简介：本资源为《基于机器学习的柴油机颗粒物浓度预测》学术论文PDF，面向内燃机排放研究、环保监测及机器学习应用方向的高校师生与科研人员。论文以涡轮增压中冷重型柴油机在四个不同海拔地区的实际道路排放试验为基础，采用主成分分析提取气缸压力前10个主成分，可代表94%的缸内燃烧特性，并构建神经网络模型对7至990纳米粒径范围的颗粒物浓度进行预测，精度分别达到91.37%、92.97%、91.23%和91.99%，较传统模型相对误差降低6.44%。研究还揭示了积聚模态微粒在57至165纳米区间数量偏多的规律，为高原地区排放监控与发动机设计提供依据。资源包内含1个PDF文件，大小约1.91MB，结构完整、数据翔实，已有85人学习，适合作为机器学习与排放预测交叉领域的参考文献与专业指导材料。
1. 柴油机颗粒物浓度预测：从台架数据到可复现的机器学习基线
柴油机排放法规越来越严，颗粒物浓度是排放检测里最让人头疼的一项——它不像氮氧那样有相对稳定的传感器读数，很多时候得靠台架采样称重，周期长、成本高。我在做台架数据整理时发现，一台柴油机在稳态工况下的颗粒物浓度，其实和转速、负荷、喷油时刻、进气温度、EGR率这些参数有很强的非线性关系。这就引出一个很实际的问题：能不能用机器学习，把颗粒物浓度预测这件事从“事后称重”变成“实时估算”？这个标题讲的就是这件事——用机器学习方法，基于柴油机运行参数预测颗粒物浓度。它适合做排放标定的工程师、做台架数据分析的人，以及想找一个真实工程数据集练手的机器学习入门者。核心不是模型多花哨，而是特征怎么选、数据怎么洗、模型怎么验证。
2. 柴油机颗粒物预测的特征工程：哪些参数真正进模型
2.1 从台架原始通道里挑出可用信号
柴油机台架数据通常来自AVL或HORIBA的排放测试系统，原始通道几十个，但真正和颗粒物浓度相关的没那么多。我一般会先看三类信号：工况参数（转速、扭矩、油门开度）、燃烧相关参数（喷油提前角、共轨压力、EGR率、进气温度）、以及环境参数（大气压力、湿度）。颗粒物浓度本身作为标签，通常来自滤纸称重或SMPS/ELPI的实时读数。
这里有个容易翻车的地方：很多台架数据里，颗粒物浓度是每工况点一个稳态值，而其他通道是高频采集的。直接拿高频数据去对齐稳态标签，会引入大量噪声。常见做法是每个稳态工况点取后30%时间的均值作为特征，前70%留给工况稳定过程。这个切分比例不是玄学，是我试过几轮后觉得比较稳的——太靠前工况没稳，太靠后可能已经进入下一个工况的过渡段。
import pandas as pd import numpy as np # 假设 raw_df 是台架原始高频数据，含 time, speed, torque, pm_conc 等列 # 先按工况点编号分组，每个工况点取后30%时间窗做均值 def steady_state_features(raw_df, point_col='point_id', time_col='time', ratio=0.3): features = [] for pid, group in raw_df.groupby(point_col): group = group.sort_values(time_col) n = len(group) start = int(n * (1 - ratio)) steady = group.iloc[start:] feat = { 'point_id': pid, 'speed_mean': steady['speed'].mean(), 'torque_mean': steady['torque'].mean(), 'rail_pressure_mean': steady['rail_pressure'].mean(), 'egr_rate_mean': steady['egr_rate'].mean(), 'intake_temp_mean': steady['intake_temp'].mean(), 'pm_conc': steady['pm_conc'].mean() # 标签 } features.append(feat) return pd.DataFrame(features)这段代码的逻辑是：按工况点分组，每个点只取后30%时间窗的均值。参数ratio控制时间窗比例，我一般从0.3起步，如果数据里工况稳定得慢，可以调到0.4。point_id是台架测试时标记的工况点编号，没有这个列的话得先用转速和扭矩的变化率做工况分割。注意标签pm_conc也取均值，因为稳态工况下颗粒物浓度本身也有波动，取均值比取瞬时值更稳。
2.2 特征筛选：别把共线性和冗余信号喂给模型
台架数据里，转速和扭矩往往高度相关，共轨压力和喷油脉宽也经常同向变化。如果直接把所有通道扔进模型，线性回归的系数会变得不可解释，树模型虽然能扛一部分，但特征重要性会被稀释。我一般会先算一遍Pearson相关系数矩阵，把相关系数绝对值大于0.85的特征对挑出来，保留物理意义上更直接的那个。
比如转速和扭矩相关系数0.9以上时，我会保留转速，因为颗粒物浓度对转速更敏感；共轨压力和喷油脉宽相关时，保留共轨压力，因为它更接近喷油策略的直接控制量。这一步没有绝对标准，得结合发动机类型和标定逻辑判断。做完相关性筛选后，再用随机森林的feature_importances_做一轮排序，把重要性低于0.02的特征砍掉。这个阈值不是固定的，数据量小的时候可以放宽到0.01，数据量大且特征多的时候可以提到0.03。
from sklearn.ensemble import RandomForestRegressor from sklearn.preprocessing import StandardScaler # 假设 feat_df 是上一步得到的稳态特征表 feature_cols = ['speed_mean', 'torque_mean', 'rail_pressure_mean', 'egr_rate_mean', 'intake_temp_mean'] X = feat_df[feature_cols].values y = feat_df['pm_conc'].values # 标准化对树模型不是必须，但方便后续做线性模型对比 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) rf = RandomForestRegressor(n_estimators=200, max_depth=6, random_state=42) rf.fit(X_scaled, y) for name, imp in sorted(zip(feature_cols, rf.feature_importances_), key=lambda x: -x[1]): print(f'{name}: {imp:.4f}')这里用随机森林做特征重要性排序，n_estimators=200是经验值，再多提升有限；max_depth=6是为了防止过拟合，台架数据通常只有几十到几百个工况点，树太深会记住噪声。标准化对随机森林不影响结果，但保留scaler是为了后面换线性模型时不用重写。打印出来的重要性如果某个特征低于0.02，下一轮就可以考虑去掉。注意随机森林的random_state要固定，不然每次跑出来的重要性排序会有小幅波动，容易让人误判。
3. 颗粒物浓度预测模型选型：从线性回归到梯度提升
3.1 为什么我先跑线性回归再上XGBoost
很多人一上来就上XGBoost或神经网络，觉得模型越复杂越好。但柴油机颗粒物浓度和运行参数的关系，有一部分是接近线性的——比如负荷增加，颗粒物浓度通常上升；EGR率增加，颗粒物浓度先降后升。如果直接上复杂模型，很难判断到底是模型学到了非线性，还是只是在拟合噪声。我一般会先跑一个带多项式特征的线性回归作为基线，看R²能到多少。如果线性模型R²能到0.7以上，说明数据里线性成分占主导，后面上树模型提升空间有限；如果R²只有0.4左右，说明非线性很强，树模型或核方法更合适。
from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import make_pipeline from sklearn.model_selection import cross_val_score # 二次多项式线性回归作为基线 poly_lr = make_pipeline( PolynomialFeatures(degree=2, include_bias=False), StandardScaler(), LinearRegression() ) scores = cross_val_score(poly_lr, X, y, cv=5, scoring='r2') print(f'Poly LR R2: {scores.mean():.3f} +/- {scores.std():.3f}')这段代码用5折交叉验证评估二次多项式线性回归。PolynomialFeatures(degree=2)会生成所有特征的平方项和两两乘积项，特征数从5个变成20个左右。include_bias=False是因为后面有StandardScaler和LinearRegression，不需要重复加偏置。交叉验证的cv=5在样本量少于100时可能不太稳，可以改成cv=3或留一法。如果R²的std很大，说明数据分布不均匀，得检查是不是某些工况点特别少。
3.2 XGBoost的参数怎么调才不玄学
XGBoost在台架数据上通常比随机森林好一截，但参数多，容易调出过拟合。我的习惯是先固定学习率0.05，用early_stopping_rounds防止过拟合，然后重点调三个参数：max_depth、subsample、colsample_bytree。max_depth从3开始试，台架数据特征少，深度超过6基本都会过拟合；subsample取0.7到0.9之间，给每棵树随机采样一部分样本；colsample_bytree取0.8左右，让每棵树随机选一部分特征。n_estimators不直接设，靠early_stopping自动定。
import xgboost as xgb from sklearn.model_selection import train_test_split X_train, X_val, y_train, y_val = train_test_split( X, y, test_size=0.2, random_state=42 ) dtrain = xgb.DMatrix(X_train, label=y_train) dval = xgb.DMatrix(X_val, label=y_val) params = { 'objective': 'reg:squarederror', 'learning_rate': 0.05, 'max_depth': 4, 'subsample': 0.8, 'colsample_bytree': 0.8, 'seed': 42 } model = xgb.train( params, dtrain, num_boost_round=500, evals=[(dval, 'val')], early_stopping_rounds=30, verbose_eval=False ) print(f'Best iteration: {model.best_iteration}')这里early_stopping_rounds=30表示验证集损失30轮不下降就停，num_boost_round=500是上限，实际会停在更早的轮数。max_depth=4是我在柴油机数据上试出来比较稳的值，再深验证集损失就开始回升。subsample和colsample_bytree都取0.8，既保留一定随机性，又不至于每棵树看到的信息太少。注意reg:squarederror是回归任务的标准目标函数，如果颗粒物浓度跨度大，可以考虑先对标签做log变换，但柴油机颗粒物浓度通常不会跨几个数量级，直接回归就行。
4. 避坑与排查：颗粒物预测模型翻车的五个典型场景
4.1 现象：验证集R²很高，但新台架数据一跑就崩
原因：台架数据里不同测试循环（如ESC、WHTC）的工况分布差异很大，如果训练集只包含稳态工况，验证集里混入了瞬态工况，模型会把瞬态下的颗粒物峰值当成异常值。更隐蔽的情况是，某些台架数据里颗粒物浓度标签来自不同批次的滤纸称重，批次间系统偏差被模型当成了特征。
解决：按测试循环分层划分训练集和验证集，不要随机划分。如果数据里没有循环标签，至少按转速和扭矩的联合分布做分层。另外，检查标签是否来自同一批次，不同批次的话要做批次校正或把批次作为特征加进去。
4.2 现象：特征重要性排序每次跑都不一样
原因：随机森林和XGBoost的特征重要性本身有随机性，尤其是特征之间相关性高的时候，重要性会在相关特征之间随机分配。台架数据里转速和扭矩、共轨压力和喷油脉宽经常高度相关，导致重要性排序不稳定。
解决：不要只看一次跑的重要性，跑10次取平均。或者改用permutation importance，它对相关特征的分配更稳定。如果两个特征重要性差不多且物理上相关，保留一个就行，不用纠结哪个更高。
4.3 现象：模型在低负荷工况预测偏大，高负荷偏小
原因：颗粒物浓度和负荷的关系通常是非线性的，低负荷时颗粒物浓度低且变化平缓，高负荷时浓度高且上升快。如果损失函数用MSE，模型会偏向拟合高浓度区域，低浓度区域被忽略。另外，低负荷工况的样本量往往比高负荷多，模型会偏向多数样本。
解决：对标签做log变换再回归，或者用Huber损失代替MSE。如果低负荷样本过多，可以对高负荷样本做加权，权重和浓度值成正比。我一般先试log变换，如果预测值反变换后偏差还是大，再换Huber。
4.4 现象：交叉验证R²很高，但留出测试集R²骤降
原因：交叉验证的折是随机分的，如果数据里有重复工况点或近似重复点，随机分折会导致训练集和验证集里有几乎相同的样本，R²虚高。台架数据里同一个工况点可能测了多次，这些重复点必须放在同一折里。
解决：用GroupKFold，把工况点编号作为group，确保同一个工况点的所有重复测量都在同一折。如果没有工况点编号，用转速和扭矩的联合值做近似分组，比如转速取整到50rpm，扭矩取整到10Nm，然后按这个组合分组。
4.5 现象：模型预测值出现负的颗粒物浓度
原因：线性回归和某些树模型在特征空间边缘会外推到负值，颗粒物浓度物理上不能为负。如果训练数据里低浓度样本少，模型在低浓度区域的预测会不稳定。
解决：对预测值做非负截断，y_pred = np.maximum(y_pred, 0)。更彻底的做法是对标签做log变换，反变换后自然为正。如果负值出现频繁，说明模型外推严重，得检查测试数据的特征范围是否超出了训练数据。
5. 把模型用起来：从离线预测到在线估算的最后一公里
模型在离线验证集上R²到0.85以上，不代表能直接上在线估算。在线场景下，特征来自CAN总线或台架实时采集，采样频率和离线数据可能不一致，而且在线数据没有标签，没法实时验证。我一般会做两件事：一是把离线模型封装成一个函数，输入是当前工况的特征向量，输出是颗粒物浓度估算值；二是用历史数据做滚动验证，模拟在线场景下模型随时间的表现。
import joblib # 保存离线训练好的模型和scaler joblib.dump(model, 'xgb_pm_model.pkl') joblib.dump(scaler, 'pm_scaler.pkl') # 在线估算函数 def predict_pm_online(features_dict, model_path='xgb_pm_model.pkl', scaler_path='pm_scaler.pkl'): model = joblib.load(model_path) scaler = joblib.load(scaler_path) feature_order = ['speed_mean', 'torque_mean', 'rail_pressure_mean', 'egr_rate_mean', 'intake_temp_mean'] x = np.array([[features_dict[k] for k in feature_order]]) x_scaled = scaler.transform(x) dtest = xgb.DMatrix(x_scaled) pred = model.predict(dtest)[0] return max(pred, 0) # 非负截断这个在线估算函数的关键是特征顺序必须和训练时一致，feature_order列表要硬编码或从配置文件读，不能靠字典顺序。max(pred, 0)做非负截断，防止出现负浓度。实际部署时，这个函数会被周期调用，每次传入当前工况的均值特征。如果在线数据是高频的，得先做滑动平均再传入，窗口长度和离线处理时保持一致。
滚动验证的做法是：用前80%时间的数据训练，预测后20%；然后把窗口往前滑，用前85%训练预测后15%，以此类推。如果滚动验证的R²比离线交叉验证低很多，说明工况分布随时间漂移，模型需要定期重训。我一般会设一个阈值，滚动R²低于0.6就触发重训。
最后说一个我自己的习惯：每次跑完模型，我都会把预测值和真实值的散点图画出来，按转速和扭矩着色。如果散点图里某些工况区域明显偏离对角线，说明模型在那个区域没学好，得回去看是特征不够还是样本太少。这个图比R²更能暴露问题，也是我判断模型能不能上线的最后一道关。希望帮到你。
本文还有配套的精品资源，点击获取
