掌桥专利:专业的专利平台
掌桥专利
首页

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法

文献发布时间:2023-06-19 16:12:48



技术领域

本发明具体涉及一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法。

背景技术

天然气是较为安全的燃气之一。使用天然气可减少煤和石油的用量,能够有效改善环境污染问题;同时,天然气是一种清洁能源,能减少二氧化硫和粉尘排放量近100%,减少二氧化碳排放量60%和氮氧化合物排放量50%,并有助于减少酸雨形成,减缓地球温室效应,从根本上改善环境质量。

传统预混燃烧天然气发动机受到爆震极限和过程损失等各方面的影响,其效率明显低于同等排量的柴油发动机。高压天然气缸内直喷发动机(HPDI)采用缸内扩散燃烧模式,消除了预混燃烧模式下潜在的爆震影响,因此可采用与同级柴油机相同的压缩比。在与柴油能发动机相同的动力性能条件下,缸内直喷技术使天然气发动机具有良好的经济性和排放性能,致使其成为当前研究的重点。缸内直喷发动机技术通过调节天然气喷射质量来调节负荷,扩散燃烧过程也在很大程度上取决于燃气喷射过程,然而,柴油-天然气耦合喷射过程的复杂性对HPDI技术的发展提出了新的挑战。

现有技术中难以实现对于喷射质量的精确控制,致使测量结果不精确。

发明内容

本发明提供一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,用以解决现有技术难以实现对于喷射质量的精确控制,致使测量结果不精确的问题。

本发明通过以下技术方案实现:

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述控制方法具体包括如下步骤:

步骤1:安装设备,并调试;

步骤2:基于步骤1的设备,采集燃气喷射器5进气口的压力传感器4的压力信号;

步骤3:将步骤2采集到的压力信号经过电荷放大器7放大并传递给PXI8;

步骤4:基于步骤1的设备,通过IPOD6采集燃气喷射器5的传感器信号传送给实时处理器PXI;

步骤5:实时处理器PXI提取入口压力信号的最大跌落值ΔP,并将喷射压力P

步骤6:将步骤5经过计算的喷气量m

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤1具体包括气源1、压气机2、高压气轨3、压力传感器4、燃气喷射器5、驱动电流发生器IPOD6、电荷放大器7、实时处理器PXI8、轨压控制器9和上位机10;

所述气源1依次通过压气机2、高压气轨3和压力传感器4向燃气喷射器5发送经过压缩的高压燃气;

所述压力传感器4与电荷放大器7相连接,所述燃气喷射器5与驱动电流发生器IPOD6通过ET相连接,所述电荷放大器7与驱动电流发生器IPOD6分别与实时处理器PXI8相连接,所述高压气轨3和上位机10均与轨压控制器9相连接,所述实时处理器PXI8与上位机10相连接。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5中在线喷气量神经网络模型包括以下步骤:

步骤5.1:对输入和输出的数据集Z-core进行标准化处理;

步骤5.2:基于步骤5.1的数据集Z-core进行随机划分;

步骤5.3:建立MLP神经网络结构;

步骤5.4:将步骤5.3的MLP神经网络结构,进行阈值权值初始化;

步骤5.5:基于步骤5.4的MLP神经网络结构,对训练集的输入和输出参数进行训练;

步骤5.6:使用MLP神经网络结构对测试集的输入参数进行预测;

步骤5.7:将预测值与真实值进行反归一处理,计算误差MAE;若计算误差小于1%,则模型训练完成。

计算误差MAE:

式中:n、y

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.1具体为,

实验数据集的参数有三个,两个输入参数P

其中,μ表示各个参数的均值,σ代表的相关参数的标准差。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.2具体为,MLP神经网络模型包括输入层、隐藏层和输出层;输入神经元分别为燃气喷射压力P

b=2a+1

b为隐藏层神经元个数,a为输入神经元个数;隐藏层以及输出层的激活函数均设置为sigmoid函数:

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.3具体为,

偏移量b1设置为1,从输入层到隐藏层的权值矩阵为:

偏移量b1设置为2,从隐藏层到输出层的权值矩阵为:

W′=(W

隐藏层激活函数的阈值矩阵为:

σ=(σ

输出层激活函数的阈值为σ′。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6具体包括以下步骤:

步骤6.1:引入状态空间模型;

步骤6.2:基于步骤6.1的状态模型进行预测方程;

步骤6.3:求解步骤6.2的预测方程的第一个输出变量;

步骤6.4:将步骤6.3的第一个输出变量传输到数据输出卡,IPOD产生激励电流驱动电磁阀动作,燃气喷射器进行喷气。

1引入状态空间模型:

其中x(k)为系统内部状态变量;C为系统矩阵;D

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6.1引入状态空间模型具体为,

其中x(k)为系统内部状态变量;C为系统矩阵;D

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6.2进行预测方程具体为,

Δx(k+1)=CΔx(k)+D

将y(k)=Ex(k)与x(k)=x(k-1)+Δx(k)与之合并后得到

y(k)=EΔx(k)+y

以最新测量值为初始条件,预测时域为p,控制时域为n,并且有以下两个假设:

1.Δu(k+i)=0,i=n,n+1,...,p-1

2.Δd(k+i)=0,i=1,2,...,p-1

Δx(k+n|k)=C

Δx(k+p|k)=C

进一步可得

定义两个新向量

由此预测p输出

Y

对于优化问题,考虑输出跟踪上参考输入和尽可能减少控制幅度,选择以下目标函数:

J(x(k),ΔU(k),n,p)=||Γ

其中:Γ

定义一个辅助变量

代入预测方程,可得

最优控制序列为:

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6.3求解预测方程的第一个输出变量具体为,首先定义

因此

Δu(k)=K

本发明的有益效果是:

本发明进行在线观察,该结果一方面可以作为喷射质量闭环控制的反馈信息,保证控制的准确性,另一方面也可以作为喷射器全寿命健康状态的评价指标。

本发明提高了燃气喷射的可抗干扰性,提高了系统的鲁棒性。

本发明在MPC基础上的闭环控制,实现对喷气质量更精确的反馈和提高系统的响应性。

本发明区别于MAP标定的喷气量闭环控制方式,该方式可显著提高系统的稳定性和鲁棒性。

附图说明

图1是本发明的试验台结构示意图。

图2是本发明的MLP神经网络结构示意图。

图3是本发明的神经网络训练流程图。

图4是本发明的喷气量控制框图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

本发明提出一种基于高压天然气缸内直喷发动机的在线感知控制系统、MPC策略、基于MPC的闭环控制方法。

喷射器最重要的量化特性是不同条件下的喷射质量。在相同的喷射压力下,不同激励时间下的喷射质量变化特征可为发动机ECU负载变化时的喷射质量变化规律提供参考。相同激励时间下不同压力下的喷射状态可以评价喷射效率提高的空间,但由于实际发动机与喷射器离线标定试验平台的环境差异,两种工况下的喷射特性会有所不同,这直接导致喷射器标定MAP难以反映实际喷射器的喷气质量。因此,有必要进行在线观察,该结果一方面可以作为喷射质量闭环控制的反馈信息,保证控制的准确性,另一方面也可以作为喷射器全寿命健康状态的评价指标。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述控制方法具体包括如下步骤:

步骤1:安装设备,并调试;

步骤2:基于步骤1的设备,采集燃气喷射器5进气口的压力传感器4的压力信号;

步骤3:将步骤2采集到的压力信号经过电荷放大器7放大并传递给PXI8;

步骤4:基于步骤1的设备,通过IPOD6采集燃气喷射器5的传感器信号传送给实时处理器PXI;

步骤5:实时处理器PXI提取入口压力信号的最大跌落值ΔP,并将喷射压力P

步骤6:将步骤5经过计算的喷气量m

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤1具体包括气源1、压气机2、高压气轨3、压力传感器4、燃气喷射器5、驱动电流发生器IPOD6、电荷放大器7、实时处理器PXI8、轨压控制器9和上位机10;

所述气源1依次通过压气机2、高压气轨3和压力传感器4向燃气喷射器5发送经过压缩的高压燃气;

所述压力传感器4与电荷放大器7相连接,所述燃气喷射器5与驱动电流发生器IPOD6通过ET相连接,所述电荷放大器7与驱动电流发生器IPOD6分别与实时处理器PXI8相连接,所述高压气轨3和上位机10均与轨压控制器9相连接,所述实时处理器PXI8与上位机10相连接。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5中在线喷气量神经网络模型包括以下步骤:

步骤5.1:对输入和输出的数据集Z-core进行标准化处理;

步骤5.2:基于步骤5.1的数据集Z-core进行随机划分;将20%的离线测试数据燃气喷射压力P

步骤5.3:建立MLP神经网络结构;

步骤5.4:将步骤5.3的MLP神经网络结构,进行阈值权值初始化;

步骤5.5:基于步骤5.4的MLP神经网络结构,对训练集的输入和输出参数进行训练;

步骤5.6:使用MLP神经网络结构对测试集的输入参数进行预测;

步骤5.7:将预测值与真实值进行反归一处理,计算误差MAE;若计算误差小于1%,则模型训练完成。

计算误差MAE:

式中:n、y

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.1具体为,

实验数据集的参数有三个,两个输入参数P

其中,μ表示各个参数的均值,σ代表的相关参数的标准差。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.2具体为,MLP神经网络模型包括输入层、隐藏层和输出层;输入神经元分别为燃气喷射压力P

b=2a+1

b为隐藏层神经元个数,a为输入神经元个数;因此本发明的隐藏层的神经元个数设置为5;隐藏层以及输出层的激活函数均设置为sigmoid函数:

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤5.3具体为,

偏移量b1设置为1,从输入层到隐藏层的权值矩阵为:

偏移量b1设置为2,从隐藏层到输出层的权值矩阵为:

W′=(W

隐藏层激活函数的阈值矩阵为:

σ=(σ

输出层激活函数的阈值为σ′。

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6具体包括以下步骤:

步骤6.1:引入状态空间模型;

步骤6.2:基于步骤6.1的状态模型进行预测方程;

步骤6.3:求解步骤6.2的预测方程的第一个输出变量;

步骤6.4:将步骤6.3的第一个输出变量传输到数据输出卡,IPOD产生激励电流驱动电磁阀动作,燃气喷射器进行喷气。

1引入状态空间模型:

其中x(k)为系统内部状态变量;C为系统矩阵;D

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6.1引入状态空间模型具体为,

其中x(k)为系统内部状态变量;C为系统矩阵;D

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,所述步骤6.2进行预测方程具体为,

Δx(k+1)=CΔx(k)+D

将y(k)=Ex(k)与x(k)=x(k-1)+Δx(k)与之合并后得到

y(k)=EΔx(k)+y

以最新测量值为初始条件,预测时域为p,控制时域为n,并且有以下两个假设:

1.Δu(k+i)=0,i=n,n+1,...,p-1

2.Δd(k+i)=0,i=1,2,...,p-1

Δx(k+n|k)=C

Δx(k+p|k)=C

进一步可得

定义两个新向量

由此预测p输出

Y

对于优化问题,考虑输出跟踪上参考输入和尽可能减少控制幅度,选择以下目标函数:

J(x(k),ΔU(k),n,p)=||Γ

其中:Γ

定义一个辅助变量

代入预测方程,可得

最优控制序列为:

一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法,

所述步骤6.3求解预测方程的第一个输出变量具体为,首先定义

因此

Δu(k)=K

相关技术
  • 一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法
  • 一种基于机器学习的高压天然气缸内直喷发动机循环喷气量的在线识别方法
技术分类

06120114741190