车用汽油机过渡工况空燃比的神经网络多步预测控制策略

第14卷第1期
2008年2月
燃　烧　科　学　与　技　术
Journal of Combustion Science and T echnology V ol.14　N o.1Feb.2008
车用汽油机过渡工况空燃比的神经网络多步预测控制策略
吴义虎,侯志祥,宋丹丹
(长沙理工大学汽车与机械工程学院,长沙410076)
摘　要:车用汽油机空燃比存在传输延迟,直接用于反馈控制影响空燃比的控制精度.为此,提出了一种基于神经网络的空燃比多步预测控制策略,首先建立了基于BP 神经网络的空燃比多步预测模型,利用空燃比预测模型预报空燃比的未来值,利用预测值与期望值的误差及误差变化率,采用模糊控制器对空燃比实施多步预测控制.对
H L495发动机两种典型过渡工况实验数据进行仿真,结果表明,该方法能将过渡工况空燃比控制在理论空燃比的
±3%以内.
关键词:汽油机;过渡工况;空燃比;神经网络预测;模糊控制
中图分类号:TK 41 文献标志码:A 文章编号:100628740(2008)0120011205
Air Fuel R atio Control of G asoline E ngine B ased on N eural
N etw ork Multi 2Step Predictive Model
During T ransient Conditions
W U Y i 2hu ,H OU Zhi 2xiang ,S ONG Dan 2dan
(School of Autom obile and Mechanical Engineering ,Changsha University of Science and T echnology ,Changsha 410076,China )Abstract :F or air fuel ratio signal of a gas oline engine ,there exist transmission delay ,which affects the control accuracy of air fu 2el ratio using directive air fuel ratio sens or signals.A multi 2step predictive control method based on neural netw ork was provided in this paper.A multi 2step predictive m odel of air fuel ratio based on back propagation neural netw ork was first set up ,and a fuzzy controller was then set up using the error of predictive values and expected values and its derivative.The simulation was accom 2plished using the experimental data of H L495gas oline engine ,and the results show that using multi 2step predictive control method ,the air fuel ratio error could be contralled within 3%under the transient conditions.
K eyw ords :gas oline engine ;transient condition ;air fuel ratio ;neural netw orks prediction ;fuzzy control
收稿日期:2007203208.
基金项目:国家自然科学基金资助项目(50276005).
作者简介:吴义虎(1962—
),男,博士,教授.通讯作者:吴义虎,w2309@.
为了降低汽油机污染物的排放和燃料消耗,需要
将汽油机空燃比精确控制在理论空燃比附近.实际空燃比的微小变化会引起三效催化转化效率的严重降低.神经网络具有自学习、自适应功能,近些年来,基于神经网络的智能控制策略成为国内外研究空燃比精确
控制的热点[125]
.为实现空燃比的精确控制,目前通常采用氧传感器信号进行闭环控制.由于氧传感器安装在排气管内,气缸内空燃比的检测存在传输延迟,从而
影响空燃比的控制精度.过渡工况时,如节气门突变时,气缸内空燃比波动幅值大,空燃比传输延迟时间对空燃比控制精度的影响更大.为克服空燃比传输延迟对空燃比控制精度的影响,本文提出了一种车用汽油机过渡工况空燃比的神经网络多步预测控制策略.以H L495汽油机为例,首先建立了车用汽油机过渡工况空燃比的神经网络多步预测模型,然后利用该预测模型,采用模糊控制器进行空燃比预测控制仿真.
1　空燃比多步预测模型及其算法
111　空燃比模型分析
空燃比模型如图1所示,包括进气通路和供油通
路两部分,实际空燃比λ是每循环进入气缸的空气质量m ac 与进入气缸的燃油质量m fc 之比,即λ=m ac /
m fc .进气通路模型包括节气门模型和进气管模型,研
究表明
[527]
,通过节气门的空气质量流量m at 是节气门
开度α和进气管压力p m 的非线性函数,故
m at =g 1(α,p m )
(1
)
图1　空燃比模型
气缸入口处的空气质量流量m ac 可描述为发动机转速ω和进气管压力p m 的非线性函数,故
m ac =g 2(ω,p m )
(2)
在稳态工况时,进气管内空气流速均匀稳定,进入进气管的空气流速可认为等于进入气缸的空气流速.当汽油机处于过渡工况时,由于进气系统存在动态的fill 2em pty 现象,进、出进气管的空气流速不再相等.根
据理想气体状态方程有
　m am =
p m V m
RT m
(3)
式中:m am 为进气管内空气质量流量;V m 为进气管容积;R 为气体常数;T m 为进气管内温度.
对式(3)两边取微分,得到 p m =
RT m V m m am +p m T m
T m
(4)
考虑到所有工况下热传导很小,压力随时间的变
化比温度的变化大很多,所以忽略式(4)右边第二项.将进气管系统视为一个充气泵,对进气管空气流应用质量守恒定律,有
m am = m at - m ac
(5)
由式(4)和式(5)得
p m =
RT m
V m
( m at - m ac )(6)
由式(1)、式(2)和式(6)可知,过渡工况时,通过进气管进入气缸的空气质量流量变化率可描述为
m ac =g 3(ω,p m ,
α)(7)
式中的g 3为非线性函数.喷油嘴在喷油脉宽时间t i
内喷出的燃油m fi 一部分以燃油蒸气的形式直接进入气缸,另一部分则以液态油滴形式在进气岐管壁面沉
积下来形成油膜,油膜内的燃油又以1/τf 的速率不断蒸发,蒸发出的燃油蒸气与上述油蒸气一起进入气缸.
油膜动力学模型可用以下数学公式描述[6]
,即
　m fv =(1-x )m fi
m ff =1τf
(-m ff +xm fi
)m fc =m fv +m ff
(8)
式中:m fv 为燃油蒸气的质量流量;m fi 为喷油嘴喷出燃油质量流量;m ff 和 m ff 为油膜蒸发的质量流量和其变化率;m fc 为进入气缸的燃油质量流量;τf 为燃油蒸发时间常数;x 是燃油分配系数.参数τf 和x 是发动机运行工况的函数[6]
,即
　τf =f 1(ω,p m )
(9)　x =f 2(ω,p m ,T m )
(10)
式中f 1、f 2均为非线性函数.由式(8)～式(10)可知,在
假定进气管内温度T m 恒定情况下,进入气缸的燃油质量可描述为
　m fc =f 3(ω,p m ,m fi )=f 4(ω,p m ,t i )(11)
其中f 3、f 4均为非线性函数.由式(7)和式(11)可知,空
燃比数学模型可用非线性函数H 描述,即
λ=H (α,ω,p m ,t i )(12)
由于氧传感器不能直接安装在气缸内,通常安装
在排气管内,因而空燃比的检测存在传输延迟,直接作为反馈控制信号将导致控制系统存在较大迟滞,影响控制响应速度与精度.因此,本文考虑根据式(12)先建立神经网络动态预测模型.
112　空燃比多步预测模型及其算法1.2.1　预测模型
时滞系统的未来响应特性与系统当前时刻的状态
有关,与当前及过去时刻系统的状态变化趋势有关.经过仿真分析,为改善神经网络的多步预测结果,只要将系统实际输出值的变化趋势,即在k -1时刻的一阶
导数和二阶导数输入到网络的输入层即可[7]
,于是有图2所示的空燃比神经网络多步预测模型.将喷油脉冲宽度视为系统输入U ,节气门开度、进气管压力、发
动机转速视为系统干扰D ,D =[α,p m ,ω]T
,空燃比λ为系统输出,借鉴文献[4]的结论,系统输入与干扰阶次取2,系统输出的阶次取3.对于离散系统,用λ或λN 在k -1时刻的前向差分表示系统的一阶和二阶导数,为便于计算,可将实际采样周期下的差分方程简化为
・12　・燃 烧 科 学 与 技 术第14卷第1期
图2　空燃比神经网络多步预测模型
一阶导数
λ(k -1)=λ(k )-λ(k -1)二阶导数　¨λ(k -1)=λ(k )-2λ(k -1)+λ(k -2)1.2.2　预测算法
网络的输入向量中增加 λ(k -1)和¨
λ(k -1),并对网络的输入数据进行尺度变换处理,对于图2便有如下的神经网络多步预测算法.
步骤1　开关3与1相接,采用BP 网络离线实现空燃比系统的模型辨识,即用BP 神经网络实现映射λ(k )=NN [U (k -1,k -2),D (k -1,k -2),λ(k -1,k -2,k -3), λ(k -1),¨
λ(k -1)],学习完成且网络收敛后,BP 神经网络的输出λN (k )≈
λ(k ).步骤2　令k =1,在线采集D (k -1)、U (k -1)、
λ(k -1),利用已学习的网络计算出λN (k ),开关3与2相接,用网络输出值λN (k )代替实际值λ(k )输入向
量Y 中,即
　Y =[λN (k ),λ(k -1),λ(k -2), λN (k -1),
¨λN (k -1)]
T
(13)
步骤3　Y 和D 、U 一起输入已训练好的BP 网络,求出预测值λ(1)
N (k +1).
步骤4　令式(13)中k =k +1,将预测值代入式(13),利用BP 网络计算新的预测值.
步骤5　重复步骤4,连续预测N 步(N 取决于空燃比传输延迟时间与控制周期比值,在N 步预测过程
中,D 、U 不变),求出BP 网络预测值λ(1)
N (k +1),λ(1)
N (k +2),…,λ(1)
N (k +N ).
步骤6　返回步骤2.
113　多步预测模型的训练与验证
实验发动机为H L495Q 四缸电喷汽油机,发动机排量为2184L ,标定功率为7315kW ,标定功率转速为3800r Πmin ,压缩比ε=718,怠速转速为750r Πmin ,测
功器为CW260型电涡流测功器,在确保采样信号不失
真的条件下,采样时间设为0101s.由于发动机过渡工况情况复杂,因此,在节气门全程范围内采用分阶段实验,同时采集节气门开度信号、进气管压力信号、发动机转速信号、喷油脉冲宽度信号、空燃比信号.试验1为发动机加速实验,使节气门开度以不同速度(在1s 、2s 、3s 、4s 和5s 内)由怠速位置开启至85%,测试时间为8s ,获取5×800组实验数据.实验2为发动机减速实验,使节气门开度以不同时间(分别在015s 、1s 、115s 、2s 和3s 内)由85%减速至怠速位置,测试时间
为5s ,共获取5×500组实验数据.考虑用BP 神经网
络进行空燃比多步预测,由图2分析可知,BP 神经网络输入层为13,网络的隐层根据仿真训练结果确定为15,以3s 内加速和115s 内减速实验数据作为模型预
测检验样本,其它样本作为模型辨识训练样本(5200组);权值调整采用共轭梯度算法,通过变换梯度加速网络训练的收敛速度,该方法可直接调用MAT LAB 中
的traincg f ()实现[8]
,训练步数为6000次,由空燃比传输延迟时间与采样时间确定预测步长N =4;当网络训练完成后,用检验样本对模型预测能力进行检验,其预测结果与实际值如图3、图4所示.网络输出最大误差小于3%,平均误差小于2%,网络逼近性能较高
.
图3　
加速工况空燃比预测结果
图4　减速工况空燃比预测结果
2008年2月吴义虎等:车用汽油机过渡工况空燃比的神经网络多步预测控制策略
・13　・　
2　基于多步预测模型的空燃比模糊控制
211　基于多步预测模型的空燃比模糊控制
基于多步预测模型的空燃比模糊控制结构如图5所示,整个控制系统包含神经网络空燃比预测模型和模糊控制器两个主要部分,利用神经网络空燃比预测模型的未来预测值与设定值的误差及其变化率采用二维模糊控制器计算出喷油时间.
设误差的基本论域为[-5,5],误差变化率的基本论域为[-3,3],喷油时间的基本论域为[1,9](ms ),空燃比误差e 的模糊子集设为{NB ,NM ,NS ,Z O ,PS ,PM ,
P B};空燃比误差变化率 e 的模糊子集设为{NB ,NS ,
Z O ,PS ,P B};喷油时间t i 的模糊子集设为{NB ,NM ,NS ,Z O ,PS ,PM ,P B}.输入输出变量的隶属度函数见图6,输入变量误差及变化率选用三角形隶属度函数,在
误差变量0值附近区域较窄,增加系统的灵敏度[9]
,输出变量喷油时间采用高斯形隶属度函数.建立如表1所示的模糊规则,模糊控制器输入输出关系如图7所示.212　过渡工况空燃比的多步预测模糊控制仿真以H L495发动机过渡工况为仿真对象,考虑如图8所示两种过渡工况情况.过渡工况一为节气门以慢速变化,过渡工况二为节气门快速变化,
采用上述多步
图5　
基于多步预测的空燃比模糊控制结构
图6　输入输出变量的隶属度函数
表1　喷油时间t i 控制模糊规则表
e
e
P B PM PS Z O NS NM NB P B P B P B PM Z O Z O NM NB PS P B PM PM Z O NS NM NB Z O P B PM PS Z O NS NM NB NS P B PM PS Z O NS NM NB NB
P B
PS
Z O
ZS
NM
NB
NB
图7　模糊控制器输入输出关系
・14　・燃 烧 科 学 与 技 术第14卷第1期
预测模糊控制算法,其空燃比控制仿真结果分别如图
9、图10所示.从图中可见,在节气门慢速变化时,空燃比变化范围为理论空燃比的±1%;节气门快速变化时,空燃比变化范围为理论空燃比±3%;从而有效地改善了过渡工况因油膜效应而造成空燃比大幅度变浓或变稀.仿真所得的空燃比多步预测模型结构与参数以及模糊器规则为空燃比实时控制奠定了基础
.
图10　
过渡工况二的空燃比控制仿真结果
图9　
过渡工况一的空燃比控制仿真结果
图8　节气门开度变化
3　结　语
本文提出了一种基于神经网络的空燃比多步预测
控制策略,首先建立了基于BP 神经网络的空燃比多
步预测模型,利用空燃比预测模型预报空燃比的未来值,利用预测值与期望值的误差与误差变化率采用模糊控制器对空燃比实施多步预测控制.以H L495发动机两种典型过渡工况实验数据进行仿真,结果表明,该方法能将过渡工况空燃比控制在理论空燃比的±3%以内,从而有效改善过渡工况因油膜效应而造成的空燃比大幅度变浓或变稀.参考文献:
[1]　Shiraishi H ,Lpri S L ,Cho D D.C M AC neural netw ork control 2
ler for fuel injection system [J ].IEEE Transaction on Control System Technology ,1995,3(1):32238.
[2]　W on M ,Choi S B.Air 2to 2fuel ratio control of spark ignition en 2
gines using G aussian netw ork sliding control [J ].IEEE Transac 2tions on Control System Technology ,1998,6(5):6782687.
[3]　Wendeker M.Hybrid air fuel ratio control using the adaptive and
neural netw orks [C ]ΠΠSAE Pape .Detroit ,MI ,US A ,2000,200020121248.
[4]　Cesare Alippi.A neural 2netw ork based control s olution to air fuel
ratio for autom otive fuel injection system[J ].IEEE transactions on System Man and Cybernetics (Part C ),2003,33(2):2312
239.
[5]　李国岫,张　欣,夏　渊.一类自适应模糊神经混合解
耦控制器的研究[J ].高技术通讯,2004,14(6):78280.
LI G uoxiu ,Zhang X in ,X ia Y uan.Adaptive fuzzy neural hybrid decoupling controller [J ].High Technology Letter ,2004,14(6):78280(in Chinese ).
[6]　E lbrt Hendricks.Mean value m odeling of spark ignition engines
[C]ΠΠSAE Paper .Detroit ,MI ,US A ,1996,960616.[7]　张吉礼.模糊神经网络控制原理与工程应用[M].哈尔
滨:哈尔滨工业大学出版社,2004.
Zhang Jili.Fuzzy Neural Network Control Theory and Application [M].Harbin :Harbin P olytechnical University Press ,2004(in Chinese ).
[8]　闻　新,周　露,李　翔.M AT LAB 神经网络仿真与应用
[M].北京:科学出版社,2003.
Wei X in ,Zhou Lu ,Li X iang.Neural Network Simulation and Application Based on MAT LAB [M].Beijing :Science Press ,2003
(in Chinese ).
[9]　诸　静.模糊控制原理与应用[M].北京:机械工业出版
社,1999.
Zhu Jing.Fuzzy Control Theory and Application [M].Beijing :China Machine Press ,1999.
2008年2月吴义虎等:车用汽油机过渡工况空燃比的神经网络多步预测控制策略
・15　・　。