CN105116730A - 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 - Google Patents

Abstract

本发明涉及一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法，该优化系统包含主机系统、燃料/空气供给系统、接口单元、电控系统、信号采集单元及测试系统，主机系统包含粒子群算法处理模块，燃料/空气供给系统、信号采集单元、测试系统分别通过接口单元与电控系统相通讯，主机系统通过接口单元与电控系统相信号连。本发明利用粒子群算法进行优化训练寻找最优适应度及对应的权值，极大地减小工作量及试验成本，并结合部分现有标定数据，对最佳点火提前角进行预测标定的系统和方法，极大减小人工标定工作量，能够精确、快速地实现氢燃料发动机最佳点火提前角的标定工作，简化氢燃料发动机的实验研究及工业应用。

Description

基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法

技术领域

本发明涉及氢燃料发动机点火提前角优化技术领域，尤其涉及一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法。

背景技术

在生态环境逐步恶化的今天，传统能源和资源逐渐短缺。据统计，截止到2012年，汽车用汽柴油消费占全国汽柴油消费的比例已经达到了55％左右，每年新增石油消费量的70％以上被新增汽车所消耗。而我国原油进口依赖度已经高达59.6％。按每年平均新增2000万辆车的速度，原油进口依赖度将超过70％。随着人类社会不断发展的需要，人们迫切地希望能够寻找到一种清洁、可再生的替代能源以减少化石燃料的消耗和污染物的排放，进而改善我们赖以生存的环境。为了能寻找到化石燃料的合适替代燃料，人们展开了深入的研究，其中，氢气作为一种清洁、可再生的新能源，其热值高，排放少(仅NOx)，为解决能源危机提供了一种十分理想的方案。然而，相比于普通汽车发动机燃料，氢气在燃烧过程中火焰传播速度快、着火界限宽广，导致氢内燃机容易出现早然、回火等异常燃烧现象，直接影响到了氢内燃机的性能和排放。

发动机点火提前角对发动机动力性，经济性，排放，燃烧过程均存在较大影响，优化控制氢燃料发动机的点火提前角，是改善发动机性能和异常燃烧的关键技术，也是目前研究的重点方向。传统的方法是根据发动机负荷和转速对点火提前角进行控制，通过大量的发动机试验测取随不同工况(转速,负荷)点的符合优化思想的最佳点火提前角参数数据，并把这些数据存入ECU的ROM中，在发动机实际运转过程中，ECU根据负荷和转速传感器提供的信息从ROM中调出最佳点火提前角数据，然后再利用程序进行适当的修正，修正后的数据传递给执行器，控制发动机运行。但其控制规律需要预先做大量的发动机试验来标定，工作量浩繁，且不可能将所有的工况考虑在内。

发明内容

为了克服现有技术中的不足，本发明提出了一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法，能够精确、快速地实现氢燃料发动机最佳点火提前角的标定工作，极大程度减小人工标定的工作量，对于氢燃料发动机的试验研究具有十分现实的意义。

本发明采用以下技术方案：一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，包含主机系统、燃料/空气供给系统、接口单元、电控系统、信号采集单元及测试系统，主机系统包含粒子群算法处理模块，燃料/空气供给系统、信号采集单元、测试系统分别通过接口单元与电控系统相通讯，主机系统通过接口单元与电控系统相信号连接。

上述的，所述信号采集单元包含转速信号传感器、节气门信号传感器、空气流量信号传感器、氢气流量信号传感器及爆燃信号传感器。

优选的，测试系统将接收到的信号采集单元数据，经过信号调理电路进行数据处理后，传输至主机系统。

一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，是以上述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.根据发动机试验测试系统，选定不同工况进行试验，得到相应的最佳点火提前角，作为标定数据，选定标定数据中部分数据为用于优化的数据，另一部分为用于测试验证的数据；

步骤2.根据基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，建立模糊神经网络，初定模糊神经网络，及转速、负荷、冷却水温度、进气管压力的参数；

步骤3.根据步骤1中选定的用于优化的数据设定粒子群算法参数，粒子群算法参数包含微粒群规模Z、惯性权重常数w、迭代终止次数、最大速度Vmax、最大位置Xmax和训练样本数目；

步骤4.利用粒子群算法对模糊神经网络进行参数优化，将模糊神经网络中的所有神经元间的连接权值编码成实数码串表示的个体，并利用粒子群算法的优化结果输出作为模糊神经网络的最佳连接权值参数，根据模糊神经网络构建基于粒子群模糊神经网络的氢燃料发动机点火提前角的优化模型；

步骤5.根据步骤4构建的优化模型，结合用于优化的数据，利用优化模型的自学习功能进行仿真训练，直至满足迭代终止次数为止，确定模糊神经网络内部的最佳连接权值，并对优化效果通过均方误差适应度函数进行量化评价；

步骤6.根据步骤5中的仿真训练结果对步骤4构建的优化模型的粒子群参数进行修正，通过均方误差适应度函数的收敛速度及进度来评判参数的优劣；

步骤7.利用其中用于测试验证的数据对仿真训练结果进行测试、验证、评价，将用于测试验证的数据导入已经训练完成的优化模型中进行测试，通过相对误差与绝对误差对其进行评价，来验证该优化模型的优劣并得到优化完成后的系统模型；

步骤8.利用优化完成后的系统模型，并结合实际情况进行发动机点火提前角的预测、优化。

所述步骤2中的模糊神经网络包含输入层、模糊化层、去模糊化层和输出层，输入层包含n个输入节点，输出层包含一个输出节点。

上述的优化方法，所述步骤5具体包含如下步骤：

步骤5.1.初始化微粒群，根据微粒群规模Z，按照个体结构随机产生个体微粒组成种群，其中，不同的个体代表神经网络的一组不同权值，随机初始化种群的初始位置X，初始速度V，个体最优pBest和全局最优gBest；

步骤5.2.组建模糊神经网络，将微粒群中每一个体的分量映射为模糊神经网络中的权值，设置惯性权重常数w，非负常数c1和c2，构成模糊神经网络，模糊神经网络输出层包含一个输出节点，其输出为其中ω_j为去模糊化层第j个节点与输出层之间的链接权值，O_J ⁽³⁾为去模糊化层的输出，O_J ⁽³⁾是模糊化层和去模糊化层之间、输入层与模糊化层之间的所有链接权值的函数；

步骤5.3.随机抽取用于优化的数据作为训练样本；

步骤5.4.由均方误差适应度函数计算每个个体微粒的适应度值，计算每个模糊神经网络在训练集上产生的均方误差作为优化目标函数，由步骤5.2知均方误差适应度函数的目标优化函数：是模糊神经网络各层之间所有链接权值的函数，其中，y_i是模糊神经网络预测输出，y是实际输出，K为测试样本集数目，对链接权值的优化过程就是对均方误差适应度函数求最小值的收敛过程，所求得的链接权值可以使网络的输出值与实际标定点火提前角之间的误差最小，即均方误差最小；

步骤5.5.判断个体微粒是否满足迭代终止次数，如果是，进入步骤5.7，否则，进入步骤5.6继续迭代；

步骤5.6.更新个体微粒速度和位置，速度更新公式如下： $V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{gd}^k),$ 位置更新公式如下： $x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1},d=1,2,...D,i=1,2,...n,$ 其中，r_1,r₂为(0,1)之间的随机数，k为迭代次数；并更新个体最优pBest和全局最优gBest，将当前值与个体最优pBest相比较，如果当前值小于pBest，则将当前值赋予pBest，否则，不进行赋值；将当前值与全局最优gBest进行比较，若当前值小于gBest，则将当前值赋予gBest，否则，不进行赋值；

步骤5.7.判断是否还有剩余用于优化数据，如果有，则转入步骤5.3，否则，输出全局最优作为优化结果。

优选的，个体微粒位置限制区间为[-X_max,X_max]，个体微粒速度限制区间为[-V_max,V_max]。

本发明基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法的有益效果：

1.本发明根据模糊神经网络处理非线性数据和自学习的能力，并结合了粒子群优化算法所具有的收敛速度快、全局搜索能力强、鲁棒性高等优点，提出一种模糊神经网络进行发动机点火提前角的优化模型，并针对其利用粒子群算法进行优化训练寻找最优适应度及对应的权值，改善其收敛速度慢及易陷入局部极值的缺点，对氢燃料发动机的实验标定工作起到了有效的代替作用；与其他进化算法相比较，粒子群算法是一种更高效的并行搜索算法，简单，参数少，易于实现，可用于求解大量非线性、不可微和多峰值的复杂优化问题，且计算效率高，可同时处理群体中多个个体，具有本质的并行性，算法解的质量不依赖于初始点的选取，极大的减小工作量及试验成本。

2.本发明利用粒子群模糊神经网络的智能算法，结合部分现有标定数据，对最佳点火提前角进行预测标定的系统和方法，可以极大程度的减小人工标定的工作量，能够精确、快速地实现氢燃料发动机最佳点火提前角的标定工作，对于氢燃料发动机的实验研究具有十分现实的意义。

附图说明

图1为本发明的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统原理框图；

图2为本发明的模糊神经网络结构模型；

图3为本发明的基于粒子群算法对模糊神经网络进行训练的实现方法流程示意图。

具体实施方式

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

实施例一，参见图1所示，一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，包含主机系统、燃料/空气供给系统、接口单元、电控系统、信号采集单元及测试系统，主机系统包含粒子群算法处理模块，燃料/空气供给系统、信号采集单元、测试系统分别通过接口单元与电控系统相通讯，主机系统通过接口单元与电控系统相信号连接，利用粒子群算法处理模块进行优化训练寻找最优适应度及对应的权值，改善其收敛速度慢及易陷入局部极值的缺点，对氢燃料发动机的实验标定工作起到智能化作用，减小人工标定数据的工作量。

上述的，所述信号采集单元包含转速信号传感器、节气门信号传感器、空气流量信号传感器、氢气流量信号传感器及爆燃信号传感器，图1中，①转速信号，②节气门信号，③空气流量信号，④氢气流量信号，⑤爆燃信号。

优选的，测试系统将接收到的信号采集单元数据，经过信号调理电路进行数据处理后，传输至主机系统。

实施例二，参见图2所示，一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，是以实施例一种所述的优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.根据发动机试验测试系统，选定不同工况进行试验，得到相应的最佳点火提前角，作为标定数据，选定标定数据中部分数据为用于优化的数据，另一部分为用于测试验证的数据，发动机试验测试系统标定点火提前角是一种常规方法，根据发动机在不同工况(转速、负荷、冷却水温度、进气管压力)条件下的不同要求，由该工况下所测得的燃料消耗率和输出功率综合分析所得的最佳点火提前角，如在低转速时选取使燃料消耗率降低的点火提前角，在高转速时应选取使输出功率提高的点火提前角，燃料消耗率和输出功率的权重随工况呈非线性变化，可人为调整；；

步骤2.根据发动机点火提前角优化模型，建立模糊神经网络，初定模糊神经网络结构，及转速、负荷、冷却水温度、进气管压力的发动机参数；根据实际设计需求，优选的模糊神经网络结构包含输入层、模糊化层、去模糊化层和输出层，输入层包含n个输入节点，输出层包含一个输出节点，输入层用于接收外部输入信号，并将输入值传送给模糊化层的模糊单元，模糊化层和去模糊化层是术语节点，工作如隶属函数，分别将输入值转化为一定的模糊度和按照模糊度函数将数据进行非模糊化处理；

步骤3.根据步骤1中选定的用于优化的数据设定粒子群算法参数，粒子群算法参数包含微粒群规模Z、惯性权重常数w、迭代终止次数、最大速度V_max、最大位置X_max和训练样本数目；

步骤4.利用粒子群算法对模糊神经网络进行参数优化，将模糊神经网络中的所有神经元间的连接权值编码成实数码串表示的个体，并利用粒子群算法的优化结果输出作为模糊神经网络的最佳连接权值参数，根据模糊神经网络构建基于粒子群模糊神经网络的氢燃料发动机点火提前角的优化模型；

步骤5.根据步骤4构建的优化模型，结合用于优化的数据，利用优化模型的自学习功能进行仿真训练，直至满足迭代终止次数为止，确定模糊神经网络内部的最佳连接权值，并对优化效果通过均方误差适应度函数进行量化评价；

步骤6.根据步骤5中的仿真训练结果对步骤4构建的优化模型进行参数修正，通过均方误差适应度函数的收敛速度及进度来评判参数的优劣；

步骤7.利用其中用于测试验证的数据对仿真训练结果进行测试、验证、评价，将用于测试验证的数据导入已经训练完成的优化模型中进行测试，通过相对误差与绝对误差对其进行评价，来验证该优化模型的优劣并得到优化完成后的系统模型；

步骤8.利用优化完成后的系统模型，并结合实际情况进行发动机点火提前角的预测、优化。

根据模糊神经网络处理非线性数据和自学习的能力，并结合了粒子群优化算法所具有的收敛速度快、全局搜索能力强、鲁棒性高等优点，提出一种模糊神经网络进行发动机点火提前角的优化模型，并针对其利用粒子群算法进行优化训练寻找最优适应度及对应的权值，改善其收敛速度慢及易陷入局部极值的缺点，对氢燃料发动机的实验标定工作起到了有效的代替作用；与其他进化算法相比较，粒子群算法是一种更高效的并行搜索算法，简单，参数少，易于实现，可用于求解大量非线性、不可微和多峰值的复杂优化问题，且计算效率高，可同时处理群体中多个个体，具有本质的并行性，算法解的质量不依赖于初始点的选取，极大的减小工作量及试验成本。

从实际测试结果来看，该方法具有收敛速度快、计算精度高的优点，完全能够对氢燃料发动机的点火正时进行预测与优化，大大减少人工标定时的繁琐工作量，适用于氢燃料发动机的试验研究及将来的工业生产测试中。

实施例三，参见图3所示，与实施例二基本相同，不同之处在于：所述步骤5还具体包含如下步骤：

步骤5.1.初始化微粒群，根据微粒群规模Z，按照个体结构随机产生个体微粒组成种群，其中，不同的个体代表神经网络的一组不同权值，随机初始化种群的初始位置X，初始速度V，个体最优pBest和全局最优gBest；

步骤5.2.组建神经网络，将微粒群中每一个体的分量映射为神经网络中的权值，设置惯性权重常数w，非负常数c1和c2，构成神经网络；模糊神经网络输出层的输出节点，其输出为其中ω_j为去模糊化层第j个节点与输出层之间的链接权值，O_J ⁽³⁾为去模糊化层的输出，O_J ⁽³⁾是模糊化层与去模糊化层之间、输入层与模糊化层之间的所有链接权值的函数；

步骤5.3.随机抽取用于优化数据作为训练样本；

步骤5.4.由均方误差适应度函数计算每个个体微粒的适应度值，计算每个模糊神经网络在训练集上产生的均方误差作为优化目标函数，由步骤5.2知均方误差适应度函数的目标优化函数：是模糊神经网络各层之间所有链接权值的函数，其中，y_i是模糊神经网络预测输出，y是实际输出，K为测试样本集数目对链接权值的优化过程就是对均方误差适应度函数求最小值的收敛过程，所求得的链接权值可以使网络的输出值与实际标定点火提前角之间的误差最小，即均方误差最小；

步骤5.5.判断个体微粒是否满足迭代终止次数，如果是，进入步骤5.7，否则，进入步骤5.6继续迭代；

步骤5.6.更新个体微粒速度和位置，速度更新公式如下： $V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{gd}^k),$ 位置更新公式如下： $x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1},d=1,2,...D,i=1,2,...n,$ 其中，r_1,r₂为(0,1)之间的随机数，k为迭代次数；并更新个体最优pBest和全局最优gBest，将当前值与个体最优pBest相比较，如果当前值小于pBest，则将当前值赋予pBest，否则，不进行赋值；将当前值与全局最优gBest进行比较，若当前值小于gBest，则将当前值赋予gBest，否则，不进行赋值；

步骤5.7.判断是否还有剩余用于优化数据，如果有，则转入步骤5.3，否则，输出全局最优作为优化结果。

优选的，个体微粒位置限制区间为[-X_max,X_max]，个体微粒速度限制区间为[-V_max,V_max]。

利用粒子群算法训练模糊神经网络，结合粒子群与模糊神经网络的人工智能算法，实现方便、可行性高、效果好，并将其应用于氢燃料发动机的点火提前角优化控制中，改变现有传统的实验标定的方法，能够精确、快速地实现氢燃料发动机最佳点火提前角的标定工作，极大程度减小人工标定的工作量，对于氢燃料发动机的试验研究具有十分现实的意义。

本发明并不局限于上述具体实施方式，本领域技术人员还可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。

Claims (7)

1.一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，包含主机系统、燃料/空气供给系统、接口单元、电控系统、信号采集单元及测试系统，其特征在于：主机系统包含粒子群算法处理模块，燃料/空气供给系统、信号采集单元、测试系统分别通过接口单元与电控系统相通讯，主机系统通过接口单元与电控系统相信号连接。

2.根据权利要求1所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，其特征在于：所述信号采集单元包含转速信号传感器、节气门信号传感器、空气流量信号传感器、氢气流量信号传感器及爆燃信号传感器。

3.根据权利要求2所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，其特征在于：测试系统将接收到的信号采集单元数据，经过信号调理电路进行数据处理后，传输至主机系统。

4.一种基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，其特征在于：是以权利要求1～3任一项所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.根据发动机试验测试系统，选定不同工况进行试验，得到相应的最佳点火提前角，作为标定数据，选定标定数据中部分数据为用于优化的数据，另一部分为用于测试验证的数据；

步骤2.根据基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统，建立模糊神经网络，初定模糊神经网络结构，及转速、负荷、冷却水温度、进气管压力的参数；

步骤3.根据步骤1中选定的用于优化的数据设定粒子群算法参数，粒子群算法参数包含微粒群规模Z、惯性权重常数w、迭代终止次数、最大速度V_max、最大位置X_max和训练样本数目；

步骤4.利用粒子群算法对模糊神经网络进行参数优化，将模糊神经网络中的所有神经元间的连接权值编码成实数码串表示的个体，并利用粒子群算法的优化结果输出作为模糊神经网络的最佳连接权值参数，根据模糊神经网络构建基于粒子群模糊神经网络的氢燃料发动机点火提前角的优化模型；

步骤5.根据步骤4构建的优化模型，结合用于优化的数据，利用优化模型的自学习功能进行仿真训练，直至满足迭代终止次数为止，确定模糊神经网络内部的最佳连接权值，并对优化效果通过均方误差适应度函数进行量化评价；

步骤6.根据步骤5中的仿真训练结果对步骤4构建的优化模型进行粒子群算法参数修正，通过均方误差适应度函数的收敛速度及进度来评判参数的优劣；

步骤7.利用其中用于测试验证的数据对仿真训练结果进行测试、验证、评价，将用于测试验证的数据导入已经训练完成的优化模型中进行测试，通过相对误差与绝对误差对其进行评价，来验证该优化模型的优劣并得到优化完成后的系统模型；

步骤8.利用优化完成后的系统模型，并结合实际情况进行发动机点火提前角的预测、优化。

5.根据权利要求4所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，其特征在于：所述步骤2中的模糊神经网络结构包含输入层、模糊化层、去模糊化层和输出层，输入层包含n个输入节点，输出层包含一个输出节点。

6.根据权利要求4所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，其特征在于：所述步骤5具体包含如下步骤：

步骤5.1.初始化微粒群，根据微粒群规模Z，按照个体结构随机产生个体微粒组成种群，其中，不同的个体代表神经网络的一组不同权值，随机初始化种群的初始位置X，初始速度V，个体最优pBest和全局最优gBest；

步骤5.2.组建模糊神经网络，将微粒群中每一个体的分量映射为模糊神经网络中的权值，设置惯性权重常数w，非负常数c1和c2，构成模糊神经网络，模糊神经网络输出层的输出节点，其输出为其中，ω_j为去模糊化层第j个节点与输出层之间的链接权值，O_J ⁽³⁾为去模糊化层的输出，O_J ⁽³⁾是模糊化层和去模糊化层之间、输入层与模糊化层之间的所有链接权值的函数；

步骤5.3.随机抽取用于优化的数据作为训练样本；

步骤5.4.由均方误差适应度函数计算每个个体微粒的适应度值，计算每个模糊神经网络在训练集上产生的均方误差作为优化目标函数，由步骤5.2知均方误差适应度函数的目标优化函数：是模糊神经网络各层之间所有链接权值的函数，其中，y_i是模糊神经网络预测输出，y是实际输出，K为测试样本集数目，对链接权值的优化过程就是对均方误差适应度函数求最小值的收敛过程，所求得的链接权值可以使网络的输出值与实际标定点火提前角之间的误差最小，即均方误差最小；

步骤5.5.判断个体微粒是否满足迭代终止次数，如果是，进入步骤5.7，否则，进入步骤5.6继续迭代；

步骤5.6.更新个体微粒速度和位置，速度更新公式如下： $V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{gd}^k),$ 位置更新公式如下：d＝1,2,...D,i＝1,2,...n,其中，r₁,r₂为(0,1)之间的随机数，k为迭代次数；并更新个体最优pBest和全局最优gBest，将当前值与个体最优pBest相比较，如果当前值小于pBest，则将当前值赋予pBest，否则，不进行赋值；将当前值与全局最优gBest进行比较，若当前值小于gBest，则将当前值赋予gBest，否则，不进行赋值；

步骤5.7.判断是否还有剩余用于优化数据，如果有，则转入步骤5.3，否则，输出全局最优作为优化结果。

7.根据权利要求6所述的基于粒子群模糊神经网络的氢燃料发动机点火提前角优化方法，其特征在于：个体微粒位置限制区间为[-X_max,X_max]，个体微粒速度限制区间为[-V_max,V_max]。