Прогнозирование переходных выбросов NOx дизельного двигателя большой мощности для внедорожного применения на основе алгоритма PSO-XGBoost

В статье предложена модель на основе машинного обучения для прогнозирования переходных выбросов оксидов азота (NOx) дизельных двигателей большой мощности для внедорожного применения в условиях NRTC. Модель объединяет алгоритмы роя частиц (PSO) и eXtreme Gradient Boosting (XGBoost) для предсказания переходных выбросов NOx. Экспериментальные данные получены на моторном стенде. Для оценки взаимосвязи между параметрами работы двигателя и выбросами NOx использовались коэффициент корреляции Пирсона (PCC), коэффициент корреляции Спирмена (SCC) и анализ SHAP, что повысило интерпретируемость признаков и надежность выбора входных параметров. Гиперпараметры модели XGBoost были оптимизированы с помощью алгоритма PSO. Оптимизированная модель демонстрирует хорошую предсказательную способность: на обучающем наборе R2 достиг 0.9989, MAE составил 1.16 ppm, RMSE — 1.57 ppm; на тестовом наборе R2 равнялся 0.9662, а MAE и RMSE составили соответственно 6.33 ppm и 8.97 ppm. Дополнительно модель PSO-XGBoost была сопоставлена и проанализирована по сравнению с шестью традиционными моделями. Наконец обсуждались обобщающая способность модели PSO-XGBoost и лежащие в её основе механизмы. Результаты показывают, что предложенная структура PSO-XGBoost эффективно захватывает нелинейные зависимости между рабочими параметрами дизельного двигателя и обеспечивает точное прогнозирование переходных выбросов NOx для внедорожных двигателей большой мощности.