CN103195599A - 一种hcci燃烧基于模型的解耦及抗扰控制方法 - Google Patents

Abstract

本发明公开了一种HCCI燃烧基于模型的解耦及抗扰控制方法，包括：基于模型的解耦控制，ADRC，前馈控制，以及对气门机构动作延迟的自适应补偿控制。步骤为：基于HCCI燃烧的控制模型，设计解耦补偿器，将HCCI系统转化为多个独立的SISO系统；对各个SISO系统的传递函数求逆，得到前馈控制器；为每一个SISO系统分别设计ADRC控制器,实时观测和补偿模型的偏差和外界的随机干扰；实时估计气门机构的动作延迟，主动推迟喷油动作，获得与气门机构相同的响应速度。本发明可显著降低HCCI控制模型的建模负担以及控制器参数的标定工作量，对发动机工况变化的鲁棒性高，燃烧过程控制更稳定。

Description

一种HCCI燃烧基于模型的解耦及抗扰控制方法

技术领域

本发明涉及均质压燃（HCCI）燃烧控制领域，尤其涉及一种利用全可变气门机构（VVA）,采用负气门重叠角（NVO）策略实现的HCCI燃烧的控制。

背景技术

均质压燃（HCCI）燃烧可以同时降低发动机的油耗和排放，是未来发动机的一种潜在的燃烧方式。但是，由于没有直接的着火控制手段，并且对边界条件极为敏感，HCCI发动机在运行过程中很容易发生失火或爆震，使其工程应用面临控制上的难题。

为实现HCCI的有效控制，国际上通常采用两类控制方法：传统的无模型的PID控制方法和基于模型的控制方法。

PID控制是人们最早采用的控制方法，如，只针对CA50的单通道PID控制（Haraldsson,G.,

P.,Johansson,B.,andJ.,"HCCI Combustion Phasing in a MultiCylinder Engine Using Variable Compression Ratio,"SAE Technical Paper2002-01-2908,2002,doi:10.4271/2002-01-2908）,或分别针对CA50（燃烧相位）和IMEP（输出扭矩）的双通道PID控制（Haraldsson, G.,

P.,Johansson,B.,and

J.,"HCCIClosed-Loop Combustion Control Using Fast Thermal Management,"SAE Technical Paper2004-01-0943,2004,doi:10.4271/2004-01-0943）。但实验表明，这种控制方法在负荷、转速或进气温度变化的工况下，很容易带来燃烧相位的波动，其主要原因是HCCI燃烧内部多个变量（如IMEP、CA50、Lambda）之间存在相互影响（耦合），呈现复杂的非线性特点。为此，HCCI的变参数PID控制方法为人们所使用，包括基于CA50敏感系数map的变参数法（Olsson,J.,

P.,and Johansson,B.,"Closed-Loop Control of an HCCI Engine,"SAETechnical Paper2001-01-1031,2001,doi:10.4271/2001-01-1031.）,迭代反馈整定(iterativefeedback tuning,IFT)变参数法（Collete Castell Hernández.,"HCCI timing control usingiterative feedback tuning,"Master's thesis,Department of Electrical Engineering,KTH,Stockholm,Sweden,2006）,以及极值寻优变参数法（Killingsworth,Nick J.; Aceves,SalvadorM.;Flowers,Daniel L.;Espinosa-Loza,F.;Krstic,Miroslav,″HCCI EngineCombustion-Timing Control:Optimizing Gains and Fuel Consumption Via ExtremumSeeking,″Control Systems Technology,IEEE Transactions on,vol.17,no.6,pp.1350,1361,Nov.2009doi:10.1109/TCST.2008.2008097；Killingsworth,N.J.,Aceves,S.M.,Flowers,D.L.,Krstic,M.,"Extremum Seeking Tuning of an Experimental HCCI Engine Combustion TimingController,"American Control Conference,2007.ACC '07,vol.,no.,pp.3665-3670,9-13July2007,doi:10.1109/ACC.2007.4282765）。这些改进的PID控制方法虽可以部分补偿HCCI非线性的问题，但或需要大量的实验标定，或完全不考虑HCCI燃烧的物理规律，不便于在不同发动机之间的移植，影响了其工程实际应用。

基于模型的控制可以根据所建立的HCCI燃烧模型，对控制过程进行实时预测和优化，是一种有前景的HCCI燃烧控制方法。Bengtsson等人（Bengtsson,P.Strandh,R.Johansson,P.

 B.Johansson,“Hybrid Control of Homogeneous Charge Compression Ignition (HCCI)Engine Dynamics”,International Journal of Control,Vol.79,No.5,2006,pp.422-448.）在一台6缸双燃料HCCI发动机上，设计了控制模型及线性二次型最优控制器（LQG），其CA50的控制比PID控制器更稳定，Chiang等人（Chiang,C.J.;Stefanopoulou,A.G.;,"Control ofthermal ignition in gasoline engines,"American Control Conference,2005.Proceedings of the2005,vol.,no.,pp.3847-3852vol.6,8-10June2005,doi:10.1109/ACC.2005.1470574）也报道了相似的结果。但是，Haraldsson（Haraldsson,G.,P.,Johansson,B.,and

 J.,"Transient Control of a Multi Cylinder HCCI Engine During a Drive Cycle,"SAETechnical Paper 2005-01-0153,2005,doi:10.4271/2005-01-0153.）发现，当发动机运行在控制模型的设计工况范围以外时，LQG控制器的控制效果会明显恶化。此外，Souder（Souder,JasonScott,Ph.D,"Closed-Loop Control of a Multi-Cylinder HCCI Engine,"UNIVERSITY OF CALIFORNIA,BERKELEY,2004,186pages;3165567.）还发现，LQG控制器很容易被一些缓慢变化的扰动（如燃烧室壁面温度的变化）影响，导致控制效果变差。为了提高HCCI的控制品质，Bengtsson（Bengtsson,J.,Strandh,P.,Johansson,R.,P.etal.,"Multi-Output Control of a Heavy Duty HCCI Engine Using Variable Valve Actuationand Model Predictive Control,"SAE Technical Paper 2006-01-0873,2006,doi:10.4271/2006-01-0873.）提出了模型预测控制(MPC)方法,利用其滚动优化算法，实现了控制效果的进一步优化。Chiang （Chia-Jui Chiang;Chian-Ling Chen;,"Constrainedcontrol of Homogeneous Charge Compression Ignition(HCCI)engines,"Industrial Electronicsand Applications(ICIEA),2010the5thIEEEConference on,vol.,no.,pp.2181-2186,15-17June 2010doi:10.1109/ICIEA.2010.5515149.）及Ravi等人（Ravi,N.,Liao,H.-H.,Jungkunz,A.F.,Widd,A.,and Gerdes,J.C.,2012.“Model predictive control of hcci using variable valveactuation and fuel injection”.Control Engineering Practice,20(4),pp.421–430.）也获得了相似的结果。然而，MPC的运算量通常较大，由于计算实时性的限制，MPC还难以在量产的实车ECU中应用。

因此，HCCI控制的一大难点在于控制模型和基于模型的控制方法之间存在矛盾：现有控制方法通常依赖精确的模型，而HCCI燃烧过程复杂精确建模困难。

针对上述问题，Chiang等人（Chia-Jui Chiang;Stefanopoulou,A.G.;Jankovic,M.,"Nonlinear Observer-Based Control of Load Transitions in Homogeneous Charge CompressionIgnition Engines,"Control Systems Technology,IEEE Transactions on,vol.15,no.3,pp.438,448,May 2007,doi:10.1109/TCST.2007.894637）设计了一款非线性反馈控制器，结 果表明，这种控制方法虽然具有较好的抗扰效果，但是对于一些未知的干扰（如进气温度的随机扰动）依然没有很好的抑制能力。Widd（Widd,A.;Hsien-Hsin Liao;Gerdes,J.C.;Tunestal,P.;Johansson,R.,"Control of exhaust recompression HCCI using hybrid modelpredictive control,"American Control Conference(ACC),2011,vol.,no.,pp.420,425,June292011-July12011）及Erlien（Erlien,S.M.,A.F.Jungkunz and J.C.Gerdes,MULTI-CYLINDERHCCI CONTROL WITH CAM PHASER VARIABLE VALVE ACTUATION USING MODELPREDICTIVE CONTROL.）提出了一种集成输出偏差观测器的复合MPC控制器，降低了稳态工况下CA50的波动幅度，但是MPC的巨大的计算负担依然是其不可回避的问题。基于多个子控制模型组合的LQG或MPC（A.Widd,"Predictive control of hcci engines usingphysical models,"Department of Automatic Control,Lund University,Sweden,LicentiateThesis TFRT--3246--SE,May2009；Hsien-Hsin Liao,Ravi,N.,Jungkunz,A.F.,Jun-Mo Kang,Gerdes,J.C.,"Representing recompression HCCI dynamics with a switching linear model,"American Control Conference(ACC),2010,vol.,no.,pp.3803-3808,June 302010-July22010.）控制是一种可能的解决方案，但是所需的子控制模型对实验数据量要求较高，难于获取。鲁棒控制（Souder,Jason Scott,Ph.D,"Closed-Loop Control of a Multi-Cylinder HCCIEngine,"UNIVERSITY OF CALIFORNIA,BERKELEY,2004,186pages;3165567.）也被广大研究人员所尝试，但是为了保证鲁棒性，鲁棒控制器设计通常非常保守，瞬态过程的调节速度不够快。此外，自适应控制（Chia-Jui Chiang;Chih-Cheng Chou;Jian-Hong Lin,"Adaptive control of homogeneous charge compression ignition(HCCI)engines,"AmericanControl Conference(ACC),2012,vol.,no.,pp.2066,2071,27-29June2012.）也曾被研究人员尝试，但是对于多输入多输出系统，自适应控制的计算非常繁琐，在现在的量产车用ECU中应用还不现实。

综上所述，欲实现良好的HCCI控制，非常有必要发展出新的控制方法，降低对HCCI控制模型精度的需求，具备较好的解耦和对运行工况变化的抗扰能力，同时控制器参数标定量小，计算简单，进而促进HCCI燃烧控制的工程应用。

发明内容

针对上述现有技术，本发明提出一种HCCI燃烧基于模型的解耦及抗扰控制方法，其主要思想是：利用HCCI燃烧控制模型对HCCI的燃烧过程进行预测，设计解耦及前馈控制器；将HCCI燃烧控制模型的偏差及外界随机干扰全部视为一个变量-扰动，利用自抗扰控制器（ADRC）进行实时观测和补偿，进行反馈控制，降低对HCCI燃烧控制模型精度的需求，提高对HCCI发动机运行工况的抗扰能力。针对电液式全可变气门机构调节速度慢，与喷油动作不协调问题，设计一种气门机构动作延迟自适应补偿算法，对喷油动作进行主动延迟，改善瞬态过程的空燃比控制。

为了解决上述技术问题，本发明予以实现的技术方案是：

一种HCCI燃烧基于模型的解耦及抗扰控制方法,包括：与被控HCCI发动机相连的基于HCCI燃烧的控制模型的解耦控制模块，ADRC模块，前馈控制模块，以及气门机构动作延迟自适应补偿模块，所述ADRC模块包括Gross IMEP的ADRC模块，CA50的ADRC模块和Lambda的ADRC模块；所述前馈控制模块包括Gross IMEP前馈控制模块，CA50前馈控制模块和Lambda前馈控制模块；所述的气门机构动作延迟自适应补偿模块包括气门机构动态特征的补偿控制模块和气门机构动作延迟在线估计模块；将上述基于HCCI燃烧的控制模型的解耦控制模块、ADRC模块、前馈控制模块以及气门机构动作延迟自适应补偿模块相结合，按照下述步骤构成HCCI燃烧的抗扰及解耦复合控制：

步骤1：HCCI燃烧的控制模型的建立

该模型采用三输入三输出线性模型，其阶次范围是2～10，其输入包括进气门关闭时刻(IVC)，排气门关闭时刻（EVC），发动机每循环喷油量(mf_inj)；其输出包括燃烧相位（CA50），毛平均指示有效压力（Gross IMEP）,过量空气系数（Lambda）；其表达形式是状态空间模型或自回归滑动平均模型，并用最小二乘法辨识模型的参数；

步骤2：基于HCCI燃烧的控制模型的解耦控制

基于HCCI燃烧的控制模型，建立传递函数矩阵G_p(s)，采用补偿器解耦方法，建立解耦控制器；即，解耦控制模块G_c·(s)=G_p(s)^-1·G_w(s)，其中，G_w(s)是解耦后的目标矩阵，为对角矩阵： $\left[\begin{array}{ccc}\frac{a}{{(s+\mathrm{\ρ})}^2}& 0& 0\\ 0& \frac{b}{{(s+\mathrm{\ρ})}^2}& 0\\ 0& 0& \frac{c}{{(s+\mathrm{\ρ})}^2}\end{array}\right],$ a为进气门关闭时刻(IVC)与燃烧相位（CA50）之间传递函数的静态增益系数，,b为排气门关闭时刻（EVC）与毛平均指示有效压力（GrossIMEP）之间传递函数的静态增益系数，c为发动机每循环喷油量（mf_inj）与过量空气系数（Lambda）之间传递函数的静态增益系数，所述静态增益系数是指当传递函数中s为零时的比例系数；ρ为待标定的常数,用以调节对角矩阵的时间常数，ρ的取值范围为0.1～10，该对角矩阵每一个对角线上的元素即为解耦后系统转成的三个单输入单输出系统；

步骤3：前馈控制

对解耦后的三个SISO系统

求逆，分别与延迟环节

并联，形成前馈控制矩阵 $\left[\begin{array}{ccc}\frac{m\·{(s+\mathrm{\ρ})}^2/a}{{(1+\mathrm{\τ}\·s)}^3}& 0& 0\\ 0& \frac{m\·{(s+\mathrm{\ρ})}^2/b}{{(1+\mathrm{\τ}\·s)}^3}& 0\\ 0& 0& \frac{m\·{(s+\mathrm{\ρ})}^2/c}{{(1+\mathrm{\τ}\·s)}^3}\end{array}\right],$

其中，m为待标定增益系数，其取值范围为0.5～2.0，τ为时间常数，用以调整前馈控制模块的响应速度,其取值范围为0.1～10；所述Gross IMEP前馈控制模块，CA50前馈控制模块和Gross IMEP前馈控制模块的输入分别为Gross IMEP设定值，CA50设定值和Lambda的设定值；

所述Gross IMEP前馈控制模块与Gross IMEP的ADRC模块的输出相加，所述CA50前馈控制模块与CA50的ADRC模块的输出相加，所述Gross IMEP前馈控制模块与Lambda的ADRC模块的输出相加；

步骤4：ADRC

将模型和真实发动机之间的偏差视为扰动，基于其中的扩张状态观测器对扰动实时估计和补偿；所述Gross IMEP的ADRC模块，CA50的ADRC模块和Lambda的ADRC模块的输入均分别包括各自的设定值和实际值；将所述Gross IMEP的ADRC模块，CA50的ADRC模块和Lambda的ADRC模块的输出分别与Gross IMEP前馈控制模块，CA50前馈控制模块和Lambda前馈控制模块的输出相加，然后均作为解耦控制器的输入；所述Gross IMEP的ADRC模块，CA50的ADRC模块和Lambda的ADRC模块的输入均分别包括各自的设定值和实际值；

ADRC参数的整定方法为：

选择ADRC的观测带宽ω_o选择为n/1200，其中n为被控HCCI发动机转速，单位为转/分钟；选择ADRC的控制带宽ω_c等于ω_o；依据“增大系统物性常数b₀可降低系统调节速度，减小系统物性常数b₀可提高系统调节速度”的基本规律，根据系统响应速度需求，确定b₀；减小ω_c，同时增大ω_o,微调系统响应速度，此处ω_o的取值范围为n/1200～n/240，ω_o的取值范围为ω_o/10～ω_o；

步骤5：气门机构动作延迟自适应补偿控制：

首先，将排气门关闭时刻EVC的动态调整过程看作一阶惯性环节:

EVC_Acutal(k)=e^-1/T·EVC+(1-e^-1/T)·EVC_Actual(k-1)

其中，k为被控HCCI发动机的工作循环编号，EVC_Acutal为被控HCCI发动机排气门的实际关闭时刻，e^-1/T代表排气门关闭时刻调节速度的时间常数，EVC为被控HCCI发动机的排气门关闭时刻最终设定值；

将上式转换为：

其中:

y=[EVC_Acutal(k)-EVC_Acutal(k-1)]，

θ=e^-1/T；采用带有遗忘因子的线性递推最小二乘法，利用气门机构动作延迟在线估计模块（009）对θ在线估计；基于θ的估计值，利用气门机构动态特征的补偿控制模块（008）对喷油动作进行主动延迟处理：

$\mathrm{mf}\_\mathrm{inj}\left(k\right)=\widehat{\mathrm{\θ}}\left(k\right)\·\mathrm{mf}\_\mathrm{inj}\_1\left(k\right)+(1-\widehat{\mathrm{\θ}}\left(k\right))\·\mathrm{mf}\_\mathrm{inj}(k-1),$ 其中，mf_inj为被控HCCI发动机最终实际执行的每循环喷油量，

为θ的估计值，mf_inj_1为基于HCCI燃烧的控制模型的解耦控制模块、前馈控制模块及ADRC模块得到的被控HCCI发动机的每循环喷油量初步设定值，k是被控HCCI发动机运行的工作循环编号。

与现有技术相比，本发明的有益效果是：

（1）大幅降低HCCI精确建模的工作量。

本发明将控制模型与真实HCCI发动机之间的偏差全部视为扰动，利用ADRC对其实时观测和补偿。因此，可以减弱对模型精度的依赖，减小建模工作量，采用一个精度较低（≈50%精度）的模型即可达到较好的控制效果。

（2）对发动机运行工况的变化的鲁棒性更强,控制器参数标定工作量大幅降低。

由于HCCI燃烧是高度非线性的系统，在不同的工况范围内表现出不同的动态特征，因此，若采用传统的线性控制器（如PID控制器）通常需要进行控制器参数的分段标定，工作量大。本发明将发动机工况范围变化引起的动态特征变化归为扰动，采用ADRC进行在线估计、补偿，所以，具有更强的鲁棒性，只需一套控制参数即可获得较好的控制效果。

（3）对外部扰动（如进气温度、压力波动）具有更强的抑制能力。

本发明将外部的随机干扰也归为扰动，用ADRC进行实时估计，在外部扰动对发动机扭矩、着火时刻产生明显影响之前，对其进行及时抑制，提高了控制器对扰动的抵抗能力，改善HCCI燃烧的运行稳定性。

附图说明

图1是本发明的控制结构框图；

图2是本发明的解耦控制算法的实施方法；

图3（a）和图3（b）分别是在90℃冷却水温条件下，本发明控制方法与模型预测控制的效果对比；

图4（a）和图4（b）分别是在75℃冷却水温条件下，本发明控制方法与模型预测控制的效果对比。

具体实施方式

下面结合具体实施方式对本发明作进一步详细地描述。

本发明是一种HCCI燃烧基于模型的解耦及抗扰控制方法,如图1所示，包括：与被控HCCI发动机010相连的解耦控制模块007，自抗扰控制ADRC模块，前馈控制模块，以及气门机构动作延迟自适应补偿模块。

所述的自抗扰ADRC控制模块包括：Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006；所述前馈控制模块包括：基于模型的Gross IMEP前馈控制模块001，基于HCCI燃烧的控制模型的CA50前馈控制模块002和基于模型的Lambda前馈控制模块003；所述气门机构动作延迟自适应补偿模块包括：气门机构动态特征的补偿控制模块008和气门机构动态特征在线估计模块009。

为降低HCCI精确建模的工作量，增强对发动机运行工况的变化的鲁棒性,减小控制器参数标定工作量，同时提高对外部扰动（如进气温度波动）的抑制能力，本发明将解耦控制模块，自抗扰控制模块，前馈控制模块，以及气门机构动作延迟自适应补偿模块相结合，建立HCCI燃烧的抗扰及解耦复合控制。具体按照如下五个步骤进行：

步骤1：HCCI燃烧的控制模型的建立：

本发明所采用的HCCI燃烧的控制模型为三输入三输出线性模型，上述三输入三输出线性模型的表达形式，需要实际情况而定，诸如：状态空间模型、自回归滑动平均模型等形式，本发明不作具体限制。

该三输入三输出线性模型的输入包括进气门关闭时刻(IVC)，排气门关闭时刻（EVC），发动机每循环喷油量(mf_inj)；输出包括燃烧相位（CA50），毛平均指示有效压力（GrossIMEP）,过量空气系数（Lambda）。所采用的建模方法可采用统计学建模，当然，也可以采用其他建模方法，诸如机理建模法。

所谓统计建模法是采用控制理论中的系统辨识方法，将HCCI发动机看作纯粹的黑箱，采用最小二乘法辨识模型的参数。其过程是：固定发动机的冷却水温，进气温度，发动机转速，采用伪随机二进制序列（PRBS）信号对三个输入量IVC，EVC，mf_inj进行激励（激励信号的变化周期由PRBS信号控制，推荐IVC的最短变化周期选15个发动机工作循环，EVC的最短变化周期选25个发动机工作循环，mf_inj的最短变化周期选45个发动机工作循环。激励信号幅值变化范围选择为HCCI不失火也不爆震（定义最大压升率超过5bar/°CA时，为发生爆震）时允许的最大和最小值即可，如IVC从560°CA ATDC到620°CAATDC，EVC从110°CA BTDC到80°CA BTDC，喷油量需要视具体发动机的排量、转速、负荷而定。以上数值通过实验可以很容易的获得，为本领域技术人员数值，不做具体阐述）。记录该过程中的实际输入（IVC、EVC、喷油量）和输出（CA50,Gross IMEP,Lambda）参数。利用最小二乘法对A,B,C矩阵的参数进行估计。

本发明中特别强调的是：（1）根据辨识过程激励信号需满足“充分丰富性”的原则，用于模型辨识的工况范围可以选择1200r/min，Gross IMEP 2bar到4bar(推荐工况之一，但不限于此工况)。（2）PRBS信号激励的最短时间窗口，需要考虑IVC、EVC和喷油量的响应速度，若响应速度慢，则该窗口需加长。比如，IVC的最短窗口选用10个发动机循环，EVC的最短窗口采用25个发动机循环，喷油量的最短窗口采用15个发动机循环（建议频率，但不限于此频率）。（3）采集的辨识用数据长度以2000个循环或以上为佳。基于最小二乘法的系统辨识有标准流程和方法，为本领域技术人员熟知，此处不再详细叙述。

步骤2：基于HCCI燃烧的控制模型的解耦控制

如图2所示，基于HCCI燃烧的控制模型，建立传递函数矩阵G_p(s)，采用补偿器解耦方法，建立解耦控制器；即，解耦控制模块G_c(s)=G_p(s)^-1·G_w(s)，其中，G_w(s)是解耦后的目标矩阵，为对角矩阵： $\left[\begin{array}{ccc}\frac{a}{{(s+\mathrm{\ρ})}^2}& 0& 0\\ 0& \frac{b}{{(s+\mathrm{\ρ})}^2}& 0\\ 0& 0& \frac{c}{{(s+\mathrm{\ρ})}^2}\end{array}\right],$ 其中，a为进气门关闭时刻(IVC)与燃烧相位（CA50）之间传递函数的静态增益系数，,b为排气门关闭时刻（EVC）与毛平均指示有效压力（Gross IMEP）之间传递函数的静态增益系数，c为发动机每循环喷油量（mf_inj）与过量空气系数（Lambda）之间传递函数的静态增益系数，所述静态增益系数是指当传递函数中s为零时的比例系数；ρ为待标定的常数,用以调节对角矩阵的时间常数，ρ的取值范围为0.1～10，该对角矩阵每一个对角线上的元素即为解耦后系统转成的三个单输入单输出SISO系统。

解耦模块的输入U(s)包括Gross IMEP的ADRC模块004与Gross IMEP前馈控制模块001的输出之和EVC_0，CA50的ADRC模块005与CA50前馈控制模块002之和IVC_0,以及Lambda的ADRC模块006与Lambda前馈控制模块003之和mf_inj_0。解耦模块的输出Y(s)包括被控HCCI发动机的排气门关闭时刻最终设定值EVC，被控HCCI发动机的进气门关闭时刻最终设定值IVC，以及被控HCCI发动机的每循环喷油量初步设定值mf_inj_1。

为降低计算负担，减少高阶控制器对噪声的敏感程度，可以将G_c(s)简化为静态解耦算法。即，只选择G_c(s)的静态增益，忽略其动态特征，换言之，只采用G_c(s)中传递函数里s=0时的比例常数。

步骤3：基于HCCI燃烧的控制模型的前馈控制算法设计

对步骤2解耦后的三个单输入单输出SISO系统

求逆，分别与延迟环节

并联，形成前馈控制矩阵：

$\mathrm{FF}\left(s\right)=\left[\begin{array}{ccc}\frac{m\·{(s+\mathrm{\ρ})}^2/a}{{(1+\mathrm{\τ}\·s)}^3}& 0& 0\\ 0& \frac{m\·{(s+\mathrm{\ρ})}^2/b}{{(1+\mathrm{\τ}\·s)}^3}& 0\\ 0& 0& \frac{m\·{(s+\mathrm{\ρ})}^2/c}{{(1+\mathrm{\τ}\·s)}^3}\end{array}\right]---\left(1\right)$

式（1）中，m为待标定增益系数，其取值范围为0.5～2.0，τ为时间常数，其取值范围为0.1～10，用以调整前馈控制模块的响应速度。所述Gross IMEP前馈控制模块001，CA50前馈控制模块002和Gross IMEP前馈控制模块003的输入分别为Gross IMEP设定值，CA50设定值和Lambda的设定值，输出分别为EVC_f,IVC_f,mf_inj_f,并依次与Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输出(依次为：EVC_f,IVC_f,mf_inj_f)相加。即：所述Gross IMEP前馈控制模块001与Gross IMEP的ADRC模块004的输出相加，所述CA50前馈控制模块002与CA50的ADRC模块005的输出相加，所述Gross IMEP前馈控制模块003与Lambda的ADRC模块006的输出相加。

利用该前馈控制模块，可以有效提升系统的响应速度。

步骤4：自抗扰控制ADRC算法设计

经过步骤2处理，HCCI系统被拆分成三个相对独立的单输入单输出(SISO)系统,包括EVC对Gross IMEP回路

IVC对CA50回路

喷油量对Lambda回路

但是，由于以下两个方面的原因，上述解耦控制器和前馈控制器不能保证控制过程完全准确：

①模型不能保证100%精确，模型的偏差造成了解耦和前馈控制器的偏差；

②系统存在大量的外部扰动，如冷却水温或进气温度的变化，也会造成系统的稳态偏差。

针对上述问题，在步骤1和步骤2的基础上，本发明采用ADRC方法，将上述两点所造成偏差的总和视为一个变量，总扰动f。本发明将模型和真实发动机之间的偏差视为扰动，基于其中的扩张状态观测器对所观测的扰动f进行实时观测和补偿。

如图1所示，所述Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输入均分别包括各自的设定值和实际值。所述Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输出(依次为：EVC_a,IVC_a,mf_inj_a)分别与Gross IMEP前馈控制模块001，CA50前馈控制模块002和Lambda前馈控制模块003的输出(依次为：EVC_f,IVC_f,mf_inj_f)相加，依次得到EVC_0,IVC_0和mf_inj_0；然后均作为解耦控制器的输入。

以其中的Gross IMEP的ADRC模块004的算法为例，设解耦控制模块G_c(s)中的

中的ρ=1，得到a/(s^2+2s+1)，将其转换为如下微分方程形式：

$\stackrel{\·\·}{y}=-2\·\stackrel{\·}{y}-y+{\mathrm{\ω}}_e+a\·u=f+b_0\·u---\left(2\right)$

式(2)中：y为系统输出量Gross IMEP，ω_e为系统外部扰动如进气温度，f为系统总扰动，此处u为被控HCCI发动机的排气门关闭时刻EVC_a。

采用ADRC的标准算法，将式（2）转化为状态空间形式：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=x_2\\ {\stackrel{\·}{x}}_2=x_3+b_{0}u\\ {\stackrel{\·}{x}}_3=h\\ y-x_1\end{array}\right.---\left(3\right)$

将式（3）写成矩阵形式如下：

$\left\{\begin{array}{c}\stackrel{\·}{x}=A\·x++B\·u+E\·h\\ y=C\·z\end{array}\right.---\left(4\right)$

式（4）中， $A=\left[\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ b_o\\ 0\end{array}\right],C=\left[\begin{array}{ccc}1& 0& 0\end{array}\right],E=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right],$ Z为x的估计。

设计扩张状态观测：

$\left\{\begin{array}{c}\stackrel{\·}{z}=A\·z+B\·u+L\·(y-\hat{y})\\ y=C\·z\end{array}\right.---\left(5\right)$

式（5）中，L为待标定的观测器增益矩阵。

控制律设计为U=（-z₃+u₀)/b₀，其中，

$u_0=K_p\·(r-z_1)-K_d\·z_2---\left(2\right)$

式（6）中，K_p和K_d为控制器的待标定参数。

根据已有的研究结果，可将K_p和K_d以及观测器增益矩阵L转化为ADRC观测器带宽ω_o，控制带宽ω_c，以及系统物性常数b₀的函数: $K_p={{\mathrm{\ω}}_c}^2,K_d=2\·{\mathrm{\ω}}_c,$ $L=\left[\begin{array}{ccc}{-3\mathrm{\ω}}_0& 0& 0\\ -3{{\mathrm{\ω}}_0}^2& 0& 0\\ -{{\mathrm{\ω}}_0}^3& 0& 0\end{array}\right].$ 通过标定ω_o，ω_c以及b₀及可实现K_p、K_d以及L的参数优化。

本发明中ADRC参数的具体标定方法为：（1）选择ADRC的观测带宽ω_。选择为n/1200，其中n为发动机转速，单位为转/分钟；（2）选择ADRC的控制带宽ω_c等于ω_o;（3）依据“增大系统物性常数b₀可降低系统调节速度，减小系统物性常数b₀可提高系统调节速度”的基本规律，根据系统响应速度需求，确定b₀。（4）减小ω_c，同时增大ω_o，微调系统响应速度，此处ω_o的取值范围为n/1200～n/240，ω_c的取值范围为ω_o/10~ω_o。

步骤5：气门机构动作延迟的自适应补偿算法设计

在采用废气重压的HCCI发动机中，EVC是对进气量的主要调整手段，对于电液式全可变气门机构系统，EVC存在显著的时间延迟，将排气门关闭时刻EVC的动态调整过程看作一阶惯性环节，离散表达形式如下：

EVC_Acutal(k)=e^-1/T·EVC+(1-e^-1/T)·EVC_Actual(k-1)   (7)

式（7）中，k为被控HCCI发动机的工作循环编号，EVC_Acutal为被控HCCI发动机排气门的实际关闭时刻，e^-1/T代表EVC调节速度的时间常数，EVC为被控HCCI发动机的排气门关闭时刻最终设定值。

相比而言，喷油动作则可以进行基于循环的调整，其调节速度明显高于EVC，在瞬态过程，两者调节速度的不一致性很容易造成空燃比控制效果的恶化。此外，EVC动作延迟还随着发动机的转速、机油温度和机油压力的变化而改变。为此，本发明设计了一种对该动态特征的自适应补偿算法，以改善瞬态过程的空燃比控制效果。

将式(7)改写成：

[EVC_Acutal(k)-EVC_Acutal(k-1)]=[EVC-EVC_Acutal(k-1)]·e^-1/T   (8)

将式（8）可以看作如下线性表达形式：

式（9）中：

y=[EVC_Acutal(k)-EVC_Acutal(k-1)]，

θ=e^-1/T由此，利用气门机构动作延迟在线估计模块009采用带有遗忘因子的线性递推最小二乘法对θ进行在线估计：

式（10）中，k为被控HCCI发动机的工作循环编号，

为θ的估计值，K和P为中间变量，K的初始值取0，P的初始值取1，

为

的转置，λ为遗忘因子，取值范围为0.98～0.999利用气门机构动态特征的补偿控制模块008对喷油动作进行主动延迟处理：

$\mathrm{mf}\_\mathrm{inj}\left(k\right)=\widehat{\mathrm{\θ}}\left(k\right)\·\mathrm{mf}\_\mathrm{inj}\_1\left(k\right)+(1-\widehat{\mathrm{\θ}}\left(k\right))\·\mathrm{mf}\_\mathrm{inj}(k-1)---\left(11\right)$

式（11）中，mf_inj为被控HCCI发动机最终实际执行的每循环喷油量，

为θ的估计值，mf_inj_1为基于HCCI燃烧的控制模型的解耦控制模块、前馈控制模块及ADRC模块得到的被控HCCI发动机的每循环喷油量初步设定值，k是被控HCCI发动机运行的工作循环编号。

实施例：

下面基于一台单缸HCCI汽油机的仿真平台，其中的发动机参数如表1所示，介绍本发明的最佳实施例。关于该仿真平台的更为详细的描述请参见：秦静，谢辉，张岩，赵华，“A Combustion Heat Release Correlation for CAI Combustion Simulation in4-StrokeGasoline Engines”，SAE2005-01-0183.

具体实施步骤详述如下：

表1：本发明的实施例所用的发动机参数

气缸直径[mm]	86
		冲程[mm]	86
排量[L]	0.5
		压缩比	10.66
燃烧室	蓬形/4气门
		燃油喷射方式	进气道喷射
燃油类型	93号汽油
		进气压力	1bar
节气门	开度100%

步骤1：HCCI燃烧的控制模型的建立：

如图1所示，本发明所采用的HCCI燃烧的控制模型为三输入三输出线性状态模型，输入包括进气门关闭时刻(IVC)，排气门关闭时刻EVC，发动机每循环喷油量mf_inj；输出包括燃烧相位CA50，毛平均指示有效压力Gross IMEP,过量空气系数Lambda。所采用的建模方法为统计学建模。固定发动机的冷却水温，进气温度，发动机转速，采用伪随机二进制序列PRBS信号对三个输入量IVC，EVC，mf_inj进行激励（激励信号的变化周期由PRBS信号控制，本实施具体变化周期为：IVC选择15个发动机循环，EVC选择25个发动机循环，mf_inj选择45个发动机循环；激励信号幅值变化范围选择为HCCI不失火也不爆震（定义最大压升率超过5bar/°CA时，为发生爆震）时允许的最大和最小值即可，本实施例IVC从560°CA ATDC到620°CA ATDC，EVC从110°CA BTDC到80°CA BTDC，喷油量在7到13毫克/循环之间变化，冷却水温90℃，进气温度30℃，发动机转速1200r/min）。记录该过程中的实际输入（IVC、EVC、喷油量）和输出（CA50,Gross IMEP,Lambda）参数。利用最小二乘法对A,B,C矩阵的参数进行估计。

最终模型的表达形式为：

x(k)=A·x(k-1)+B·u

y=C·x(k)

其中，k为被控HCCI发动机的工作循环编号，x为状态向量，其初始值选择为[0,0,0,0,0,0]^T,y为输出向量[Gross IMEP,CA50,Lambda]^T,u为控制向量[IVC,EVC,mf_inj]^T,A,B,C为模型参数，分别为：

$A=\left(\begin{array}{cccccc}0& 0& 0.312247& -0.02226& 0& 0\\ 0& 0& 19.37337& -2.94026& 0& 0\\ 0.044535& -0.00027& 0.870617& -0.00473& -0.00945& 0\\ -3.61876& -0.01198& 0.990609& 0.630458& 0& 0\\ 0& 0& 0& 0& 0.821655& -0.3598\\ 0& 0& 0& 0& -0.04091& 0.789109\end{array}\right)$

$B=\left(\begin{array}{cc}-0.0057& -0.0151\\ 0.16258& -2.25297\\ -0.00012& 0.000784\\ -0.00299& -0.22593\\ 0& 0\\ 0& 0\end{array}\right)$

$C=\left(\begin{array}{cccccc}0.016974& 0.004831& 0.848363& -0.02495& 0.186036& 0\\ -9.33086& -0.22553& 1.444099& 0.064606& 0& 0\\ 0& 0& 1& 0& 0& 0\end{array}\right)$

步骤2：基于HCCI燃烧的控制模型的解耦控制

如图2所示，基于HCCI燃烧的控制模型，建立传递函数矩阵G_p(5)。转换过程中，系统的采样周期为120/n,其中n为发动机转速，单位为转/分,从态空间模型或自回归滑动平均模型向传递函数转化为已有标准算法，此处不再详述。采用补偿器解耦方法，建立解耦控制器；即，解耦控制模块G_c(s)=G_p(s)^-1·G_w(s)，其中，G_w(s)是解耦后的目标矩阵，为对角矩阵： $\left[\begin{array}{ccc}\frac{a}{{(s+\mathrm{\ρ})}^2}& 0& 0\\ 0& \frac{b}{{(s+\mathrm{\ρ})}^2}& 0\\ 0& 0& \underset{{(s+\mathrm{\ρ})}^2}{c}\end{array}\right],$ 其中a,b,c分别为G_p(s)中IVC与CA50之间传递函数的静态增益系数，EVC与Gross IMEP之间传递函数的静态增益系数，mf_inj与Lambda之间传递函数的静态增益系数，ρ为待标定的常数,用以调节对角矩阵的时间常数，取值范围为0.1～10，该对角矩阵每一个对角线上的元素即为解耦后系统转成的三个单输入单输出SISO系统。解耦模块的输入U(s)包括Gross IMEP的ADRC模块004与Gross IMEP前馈控制模块001的输出之和EVC_0，CA50的ADRC模块005与CA50前馈控制模块002之和IVC_0,以及Lambda的ADRC模块006与Lambda前馈控制模块003之和mf_inj_0。解耦模块的输出Y(s)包括被控HCCI发动机的排气门关闭时刻最终设定值EVC，被控HCCI发动机的进气门关闭时刻最终设定值IVC，以及被控HCCI发动机的喷油量初步设定值mf_inj_1。

在本实施例中，a=0.0318，b=0.1033，c=-0.1031，ρ=1，为降低计算负担，减少高阶控制器对噪声的敏感程度，可以将G_o(s)简化为静态解耦矩阵。即，只选择G_o(s)的静态增益，忽略其动态特征，换言之，只采用G_c(s)中传递函数里s=0时的比例常数，在此实施例中，得到的G_c(s)对应的静态解耦矩阵为： $\left[\begin{array}{ccc}0.8465& 0.8786& 15.6311\\ 0.0458& 0.5270& -1.8090\\ -0.0013& 0.0932& 0.4524\end{array}\right].$

步骤3：基于HCCI燃烧的控制模型的前馈控制算法设计

对步骤2解耦后的三个单输入单输出SISO系统求逆，分别与延迟环节

并联，形成前馈控制矩阵：

$\mathrm{FF}\left(s\right)=\left[\begin{array}{ccc}\frac{s^2+2s+1}{0.0318\·{(5s+1)}^3}& 0& 0\\ 0& \frac{s^{2+}2s+1}{0.1033\·{(5s+1)}^3}& 0\\ 0& 0& \frac{s^2+2s+1}{-0.1031\·{(5s+1)}^3}\end{array}\right]---\left(1\right)$

式（1）中，m为待标定增益系数，本实施例中选择为1，τ为时间常数，其取值范围为0.1～10，用以调整前馈控制模块的响应速度，本实施例中选择为5。所述Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输出(依次为：EVC_a,IVC_a,mf_inj_a)分别与Gross IMEP前馈控制模块001，CA50前馈控制模块002和Lambda前馈控制模块003的输出(依次为：EVC_f,IVC_f,mf_inj_f)相加，依次得到EVC_0,IVC_0和mf_inj_0，然后均作为解耦控制器的输入。

步骤4：自抗扰控制ADRC算法设计

经过步骤1处理，HCCI系统被拆分成三个相对独立的单输入单输出(SISO)系统,包括EVC对Gross IMEP回路

IVC对CA50回路

喷油量对Lambda回路但是，由于以下两个方面的原因，上述解耦控制器和前馈控制器不能保证控制过程完全准确：

①模型不能保证100%精确，模型的偏差造成了解耦和前馈控制器的偏差；

②系统存在大量的外部扰动，如冷却水温或进气温度的变化，也会造成系统的稳态偏差。

针对上述问题，在步骤1和步骤2的基础上，本发明采用ADRC方法，将上述两点所造成偏差的总和视为一个变量，总扰动f。本发明将模型和真实发动机之间的偏差视为扰动，基于其中的扩张状态观测器对所观测的扰动f进行实时观测和补偿。

如图1所示，所述Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输入均分别包括各自的设定值和实际值；将所述Gross IMEP的ADRC模块004，CA50的ADRC模块005和Lambda的ADRC模块006的输出(依次为：EVC_a,IVC_a,mf_inj_a)分别与Gross IMEP前馈控制模块001，CA50前馈控制模块002和Lambda前馈控制模块003的输出(依次为：EVC_f,IVC_f,mf_inj_f)相加，依次得到EVC_0，IVC_0和mf_inj_0，然后均作为解耦控制器的输入。

本实施例仅以其中的Gross IMEP的ADRC模块004的算法为例，其他两个ADRC模块的算法类似，不再一一阐述。将其转换为如下微分方程形式：

$\stackrel{\·\·}{y}=-2\stackrel{\·}{y}-y+{\mathrm{\ω}}_e+0.1033u=f+0.1033\·u---\left(2\right)$

式（2）中：y为系统输出量Gross IMEP，ω_e为系统外部扰动如进气温度，f为系统总扰动，此处u为被控HCCI发动机的排气门关闭时刻EVC_a。

采用ADRC的标准算法，将式（2）转化为状态空间形式：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=x_2\\ {\stackrel{\·}{x}}_2-x_3+0.1033\·u\\ {\stackrel{\·}{x}}_3=h\\ y=x_1\end{array}\right.---\left(3\right)$

将式（3）写成矩阵形式如下：

$\left\{\begin{array}{c}\stackrel{\·}{x}=A\·x+B\·u+E\·h\\ y=C\·z\end{array}\right.---\left(4\right)$ 式（4）中， $A=\left[\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ 0.1033\\ 0\end{array}\right],C=\left[\begin{array}{ccc}1& 0& 0\end{array}\right],E=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right],$ z为x的估计。

设计扩张状态观测：

$\left\{\begin{array}{c}\stackrel{\·}{z}=A\·z+B\·u+L\·(y-\hat{y})\\ y=C\·z\end{array}\right.---\left(5\right)$

式（5）中，L为待标定的观测器增益矩阵。

控制律设计为u=(-z₃+u₀)/0.1033，

u₀=Kp·(r-z₁)·-K_d·z₂    (6)

式（6）中，K_p和K_d为控制器的待标定参数,r为输出量y设定值,此处r具体为GrossIMEP的设定值。

根据已有的研究结果，可将K_p和K_d以及观测器增益矩阵L转化为ADRC观测器带宽ω_o，控制带宽ω_c，以及系统物性常数b₀的函数:K_p=ω_c ²,K_d=2·ω_c, $L=\left[\begin{array}{ccc}-3{\mathrm{\ω}}_0& 0& 0\\ -{{3\mathrm{\ω}}_0}^2& 0& 0\\ {{-\mathrm{\ω}}_0}^3& 0& 0\end{array}\right].$ 通过标定ω_o，ω_c以及b₀及可实现K_p、K_d以及L的参数优化。

本发明中ADRC参数的具体标定方法为：（1）选择ADRC的观测带宽ω_o选择为n/1200=1，其中n为发动机转速，单位为转/分钟；（2）选择ADRC的控制带宽ω_c等于ω_o，取为1；（3）依据“增大系统物性常数b₀可降低系统调节速度，减小系统物性常数b₀可提高系统调节速度”的基本规律，根据系统响应速度需求，在本实施例中b₀取0.1033即可。（4）减小ω_o，同时增大ω_o,微调系统响应速度，此处ω_o的取值范围为n/1200～n/240，ω_o的取值范围为ω_o/10～ω_o，在本实施例中，ω_o取2.5，ω_c取0.9。

步骤5：气门机构动作延迟的自适应补偿算法设计

在采用废气重压的HCCI发动机中，EVC是对进气量的主要调整手段，对于电液式全可变气门机构，EVC存在显著的时间延迟，将排气门关闭时刻EVC的动态调整过程看作一阶惯性环节，离散表达形式如下：

EVC_Acutal(k)=e^-1/T·EVC+(1-e^-1/T)·EVC_Actual(k-1)   (7)

式（7）中，k为被控HCCI发动机的工作循环编号，EVC_Acutal为被控HCCI发动机排气门的实际关闭时刻，e^-1/T代表EVC调节速度的时间常数，EVC为被控HCCI发动机的排气门关闭时刻最终设定值。

相比而言，喷油动作则可以进行基于循环的调整，其调节速度明显高于EVC，在瞬态过程，两者调节速度的不一致性很容易造成空燃比控制效果的恶化。此外，EVC动作延迟还随着发动机的转速、机油温度和机油压力的变化而改变。为此，本发明设计了一种对该动态特征的自适应补偿算法，以改善瞬态过程的空燃比控制效果。

将式(7)改写成：

[EVC_Acutal(k)-EVC_Acutal(k-1)]=[EVC-EVC_Acutal(k-1)]·e^-1/T   (8)

将式（8）可以看作如下线性表达形式：

式（9）中:

y=[EVC_Acutal(k)-EVC_Acutal(k-1)]，

θ=e^-1/T。由此，利用气门机构动作延迟在线估计模块009采用带有遗忘因子的线性递推最小二乘法对θ进行在线估计：

式（10）中，K为被控HCCI发动机的工作循环编号，为θ的估计值，K和P为中间变量，在本实施例中，K的初始值取0，P的初始值取1，

为

的转置，λ为遗忘因子，取值范围为0.98～0.999,在本实施例中取0.995。利用气门机构动态特征的补偿控制模块008对喷油动作进行主动延迟处理：

$\mathrm{mf}\_\mathrm{inj}\left(k\right)=\widehat{\mathrm{\θ}}\left(k\right)\·\mathrm{mf}\_\mathrm{inj}\_1\left(k\right)+(1-\widehat{\mathrm{\θ}}\left(k\right))\·\mathrm{mf}\_\mathrm{inj}(k-1)---\left(11\right)$

式（11）中，mf_inj为被控HCCI发动机最终实际执行的每循环喷油量，

为θ的估计值，mf_inj_1为基于HCCI燃烧的控制模型的解耦控制模块、前馈控制模块及ADRC模块得到的被控HCCI发动机的每循环喷油量初步设定值，k是被控HCCI发动机运行的工作循环编号。

具体的，将本发明所提出的控制算法在两个工况(1200r/min 90℃水温和1200r/min75℃水温)下，与MPC这一先进控制算法相对比，以验证该复合控制方法的有效性，结果如图3和图4所示。此处MPC设计所使用的基础模型为本实施例步骤1中所述的HCCI燃烧的控制模型，设计平台为Matlab 2011中的MPC工具箱，该控制器的参数详细设置如下：

约束设定：540°CA ATDC<IVC<620°CA ATDC；

220°CA ATDC<EVC<270°CA ATDC；

8mg/cycle <mf_inj<15 mg/cycle；

控制预测步长：3个；

预测步长：5个。

整体鲁棒性调节系数取0.6。

图3中，90℃冷却水温，1200r/min转速为所用的面向控制模型的参数辨识时所用的工况。在该工况下，本发明的控制算法较MPC有轻微优势。具体的，在第500个循环，毛指示平均有效压力Gross IMEP阶跃的过程中，本发明的过量空气系数Lambda和燃烧相位（CA50）的波动更小，表现出更强的抗干扰能力。

将冷却水温调至75℃，其他运行条件保持不变。对于MPC控制器，为防止系统震荡，其控制器参数中的整体鲁棒性调节系数需要从原来的0.6更改为0.45。而对于本发明的控制器，其参数不需做任何修改,就可保持很好的控制效果。具体如图4所示，在第150个循环，第750个循环，本发明的过量空气系数Lambda和毛指示平均有效压力Gross IMEP控制更稳定，在第500个循环本发明的过量空气系数Lambda和燃烧相位CA50的波动更小。

图3和图4结果的对比表明：①虽然发动机运行工况的变化导致本发明所用的HCCI燃烧的控制模型精度下降，但其控制效果依然良好。说明本发明对控制模型的精度要求低，可以降低精确建模的负担。②本发明在发动机运行工况变化的工况下，始终可以保持较好的控制效果，表现出对发动机工况变化更强的鲁棒性。③在发动机运行工况变化时，本发明无需调整任何控制器参数，因此，大幅降低了控制参数的标定负担。④在变负荷（毛指示平均有效压力阶跃）过程中，CA50和Lambda波动较小，表现出了更强的抗扰能力。

尽管上面结合图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (1)

1.一种HCCI燃烧基于模型的解耦及抗扰控制方法,包括：与被控HCCI发动机（010）相连的基于HCCI燃烧的控制模型的解耦控制模块（007），ADRC模块，前馈控制模块，以及气门机构动作延迟自适应补偿模块，其特征在于：

所述ADRC模块包括Gross IMEP的ADRC模块（004），CA50的ADRC模块（005）和Lambda的ADRC模块（006）；

所述前馈控制模块包括Gross IMEP前馈控制模块（001），CA50前馈控制模块（002）和Lambda前馈控制模块（003）；

所述的气门机构动作延迟自适应补偿模块包括气门机构动态特征的补偿控制模块（008）和气门机构动作延迟在线估计模块（009）；

将上述基于HCCI燃烧的控制模型的解耦控制模块、ADRC模块、前馈控制模块以及气门机构动作延迟自适应补偿模块相结合，按照下述步骤构成HCCI燃烧的抗扰及解耦复合控制：

步骤1：HCCI燃烧的控制模型的建立

该模型采用三输入三输出线性模型，其阶次范围是2～10，其输入包括进气门关闭时刻(IVC)，排气门关闭时刻（EVC），发动机每循环喷油量(mf_inj)；其输出包括燃烧相位（CA50），毛平均指示有效压力（Gross IMEP）,过量空气系数（Lambda）；其表达形式是状态空间模型或自回归滑动平均模型，并用最小二乘法辨识模型的参数；

步骤2：基于HCCI燃烧的控制模型的解耦控制

基于HCCI燃烧的控制模型，建立传递函数矩阵G_p(s)，采用补偿器解耦方法，建立解耦控制器；即，解耦控制模块G_c(s)=G_p(s)^-1.G_w(s)，其中，G_w(s)是解耦后的目标矩阵，为对角矩阵： $\left[\begin{array}{ccc}\frac{a}{{(s+\mathrm{\&rho;})}^2}& 0& 0\\ 0& \frac{b}{{(s+\mathrm{\&rho;})}^2}& 0\\ 0& 0& \frac{c}{{(s+\mathrm{\&rho;})}^2}\end{array}\right],$ a为进气门关闭时刻(IVC)与燃烧相位（CA50）之间传递函数的静态增益系数，,b为排气门关闭时刻（EVC）与毛平均指示有效压力（GrossIMEP）之间传递函数的静态增益系数，c为发动机每循环喷油量（mf_inj）与过量空气系数（Lambda）之间传递函数的静态增益系数，所述静态增益系数是指当传递函数中s为零时的比例系数；ρ为待标定的常数,用以调节对角矩阵的时间常数，ρ的取值范围为0.1～10，该对角矩阵每一个对角线上的元素即为解耦后系统转成的三个单输入单输出系统；

步骤3：前馈控制

对解耦后的三个SISO系统

求逆，分别与延迟环节

并联，形成前馈控制矩阵 $\left[\begin{array}{ccc}\frac{m\&CenterDot;{(s+\mathrm{\&rho;})}^2/a}{{(1+\mathrm{\&tau;}\&CenterDot;s)}^3}& 0& 0\\ 0& \frac{m\&CenterDot;{(s+\mathrm{\&rho;})}^2/b}{{(1+\mathrm{\&tau;}\&CenterDot;s)}^3}& 0\\ 0& 0& \frac{m\&CenterDot;{(s+\mathrm{\&rho;})}^2/c}{{(1+\mathrm{\&tau;}\&CenterDot;s)}^3}\end{array}\right],$

其中，m为待标定增益系数，其取值范围为0.5～2.0，τ为时间常数，用以调整前馈控制模块的响应速度,其取值范围为0.1～10；所述Gross IMEP前馈控制模块（001），CA50前馈控制模块（002）和Gross IMEP前馈控制模块（003）的输入分别为Gross IMEP设定值，CA50设定值和Lambda的设定值；

所述Gross IMEP前馈控制模块（001）与Gross IMEP的ADRC模块（004）的输出相加，所述CA50前馈控制模块（002）与CA50的ADRC模块（005）的输出相加，所述GrossIMEP前馈控制模块（003）与Lambda的ADRC模块（006）的输出相加；

步骤4：ADRC

将模型和真实发动机之间的偏差视为扰动，基于其中的扩张状态观测器对扰动实时估计和补偿；

所述Gross IMEP的ADRC模块（004），CA50的ADRC模块（005）和Lambda的ADRC模块（006）的输入均分别包括各自的设定值和实际值；

将所述Gross IMEP的ADRC模块（004），CA50的ADRC模块（005）和Lambda的ADRC模块（006）的输出分别与Gross IMEP前馈控制模块（001），CA50前馈控制模块（002）和Lambda前馈控制模块（003）的输出相加，然后均作为解耦控制器的输入；

所述Gross IMEP的ADRC模块（004），CA50的ADRC模块（005）和Lambda的ADRC模块（006）的输入均分别包括各自的设定值和实际值；

ADRC参数的整定方法为：

选择ADRC的观测带宽ω_o选择为n/1200，其中n为被控HCCI发动机转速，单位为转/分钟；

选择ADRC的控制带宽ω_c等于ω_o；

依据“增大系统物性常数b₀可降低系统调节速度，减小系统物性常数b₀可提高系统调节速度”的基本规律，根据系统响应速度需求，确定b₀；

减小ω_c，同时增大ω_o,微调系统响应速度，此处ω_o的取值范围为n/1200～n/240，ω_c的取值范围为ω_o/10～ω_o；

步骤5：气门机构动作延迟自适应补偿控制：

首先，将排气门关闭时刻EVC的动态调整过程看作一阶惯性环节:

EVC_Acutal(k)=e^-1/T·EVC+(1-e^-1/T)·EVC_Actual(k-1)

其中，k为被控HCCI发动机的工作循环编号，EVC_Acutal为被控HCCI发动机排气门的实际关闭时刻，e^-1/T代表排气门关闭时刻调节速度的时间常数，EVC为被控HCCI发动机的排气门关闭时刻最终设定值；

将上式转换为：

其中:

y=[EVC_Acutal(k)-EVC_Acutal(k-1)]，

θ=e^-1/T；采用带有遗忘因子的线性递推最小二乘法，利用气门机构动作延迟在线估计模块（009）对θ在线估计；基于θ的估计值，利用气门机构动态特征的补偿控制模块（008）对喷油动作进行主动延迟处理：

$\mathrm{mf}\_\mathrm{inj}\left(k\right)=\widehat{\mathrm{\&theta;}}\left(k\right)\&CenterDot;\mathrm{mf}\_\mathrm{inj}\_1\left(k\right)+(1-\widehat{\mathrm{\&theta;}}\left(k\right))\&CenterDot;\mathrm{mf}\_\mathrm{inj}(k-1),$ 其中，mf_inj为被控HCCI发动机最终实际执行的每循环喷油量，

为θ的估计值，mf_inj_1为基于HCCI燃烧的控制模型的解耦控制模块、前馈控制模块及ADRC模块得到的被控HCCI发动机的每循环喷油量初步设定值，k是被控HCCI发动机运行的工作循环编号。

Images