CN104975923A - 一种柴油机scr系统输入状态的观测方法及观测系统 - Google Patents

Abstract

本发明公开了一种柴油机SCR系统输入状态的观测方法及观测系统。该观测方法保护如下步骤：步骤1，根据SCR系统内化学反应建立状态空间模型；步骤2，将状态空间模型与EKF方程结合起来；该EKF方程包括预测方程：x(k)＝f[x(k-1),u(k)]+w(k)，及，更新方程：z(k)＝h[x(k)]+v(k)；其中，x(k)代表状态向量，u(k)是输入向量，w(k)代表高斯过程噪声，z(k)代表观测向量，h(x)代表观测函数，v(k)代表高斯观测噪声；步骤3，运用软件编码以上提到的EKF算法，进行计算仿真，从而得出输入浓度估计值。本发明设计了拓展卡尔曼滤波来进行输入状态观测的方法，在仿真中验证了所设计观测器的有效性，并且保证了估计浓度的精度，达到了预期的设计目的，完全有能力取代入口处的氨气传感器或NOx传感器。

Description

一种柴油机SCR系统输入状态的观测方法及观测系统

技术领域

本发明属于柴油机尾气后处理SCR系统控制领域，涉及一种控制方法，具体来说，涉及一种柴油机SCR系统输入状态的观测方法及观测系统，特别适用于中重型柴油机尾气后处理SCR系统中对NOx和氨气输入浓度的估计观测。

背景技术

近十年来，汽车行业中柴油发动机的市场份额一直在增长，主要是由于它在燃油效率、耐久性和应用范围方面与汽油发动机相比具有不小的优势。但是，近些年随着地球环境的恶化和人们环保意识的提高，柴油机尾气污染问题尤其是氮氧化物污染越来越引起人们的关注。为了解决柴油机尾气污染问题，人们研究开发了缸内燃烧控制，NOx捕获技术，选择性催化还原系统(SCR)等技术。而随着排放法规的日益严格，技术的研究深入，SCR系统被认为是最具有前途的去除氮氧化物的一种尾气后处理技术。

SCR系统被广泛应用于柴油机中来减少NOx的排放。SCR(SelectiveCatalytic Reduction)主要就是一种选择催化还原技术，它是在系统入口端喷入尿素，利用其水解出的氨气在催化剂的作用下将NOx还原为对大气无污染的氮气和水。

如图1所示，常规的SCR系统包含：SCR系统；位于SCR系统进气端的检测NO_X浓度的传感器1，位于SCR系统进气端的检测NH₃浓度的传感器2，位于SCR系统排气端的检测NO_X浓度的传感器3，位于SCR系统排气端的检测NH₃浓度的传感器4。

在SCR系统中，尿素的喷射是系统唯一的输入控制，而NOx和氨气的浓度被认为是SCR尿素喷射控制中重要的状态参数，所以NOx和氨气的输入浓度对控制算法的设计至关重要。传统的输入浓度观测一般都是借助于传感器，但是NOx和氨气传感器存在造价昂贵和难以进行故障诊断等缺陷，这些问题都会影响SCR系统的经济效益和工作效率。

发明内容

本发明要解决的问题是，寻找一种适合SCR系统的方法来取代昂贵的NOx或氨气传感器，并降低故障诊断的难度。因此设计一种新型输入状态观测器至关重要。

为达到上述目的，本发明提供了一种柴油机SCR系统输入状态的观测方法，该方法保护如下步骤：

步骤1，根据SCR系统内化学反应建立状态空间模型；

步骤2，将状态空间模型与EKF算法结合起来；EKF算法分为两步，包括预测过程和更新过程；该EKF方程包括预测方程：x(k)＝f[x(k-1),u(k)]+w(k)，及，更新方程：z(k)＝h[x(k)]+v(k)；其中，x(k)代表状态向量，u(k)是输入向量，w(k)代表高斯过程噪声，z(k)代表观测向量，h(x)代表观测函数，v(k)代表高斯观测噪声；

步骤3，运用软件编码以上提到的EKF算法，进行计算仿真，从而得出输入浓度估计值。

上述的柴油机SCR系统输入状态的观测方法，其中，所述的空间状态模型为：

$\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}\end{array}\right]=\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}={-C}_{\mathrm{NO}}({\mathrm{\Θr}}_{\mathrm{re}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}+\frac{F}{V})+r_{\mathrm{ox}}\mathrm{\Θ}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}=-{\mathrm{\θ}}_{{\mathrm{NH}}_3}(r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}+r_{\mathrm{de}}+r_{\mathrm{re}}{C}_{\mathrm{NO}}+r_{\mathrm{ox}})+r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}=-C_{{\mathrm{NH}}_3}[{\mathrm{\Θr}}_{\mathrm{ad}}(1-{\mathrm{\θ}}_{{\mathrm{NH}}_3})+\frac{F}{V}]+{\mathrm{\Θr}}_{\mathrm{de}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ \frac{F}{V}\end{array}\right]C_{{\mathrm{NH}}_3,\mathrm{in}}+\left[\begin{array}{c}\frac{F}{V}\\ 0\\ 0\end{array}\right]C_{\mathrm{NO},\mathrm{in}};$

其中，x＝ad，de，ox，re；ad代表正向吸附反应，de代表逆向解吸附反应，ox代表氧化反应，re代表还原反应；C_NO代表NOx的浓度，代表氨气的浓度；表示氨气入口的浓度，C_NO,in表示柴油机排出尾气中NOx的浓度；F是尾气流速；V是SCR系统的体积；T表示温度，E、K和R是常数,C_x表示x的浓度，表示催化剂上的氨气覆盖率；Θ表示催化剂总的氨气覆盖率能力。

上述的柴油机SCR系统输入状态的观测方法，其中，步骤2中，在EKF预测过程，状态向量x(k)表示为：系统误差协方差矩阵P(k)表示为：P(k|k-1)＝F(k)P(k-1|k-1)F(k)^T+Q(k)，其中F(k)是预测函数f(x)的雅克比矩阵。

上述的柴油机SCR系统输入状态的观测方法，其中，步骤2中，在EKF的更新过程中，系统预测状态和误差协方差向量P(k|k-1)通过传感器数据与观测方程计算数据之差来不断更新，在这个过程中同时还需要一个最佳的卡尔曼增益K(k)，其计算方程如下：

M(k)＝H(k)P(k|k-1)H(k)^T+R(k)；

K(k)＝P(k|k-1)H(k)^TM(k)^-1；

$\stackrel{\mathrm{\Λ}}{x}\left(k\right|k)=\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)+K\left(k\right)\{z\left(k\right)-h[\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)\left]\right\};$

P(k|k)＝[I-K(k)H(k)]P(k|k-1)，其中，I代表单位矩阵，H(k)是观测函数h(k)的雅克比矩阵。

本发明还提供了一种上述的柴油机SCR系统输入状态的观测方法的观测系统，该观测系统包含：

SCR系统；

位于SCR系统进气端的检测NO_X浓度的传感器，

位于SCR系统排气端的检测NO_X浓度的传感器，

位于SCR系统排气端的检测NH₃浓度的传感器，

EKF观测算法模块，

浓度显示模块；

SCR系统进气端的检测NO_X浓度的传感器、SCR系统排气端的检测NO_X浓度的传感器及SCR系统排气端的检测NH₃浓度的传感器的检测数据均输入到EKF观测算法模块；该EKF观测算法模块通过对输入的检测数据进行运算，输出SCR系统进气端的NH₃浓度至浓度显示模块。

本发明还提供了一种采用上述的柴油机SCR系统输入状态的观测方法的观测系统，该观测系统包含：

SCR系统；

位于SCR系统进气端的检测NH₃浓度的传感器，

位于SCR系统排气端的检测NO_X浓度的传感器，

位于SCR系统排气端的检测NH₃浓度的传感器，

EKF观测算法模块，

浓度显示模块；

SCR系统进气端的检测NH₃浓度的传感器、SCR系统排气端的检测NO_X浓度的传感器及SCR系统排气端的检测NH₃浓度的传感器的检测数据均输入到EKF观测算法模块；该EKF观测算法模块通过对输入的检测数据进行运算，输出SCR系统进气端的NOx浓度至浓度显示模块。

本发明提出了的SCR输入状态估计的观测方法和观测系统，考虑了估计氨气输入浓度和估计输入NOx浓度这两种情况，设计了拓展卡尔曼滤波来进行输入状态观测的方法，在仿真中验证了所设计观测器的有效性，并且保证了估计浓度的精度，达到了预期的设计目的，完全有能力取代入口处的氨气传感器或NOx传感器。

附图说明

图1是常规的SCR系统输入输出状态检测结构图。

图2是本发明的SCR系统输入状态的观测系统图。

图3是SCR输入端氨气浓度采用本发明的观测方法计算的估计数据曲线与传感器数据(真实值)曲线对比图。

图4是SCR输入端NOx浓度采用本发明的观测方法计算的估计数据曲线与传感器数据(真实值)曲线对比图。

具体实施方式

以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。

本发明采用的方法是：根据SCR系统内化学反应建立状态空间模型，运用拓展卡尔曼滤波(EKF)方法，分两种情况分别来估计入口的NOx浓度或氨气浓度。第一种情况：如图1，假设NOx的输入浓度已知(由传感器1获得)，NOx输出浓度已知(由传感器3获得)，氨气输出浓度已知(由传感器4获得)，则我们可以利用EKF控制算法估计氨气的输入浓度，这样传感器2就可以被省去。第二种情况：假设氨气的输入浓度已知(由传感器2获得)，NOx输出浓度已知(由传感器3获得)，氨气输出浓度已知(由传感器4获得)，则我们可以利用EKF控制算法估计NOx的输入浓度，这样传感器1就可以被省去。

本发明提供的观测系统如图2所示，包括：

SCR系统；

位于SCR系统进气端的检测NO_X浓度的传感器1或检测NH₃浓度的传感器2，

位于SCR系统排气端的检测NO_X浓度的传感器3，

位于SCR系统排气端的检测NH₃浓度的传感器4，

EKF观测算法模块，

浓度显示模块；

SCR系统进气端的检测NO_X浓度的传感器1或检测NH₃浓度的传感器2、SCR系统排气端的检测NO_X浓度的传感器3及SCR系统排气端的检测NH₃浓度的传感器4的检测数据均输入到EKF观测算法模块；该EKF观测算法模块通过对输入的检测数据进行运算，输出SCR系统进气端的NH₃浓度至浓度显示模块。

本发明的具体算法方法为：

第一步,根据SCR系统内化学反应建立状态空间模型。SCR系统内主要化学反应有以下三个:

1)NH₃在催化剂上的吸附与解吸附：

其中θ_free代表SCR内催化反应点,NH₃ ^*代表吸附在催化剂上的NH₃。反应的正逆反应速度为(其中,ad代表正向吸附反应；de代表逆向解吸附反应)：

$R_{\mathrm{ad}}={K_{\mathrm{ad}}e}^{-(E_{\mathrm{ad}}/\mathrm{RT})}{C}_{{\mathrm{NH}}_3}(1-{\mathrm{\θ}}_{{\mathrm{NH}}_3}),---\left(2\right)$

$R_{\mathrm{de}}={K_{\mathrm{de}}e}^{-(E_{\mathrm{de}}/\mathrm{RT})}{C}_{{\mathrm{NH}}_3},---\left(3\right)$

其中R表示化学反应速率，T表示温度，E、K和R是常数,C_NH3表示NH₃的浓度，表示催化剂上的氨气覆盖率，它可以表示为：

${\mathrm{\θ}}_{{\mathrm{NH}}_3}=\frac{M_{{\mathrm{NH}}_3}^{*}}{\mathrm{\Θ}},---\left(4\right)$

其中代表吸附在催化剂上氨气的摩尔量，Θ表示催化剂总的氨气覆盖率能力。

2)NH₃的氧化(ox代表氧化反应)

${\mathrm{NH}}_3^{*}+{1.25O}_2\→\mathrm{NO}+1.5H_{2}O,---\left(5\right)$

$R_{\mathrm{ox}}=K_{\mathrm{ox}}{e}^{-(E_{\mathrm{ox}}/\mathrm{RT})}{\mathrm{\θ}}_{{\mathrm{NH}}_3},---\left(6\right)$

3)NOx的还原

NOx的还原中有很多复杂的化学反应，包括NO的还原，NO₂的还原，以及NO与NO₂一起被还原等。经研究表明，NO的还原反应是NOx还原中最为主要的反应，所以在此我们只考虑NO的还原反应，反应如下(re代表还原反应):

${4\mathrm{NH}}_3^{*}+4\mathrm{NO}+O_2\→{4N}_2+{6H}_{2}O,---\left(7\right)$

$R_{\mathrm{re}}=K_{\mathrm{re}}{e}^{-(E_{\mathrm{re}}/\mathrm{RT})}{C}_{\mathrm{NO}}{\mathrm{\θ}}_{{\mathrm{NH}}_3},---\left(8\right)$

根据摩尔守恒和质量守恒，我们可以由上述的四个化学反应速率方程建立状态空间，如下所示：

$\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}\end{array}\right]=\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}={-C}_{\mathrm{NO}}({\mathrm{\Θr}}_{\mathrm{re}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}+\frac{F}{V})+r_{\mathrm{ox}}\mathrm{\Θ}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}=-{\mathrm{\θ}}_{{\mathrm{NH}}_3}(r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}+r_{\mathrm{de}}+r_{\mathrm{re}}{C}_{\mathrm{NO}}+r_{\mathrm{ox}})+r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}=-C_{{\mathrm{NH}}_3}[{\mathrm{\Θr}}_{\mathrm{ad}}(1-{\mathrm{\θ}}_{{\mathrm{NH}}_3})+\frac{F}{V}]+{\mathrm{\Θr}}_{\mathrm{de}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ \frac{F}{V}\end{array}\right]C_{{\mathrm{NH}}_3,\mathrm{in}}+\left[\begin{array}{c}\frac{F}{V}\\ 0\\ 0\end{array}\right]C_{\mathrm{NO},\mathrm{in}},---\left(9\right)$

其中x＝ad，de，ox，re；C_NO和分别是NOx和氨气的浓度；C_NH3,in表示氨气入口的浓度，C_NO,in表示柴油机排出尾气中NOx的浓度；F是尾气流速；V是SCR装置的体积。

第二步，将状态空间模型与EKF方程结合起来。EKF估计状态一般分为两步，包括预测和更新。非线性系统的EKF方程一般表示如下：

x(k)＝f[x(k-1),u(k)]+w(k)  (10)

z(k)＝h[x(k)]+v(k)，  (11)

方程(10)是预测方程。x(k)代表状态向量，u(k)是输入向量，w(k)代表高斯过程噪声。方程(11)是更新方程，也叫观测方程，它包括观测向量z(k)，观测函数h(x)和高斯观测噪声v(k)。在EKF预测过程，状态向量x(k)和系统误差协方差矩阵P(k)表示如下：

$\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)=f[\stackrel{\mathrm{\Λ}}{x}(k-1|k-1),u\left(k\right)],---\left(12\right)$

P(k|k-1)＝F(k)P(k-1|k-1)F(k)^T+Q(k)，  (13)

其中F(k)是预测函数f(x)的雅克比矩阵。

在EKF的更新过程中，系统预测状态和误差协方差向量P(k|k-1)通过传感器数据与观测方程计算数据之差来不断更新。在这个过程中同时又需要一个最佳的卡尔曼增益K(k)。计算方程如下所示：

M(k)＝H(k)P(k|k-1)H(k)^T+R(k)，  (14)

K(k)＝P(k|k-1)H(k)^TM(k)^-1，(15)

$\stackrel{\mathrm{\Λ}}{x}\left(k\right|k)=\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)+K\left(k\right)\{z\left(k\right)-h[\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)\left]\right\},---\left(16\right)$

P(k|k)＝[I-K(k)H(k)]P(k|k-1)，  (17)

其中，I代表单位矩阵，H(k)是观测函数h(k)的雅克比矩阵。

上面提到，我们进行的输入估计时分为两种情况，所以我们也设计了两种EKF观测器(即EFK观测算法模块)。

一、假设NOx的输入浓度、NOx输出浓度、氨气输出浓度已知(由传感器检测)。由于氨气输入浓度随时间的变化并不是很大，所以我们可以认为：

${\stackrel{\·}{C}}_{{\mathrm{NH}}_3,\mathrm{in}}=0,---\left(18\right)$

则它的预测方程可以写成以下形式：

$\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)=\left[\begin{array}{c}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)\\ {\stackrel{\mathrm{\Λ}}{C}}_{{\mathrm{NH}}_3,\mathrm{in}}\left(k\right|k-1)\end{array}\right]=f\left[\stackrel{\mathrm{\Λ}}{x}(k-1|k-1)\right]$

$=\left[\begin{array}{c}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}(k-1|k-1)+\mathrm{\ΔT}{\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)\\ {\stackrel{\mathrm{\Λ}}{C}}_{{\mathrm{NH}}_3,\mathrm{in}}(k-1|k-1)\end{array}\right],---\left(19\right)$

其中ΔT是EKF模型的步长时间。观测方程可表示为：

$z\left(k\right)=h\left[\stackrel{\mathrm{\Λ}}{x}\left(k\right)\right]=\left[\begin{array}{c}{C}_{\mathrm{NO}}\left(k\right)\\ C_{{\mathrm{NH}}_3}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\stackrel{\mathrm{\Λ}}{C}}_{\mathrm{NO}}(k-1)+\frac{1}{2}\mathrm{\ΔT}[{\stackrel{\mathrm{\Λ}}{C}}_{\mathrm{NO}}\left(k\right)+{\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{\mathrm{NO}}(k-1)]\\ {\stackrel{\mathrm{\Λ}}{C}}_{{\mathrm{NH}}_3}(k-1)+\frac{1}{2}\mathrm{\ΔT}[{\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{{\mathrm{NH}}_3}\left(k\right)+{\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{{\mathrm{NH}}_3}(k-1)]\end{array}\right],---\left(20\right)$

其中定义：

${\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{\mathrm{NO}}\left(k\right)={-C}_{\mathrm{NO}}[({\mathrm{\Θr}}_{\mathrm{re}}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V})+r_{\mathrm{ox}}\mathrm{\Θ}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V}{C}_{\mathrm{NO},\mathrm{in}},---\left(21\right)$

${\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{{\mathrm{NH}}_3}\left(k\right)={-C}_{{\mathrm{NH}}_3}[{\mathrm{\Θr}}_{\mathrm{ad}}(1-{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1))+\frac{F}{V}]+{\mathrm{\Θr}}_{\mathrm{de}}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V}{\stackrel{\mathrm{\Λ}}{C}}_{{\mathrm{NH}}_3,\mathrm{in}}\left(k\right|k-1)---\left(22\right)$

二、假设氨气的输入浓度、NOx输出浓度、氨气输出浓度已知(由传感器测知)。由于NOx输入浓度随时间的变化并不是很大，所以我们可以认为：

${\stackrel{\·}{C}}_{\mathrm{NO},\mathrm{in}}=0,---\left(23\right)$

则它的预测方程可以表示如下：

$\begin{array}{c}\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)=\left[\begin{array}{c}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)\\ {\stackrel{\mathrm{\Λ}}{C}}_{\mathrm{NO},\mathrm{in}}\left(k\right|k-1)\end{array}\right]=f\left[\stackrel{\mathrm{\Λ}}{x}(k-1|k-1)\right]\\ =\left[\begin{array}{c}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}(k-1|k-1)+\mathrm{\ΔT}{\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)\\ {\stackrel{\mathrm{\Λ}}{C}}_{\mathrm{NO},\mathrm{in}}(k-1|k-1)\end{array}\right]\end{array}---\left(24\right)$

观测方程可表示为和上一种情况大致相同，只是其中和表达有所变化：

${\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{\mathrm{NO}}\left(k\right)={-C}_{\mathrm{NO}}[({\mathrm{\Θr}}_{\mathrm{re}}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V})+r_{\mathrm{ox}}\mathrm{\Θ}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V}{\stackrel{\mathrm{\Λ}}{C}}_{\mathrm{NO},\mathrm{in}}\left(k\right|k-1),\#\#---\left(25\right)$

${\stackrel{\stackrel{\·}{\mathrm{\Λ}}}{C}}_{{\mathrm{NH}}_3}\left(k\right)=-C_{{\mathrm{NH}}_3}[{\mathrm{\Θr}}_{\mathrm{ad}}(1-{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1))+\frac{F}{V}]+{\mathrm{\Θr}}_{\mathrm{de}}{\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\left(k\right|k-1)+\frac{F}{V}{C}_{{\mathrm{NH}}_3,\mathrm{in}},---\left(26\right)$

第三步是运用软件编码以上提到的EKF算法，进行计算仿真，从而得出我们的输入估计。得出的氨气和NOx估计数据曲线与传感器数据(真实值)曲线对比如图3和图4,可见采用本发明的方法估计出的氨气、NOx与传感器测出的真实值非常接近，在图4中真实值与估计值太过接近，已经无法区分；所以说，本发明的观测方法可以省略一个输入传感器(柴油机尾气输入传感器或氨气输入传感器)。

本发明是为了解决SCR系统中输入NOx和氨气浓度传感器价格昂贵和难以进行故障诊断的影响，而提供一种合适的观测方法。SCR系统输入状态的观测方法按以下步骤实现：步骤一、建立基于系统内化学反应的数学模型；步骤二、引入EKF算法，设计合理的控制观测器；步骤三、运用软件仿真验证。本发明的观测方法与观测系统主要应用于柴油机尾气后处理SCR系统控制领域。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种柴油机SCR系统输入状态的观测方法，其特征在于，该方法保护如下步骤：

步骤1，根据SCR系统内化学反应建立状态空间模型；

步骤2，将状态空间模型与EKF算法结合起来；EKF算法分为两步，包括预测过程和更新过程；该EKF算法包括预测方程：x(k)＝f[x(k-1),u(k)]+w(k)，及，更新方程：z(k)＝h[x(k)]+v(k)；其中，x(k)代表状态向量，u(k)是输入向量，w(k)代表高斯过程噪声，z(k)代表观测向量，h(x)代表观测函数，v(k)代表高斯观测噪声；

步骤3，运用软件编码所述的EKF算法，进行计算仿真，从而得出输入估计值。

2.如权利要求1所述的柴油机SCR系统输入状态的观测方法，其特征在于，所述的空间状态模型为：

$\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}\end{array}\right]=\left[\begin{array}{c}{\stackrel{\·}{C}}_{\mathrm{NO}}=-C_{\mathrm{NO}}(\mathrm{\Θ}{r}_{\mathrm{re}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}+\frac{F}{V})+r_{\mathrm{ox}}\mathrm{\Θ}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{\mathrm{\θ}}}_{{\mathrm{NH}}_3}=-{\mathrm{\θ}}_{{\mathrm{NH}}_3}(r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}+r_{\mathrm{de}}+r_{\mathrm{re}}{C}_{\mathrm{NO}}+r_{\mathrm{ox}})+r_{\mathrm{ad}}{C}_{{\mathrm{NH}}_3}\\ {\stackrel{\·}{C}}_{{\mathrm{NH}}_3}=-C_{{\mathrm{NH}}_3}[\mathrm{\Θ}{r}_{\mathrm{ad}}(1-{\mathrm{\θ}}_{{\mathrm{NH}}_3})+\frac{F}{V}]+\mathrm{\Θ}{r}_{\mathrm{de}}{\mathrm{\θ}}_{{\mathrm{NH}}_3}\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ \frac{F}{V}\end{array}\right]C_{{\mathrm{NH}}_3,\mathrm{in}}+\left[\begin{array}{c}\frac{F}{V}\\ 0\\ 0\end{array}\right]C_{\mathrm{NO},\mathrm{in}};$

其中，x＝ad，de，ox，re；ad代表正向吸附反应，de代表逆向解吸附反应，ox代表氧化反应，re代表还原反应；C_NO代表NOx的浓度，代表氨气的浓度；表示氨气入口的浓度，C_NO,in表示柴油机排出尾气中NOx的浓度；F是尾气流速；V是SCR系统的体积；T表示温度，E、K和R是常数,C_x表示x的浓度，表示催化剂上的氨气覆盖率；Θ表示催化剂总的氨气覆盖率能力。

3.如权利要求2所述的柴油机SCR系统输入状态的观测方法，其特征在于，

步骤2中，在EKF预测过程，状态向量x(k)表示为：

系统误差协方差矩阵P(k)表示为：

P(k|k-1)＝F(k)P(k-1|k-1)F(k)^T+Q(k)，其中F(k)是预测函数f(x)的雅克比矩阵。

4.如权利要求3所述的柴油机SCR系统输入状态的观测方法，其特征在于，步骤2中，在EKF的更新过程中，系统预测状态和误差协方差向量P(k|k-1)通过传感器数据与观测方程计算数据之差来不断更新，在这个过程中同时又需要一个最佳的卡尔曼增益K(k)，其计算方程如下：

M(k)＝H(k)P(k|k-1)H(k)^T+R(k)；

K(k)＝P(k|k-1)H(k)^TM(k)^-1；

$\stackrel{\mathrm{\Λ}}{x}\left(k\right|k)=\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)+K\left(k\right)\{z\left(k\right)-h[\stackrel{\mathrm{\Λ}}{x}\left(k\right|k-1)\left]\right\};$

P(k|k)＝[I-K(k)H(k)]P(k|k-1)，其中，I代表单位矩阵，H(k)是观测函数h(k)的雅克比矩阵。

5.一种采用权利要求1所述的柴油机SCR系统输入状态的观测方法的观测系统，其特征在于，该观测系统包含：

SCR系统；

位于SCR系统进气端的检测NO_X浓度的传感器(1)，

位于SCR系统排气端的检测NO_X浓度的传感器(3)，

位于SCR系统排气端的检测NH₃浓度的传感器(4)，

EKF观测算法模块，

浓度显示模块；

SCR系统进气端的检测NO_X浓度的传感器(1)、SCR系统排气端的检测NO_X浓度的传感器(3)及SCR系统排气端的检测NH₃浓度的传感器(4)的检测数据均输入到EKF观测算法模块；该EKF观测算法模块通过对输入的检测数据进行运算，输出SCR系统进气端的NH₃浓度至浓度显示模块。

6.一种采用权利要求1所述的柴油机SCR系统输入状态的观测方法的观测系统，其特征在于，该观测系统包含：

SCR系统；

位于SCR系统进气端的检测NH₃浓度的传感器(2)，

位于SCR系统排气端的检测NO_X浓度的传感器(3)，

位于SCR系统排气端的检测NH₃浓度的传感器(4)，

EKF观测算法模块，

浓度显示模块；

SCR系统进气端的检测NH₃浓度的传感器(2)、SCR系统排气端的检测NO_X浓度的传感器(3)及SCR系统排气端的检测NH₃浓度的传感器(4)的检测数据均输入到EKF观测算法模块；该EKF观测算法模块通过对输入的检测数据进行运算，输出SCR系统进气端的NOx浓度至浓度显示模块。