体方式为：

6.根据权利要求4所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s3中单棵决策树输出物理约束的具体方式为：

7.根据权利要求6所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s3中集成输出物理校正的具体方式为：

8.根据权利要求1所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s3中复合损失函数训练约束的具体方式为：

9.根据权利要求1所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s4具体包括：

10.根据权利要求1所述的基于大数据-物理模型双驱动的icem瞬时压力预测方法，其特征在于，所述步骤s5具体包括：