CN101424219A

CN101424219A - 火花塞局部混合气浓度软测量方法

Info

Publication number: CN101424219A
Application number: CNA2007101500368A
Authority: CN
Inventors: 李建文; 刘伍权; 刘宏威
Original assignee: Military Transportation University of PLA
Current assignee: Military Transportation University of PLA
Priority date: 2007-11-01
Filing date: 2007-11-01
Publication date: 2009-05-06

Abstract

本发明公开了一种火花塞局部混合气浓度软测量方法，包括以下步骤：A.获取主导变量，建立数学模型；B.获取二次变量，建立黑箱模型；误差纠正学习模型对BP神经网络软测量模型进行离线训练，对训练好的软测量模型用于线测量中。有益效果是：本发明的软测量方法完全适用于各种点燃式产品发动机；不仅可以满足在实验室内进行的相关基础理论研究；而且便于实车应用，实现在线实时测量。本测量方法可准确测量火花塞局部的混合气浓度，并为可控喷油形成准均质稀混合气的优化控制策略开辟了新的研究方向；本测量方法测试设备费用便宜，并且轻巧便携，易于就车安装。

Description

火花塞局部混合气浓度软测量方法

技术领域

本发明涉及一种点燃式发动机，特别是涉及一种点燃式发动机火花塞局部混合气浓度的检测方法。

背景技术

点燃式发动机火花塞离子电流信号载有丰富的与缸内燃烧过程相关的信息。随着人们对火花塞离子电流的认识逐步深入、检测电路不断完善及信号处理技术日益成熟，火花塞离子电流的应用必将为内燃机燃烧与排放控制提供一条新的技术途径。但直接针对火花塞局部混合气浓度检测的方法并不多，所采用的混合气浓度测量方法大多是激光诱导荧光法和瑞利散射法。然而，光学测量法一方面测试设备昂贵，测量费用高，只能在实验室作基础理论研究；另一方面实验用发动机只能是特制的光学发动机，很难应用于产品发动机，适用性差，且无法得到在线实时测量的结果。

发明内容

本发明所要解决的技术问题是，克服已有技术的缺点，提供一种利用多个火花塞离子电流特征参数作为辅助变量，基于BP神经网络的软测量技术，测量火花塞局部混合气浓度的方法。

本发明所采用的技术方案是：一种火花塞局部混合气浓度软测量方法，其特征在于：包括以下步骤：

A.获取主导变量，建立数学模型：

(1)提取发动机的转速、负荷和喷油量；(2)采集离子电流，提取特征参数Ip、S和Tms；(3)通过开关型氧传感器检测氧的参数；(4)建立BP神经网络软测量模型；

B.获取二次变量，建立黑箱模型：

(1).通过火花塞离子电流的检测获取二次变量Ip、S和Tms，开关型氧化锆式氧传感器输出获取氧传感器信号，线性空燃比检测获取A/F，过滤后形成样本集；(2).建立黑箱模型；误差纠正学习模型对BP神经网络软测量模型进行离线训练，对训练好的软测量模型用于线测量中。

基于BP神经网络软测量模型，创建面向Matlab的λSS神经网络模型，其中输入矢量P维数为4，由[Ip，S，Tms，O₂]组成；隐层含有5个神经元，采用tansig作为传递函数；输出层含有1个神经元，采用purelin传递函数；网络训练函数取trainlm，采用newff函数生成网络模型。

建立BP神经网络软测量模型的步骤：(1)加载样本数据；(2)对样本数据进行标准化处理；(3)将样本数据划分为训练集和测试集；(4)创建神经网络；(5)对网络进行训练；(6)对网络进行仿真训练；(7)将仿真结果与目标输出作线性回归分析。

本发明的有益效果是：本发明的软测量方法完全适用于各种点燃式产品发动机；不仅可以满足在实验室内进行的相关基础理论研究；而且便于实车应用，实现在线实时测量。本测量方法可准确测量了火花塞局部的混合气浓度，并为可控喷油形成准均质稀混合气的优化控制策略开辟了新的研究方向；本测量方法测试设备费用便宜，并且轻巧便携，易于就车安装。

附图说明

图1是本发明空燃比软测量框图；

图2是本发明AFR软测量模型；

图3是本发明离子电流特征参数Ip、S、Tms获取界面。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明：

如图1所示，利用火花塞离子电流信号，基于BP神经网络软测量模型，估计火花塞局部混合气浓度的软测量方法λSS(λ Soft Sensor)框图。其基本思想是：以火花塞离子电流的峰值Ip、积分值S和信号延续期Tms等特征参数及开关型氧传感器信号作为二次变量，以火花塞附近混合气浓度(λ)为主导变量，利用神经网络能够充分逼近任意复杂的非线性关系的特性构建二次变量到主导变量的黑箱模型，表征火花塞离子电流信号到火花塞局部混合气浓度的映射。方法是首先采集学习样本，样本中二次变量Ip、S和Tms用本文自主研制的火花塞离子电流检测与分析系统获取，氧传感器信号由原机配备的开关型氧化锆式氧传感器输出，学习“教师”(即实测A/F)数据线性空燃比检测系统测得；然后按照误差纠正的学习规则采取有教师学习方法对BP神经网络软测量模型进行离线训练；最后将训练好的软测量模型应用于在线测量之中。

本发明采用辨识建模法，基于目前广泛应用且技术较为成熟的BP神经网络理论，面向Matlab创建λSS软测量模型。

如图2所示，λSS神经网络模型采用基于BP神经元的两层前馈型神经网络的结构形式，利用Matlab6.5神经网络工具箱函数创建。其中输入矢量P维数为4，由[Ip，S，Tms，O₂]组成；隐层含有5个神经元，采用tansig作为传递函数；输出层含有1个神经元，采用purelin传递函数。网络训练函数取trainlm，采用newff函数生成网络模型。

BP网络模型创建程序如下：

％BP神经网络用于AFR软测量

％加载样本数据

load ion_all；

sizeofp＝size(p)

sizeoft＝size(t)

％对样本数据进行标准化处理

[pn，meanp，stdp，tn，meant，stdt]＝prestd(p，t)；

％将样本数据划分为训练集和测试集

[R，Q]＝size(pn)

itst＝2：2：Q；

itr＝1：2：Q；

testP＝pn(：，itst)；testT＝tn(：，itst)；％测试样本集

ptr＝pn(：，itr)；ttr＝tn(：，itr)；％训练样本集

％创建神经网络

net＝newff(minmax(ptr)，[51]，{′tansig＂purelin′}，′rainlm′)；

％对网络进行训练

net.trainParam.epochs＝500；

net.trainParam.goal＝0.001；

net＝init(net)；

[net，tr]＝train(net，ptr，ttr)

％对网络进行仿真分析

an＝sim(net，testP)

y＝poststd(an，meant，stdt)；

％将仿真结果与目标输出作线性回归分析

figure；

[m，b，r]＝postreg(y，testT)；

end

实施例1：对λ软测量模型的训练与仿真时使用单次喷油方式，启喷角设定在ATDC 10℃A，当发动机进气门开启后，燃油被高温的进气门和进气道加热雾化所形成的均质混合气将进入气缸并均匀分布在气缸的各部位，即发动机处于均质混合气燃烧状态。此时固定发动机转速1800rpm，负荷0.3MP，采集A/F＝11～19之间的不同空燃比状态下的80个样本集分作两组，一组用作训练样本集；另一组作为仿真样本集。每组样本集都由40个输入矢量和目标矢量构成。其中输入矢量有四个元素，即火花塞离子电流的峰值Ip、积分值S及信号延续期Tms等特征参数和开关型氧传感器信号，目标矢量以火花塞附近混合气浓度(A/F)为元素。输入矢量中元素Ip、S和Tms用火花塞离子电流检测与分析系统获取，如图3所示；氧传感器信号由原机配备的开关型氧化锆式氧传感器输出。目标矢量的元素即火花塞附近混合气浓度(A/F)由线性空燃比检测系统实际测得，由于采集样本时为均质混合气燃烧状态，故此时测得的缸内平均混合气浓度可认为与火花塞局部混合气浓度相当。

在训练的过程中，网络的权值和阈值被反复地调整，以减少网络性能函数net.performFcn的值，直到达到设定的要求。由于Levenberg-Marquardt算法对于中等规模BP神经网络具有最快的收敛速度，我们采用该算法的网络训练函数trainlm对网络进行训练，设置参数：

net.trainParam.epochs＝500；net.trainParam.goal＝0.001；

实际训练中，网络训练次数到68次时，就达到了设定的误差要求，即网络输出和目标输出的均方误差mes＝0.001。可见网络具有非常好的学习性能。

当网络训练结束之后，我们以仿真样本集用sim函数来仿真网络的输出，从而与目标输出进行比较，来检验网络的性能。同时，我们用MATLAB提供的函数postreg对网络训练的结果作进一步分析。函数postreg是利用线性回归的方法分析网络输出和目标输出的关系，即网络输出变化相对于目标输出变化的变化率，从而评价网络的训练结果。

函数postreg返回值R表示网络输出与目标输出的相关系数，它越接近1，表示网络输出与目标输出越接近，网络性能越好。由函数postreg示出的图形，理想回归直线和最优回归直线几乎重合，相关系数R＝0.994，说明所建λ软测量网络模型具有非常好的映射性能。

Claims

1.一种火花塞局部混合气浓度软测量方法，其特征在于：包括以下步骤：

A.获取主导变量，建立数学模型：

(1)提取发动机的转速、负荷和喷油量；

(2)采集离子电流，提取特征参数Ip、S和Tms；

(3)通过开关型氧传感器检测氧的参数；

(4)建立BP神经网络软测量模型；

B.获取二次变量，建立黑箱模型：

(1).通过火花塞离子电流的检测获取二次变量Ip、S和Tms，开关型氧化锆式氧传感器输出获取氧传感器信号，线性空燃比检测获取A/F，过滤后形成样本集；

(2).建立黑箱模型；

误差纠正学习模型对BP神经网络软测量模型进行离线训练，对训练好的软测量模型用于线测量中。

2.根据权利要求1所述的火花塞局部混合气浓度软测量方法，其特征在于：基于BP神经网络软测量模型，创建面向Matlab的λSS神经网络模型，其中输入矢量P维数为4，由[Ip，S，Tms，O₂]组成；隐层含有5个神经元，采用tansig作为传递函数；输出层含有1个神经元，采用purelin传递函数；网络训练函数取trainlm，采用newff函数生成网络模型。

3.根据权利要求1或2所述的火花塞局部混合气浓度软测量方法，其特征在于：建立BP神经网络软测量模型的步骤：

(1)加载样本数据；

(2)对样本数据进行标准化处理；

(3)将样本数据划分为训练集和测试集；

(4)创建神经网络；

(5)对网络进行训练；

(6)对网络进行仿真训练；

(7)将仿真结果与目标输出作线性回归分析。