CN105443259B - 一种基于近似动态规划的柴油机缸平衡智能化调节算法 - Google Patents
一种基于近似动态规划的柴油机缸平衡智能化调节算法 Download PDFInfo
- Publication number
- CN105443259B CN105443259B CN201510900813.0A CN201510900813A CN105443259B CN 105443259 B CN105443259 B CN 105443259B CN 201510900813 A CN201510900813 A CN 201510900813A CN 105443259 B CN105443259 B CN 105443259B
- Authority
- CN
- China
- Prior art keywords
- cylinder
- mrow
- diesel engine
- neutral net
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/30—Controlling fuel injection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
- F02D2200/101—Engine speed
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于近似动态规划的柴油机缸平衡智能化调节算法,通过对四缸柴油机瞬时转速的采样,以一个柴油机工作循环上转速数据离散傅立叶变换结果的一阶谐波与二阶谐波的模之和为零为优化目标,设计效用函数,并选定输入输出控制变量,设计近似动态规划控制器,通过学习,自适应地调节柴油机四个缸的喷油量,来补偿各缸扭拒差异,从而使一个柴油机工作循环上的四个周期性波形趋于一致,具有稳定的转速特性。本发明能在一定范围内,智能地调节柴油机各缸喷油量,来补偿由于器件差异、参数时变、老化磨损等不确定因素导致的各缸转速差异,从而自适应地提高缸平衡效果。
Description
技术领域
本发明涉及柴油机智能化控制技术领域,具体涉及一种基于近似动态规划的柴油机缸平衡智能化调节算法。
背景技术
柴油机按各缸顺序发火做功和泵气的特性,决定了其转速呈现出正弦波形状的正常周期性波动。然而,由于各缸间的器件差异、参数时变、不均衡老化磨损等,都会造成使用过程中各缸间的不均衡扭矩输出,并导致其转速呈现出不均衡的正弦波形状周期性波动,甚至影响到柴油机转速的稳定性。可是,对于柴油机的转速控制,又一直专注于其长期转速值上,比如800r/min的怠速设定值;而一个柴油机工作循环上各缸间的转速波动,即缸平衡控制问题,常常被忽视了。因此有这样一种需求,希望通过对各缸间扭矩差异的自适应调节,实现各缸实际转速的均衡输出。
现有方法多采用PID控制技术;并经对现有专利检索发现,到目前为止,在该领域探索过的几种技术方法情况如下:申请号为:200410022691.1,名称为:“四缸十六气门汽油发动机动平衡装置”的发明专利,提出在发动机壳上设置平衡轴并通过链条与曲轴相连的方法进行缸平衡。申请号为:200910236623.8,名称为:“一种多缸发动机的分缸平衡系统与方法”的发明专利,提出在曲轴上安装信号盘,该信号盘上具有分别与发动机的每个气缸相对应的多个齿,并根据各缸的信号差值来调整各缸喷油量的方法,进行缸平衡控制。申请号为:201110081865.1,名称为:“在低怠速时使用曲轴转速传感器使能气缸平衡的方法和系统”的发明专利,提出采用发动机转速模块、制动器控制模块、转矩平衡模块、怠速下降模块,来联合控制发动机缸平衡。申请号为:201310203287.3,名称为:“多缸发动机的控制方法以及多缸发动机装置”的发明专利,则需要采集一个工作循环内每个气缸的缸压信号和对应的发动机曲轴转角信号,并计算每个气缸在所述工作循环内的燃烧状态信息,以及下一个工作循环需相应调整的使各个气缸燃烧状态平衡的发动机控制参数。申请号为:201420281943.1,名称为:“一种车载直列四缸发动机平衡轴”的实用新型专利,则完全采用布置在发动机曲轴两侧的第一平衡轴和第二平衡轴的方法,来控制缸平衡。申请号为:201410829720.9,名称为:“双燃料发动机逐缸平衡的方法”的发明专利,需计算发动机每个缸的扭矩与预定扭矩的差值,并根据其确定针对该缸下一循环的汽油增量和柴油增量,来平衡各缸。
上述方法从不同角度,对缸平衡问题进行补偿与控制,也各有一定的效果。然而,PID方法对非线性多输入多输出耦合系统并不高效;机械平衡装置是缸平衡的基础,但无法精细补偿各缸差异,且不具有自适应调节能力;而其它方法一般需要添加昂贵的传感器、专用检测系统等附加装置,还需要复杂地计算各缸差异;关键是上述方法均缺乏智能化调节的能力,在当前全球产业大力发展并进入工业4.0与智能制造的时代,非常有必要,也非常迫切进一步提升我国柴油机产业的智能化竞争力。
发明内容
本发明的目的在于提供一种基于近似动态规划的柴油机缸平衡智能化调节算法,能在一定范围内,智能地调节柴油机各缸喷油量,来补偿由于器件差异、参数时变、老化磨损等不确定因素导致的各缸转速差异,从而自适应地提高缸平衡效果。
为了达到上述目的,本发明通过以下技术方案实现:一种基于近似动态规划的柴油机缸平衡智能化调节算法,用于缸平衡智能控制器对四缸柴油机进行优化控制,所述的缸平衡智能控制器包含评价神经网络及执行神经网络,其特点是,该调节算法包含以下步骤:
S1、根据优化控制目标,确定效用函数;
S2、执行神经网络根据一个柴油机工作循环上,瞬时转速采样值离散傅利叶变换结果的基波频率的模的归一化值,以及瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值,得到四缸柴油机中每一个缸的喷油量大小的归一化值;
S3、评价神经网络根据一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模的归一化值、瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值,以及四缸柴油机中每一个缸的喷油量大小的归一化值,得到值函数的逼近值;
S4、采用预设训练算法对缸平衡智能控制器进行离线训练;
S5、将完成离线训练后的缸平衡智能控制器用于在线控制,实现对四缸柴油机各缸喷油量的控制,以补偿四缸柴油机各缸扭转差异。
所述的步骤S3与步骤S4之间还包含一步骤S6;
S6、确定缸平衡智能控制器的控制参数。
所述的步骤S6具体包含:
S6.1、确定评价神经网络的学习率及执行神经网络的学习率;
S6.2、确定评价神经网络的期望的训练误差及执行神经网络的期望的训练误差;
S6.3、确定评价神经网络的最大训练循环次数及执行神经网络的最大训练循环次数;
S6.4、确定评价神经网络的折扣因子及执行神经网络的折扣因子;
S6.5、确定评价神经网络的初始权值及执行神经网络的初始权值。
所述的步骤S1中,优化控制目标为:怠速时,在一个柴油机工作循环上,柴油机各缸间的转速波动一致。
所述的步骤S1中,优化控制目标为:一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模与瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模之和为零。
所述的步骤S1中,效用函数可表示为:
式中,Nk=(N0,N1,N2,...,Nn-1)表示一个柴油机工作循环上瞬时转速采样值;Yfull表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模;Yhalf表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模;|·|表示复数的模;c1和c2表示非一致性效用函数R(t)的系数,这里可均取为1;i为虚数单位,n表示一个柴油机工作循环上的采样数据量,k表示该柴油机工作循环上的第k个采样数据。
所述的步骤S4中,预设训练算法为二阶训练算法。
本发明一种基于近似动态规划的柴油机缸平衡智能化调节算法与现有技术相比具有以下优点:不要专用设备检测波动来自哪一个缸,以及区分各缸间的转速差异,只需采用现有的柴油机瞬时转速信号,也不需要对象的数学模型,具有非线性系统的智能,还能直接处理掉各缸间的非线性多输入多输出耦合关系;不需要给柴油机增加额外的传感器及其它附件,并具有快速的迭代收敛性能,为柴油机缸平衡智能化控制提供了一种新的方法。
附图说明
图1为本发明一种基于近似动态规划的柴油机缸平衡智能化调节算法的流程图;
图2为缸平衡智能控制器的结构和原理示意图;图2中,100为缸平衡智能化控制器,102为执行神经网络,101为评价神经网络,200为四缸柴油机;X(t)为t时刻,一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波和二阶谐波频率的模的归一化值;U(t)为执行神经网络t时刻输出的四个缸的喷油量的归一化值;x1(t)为t时刻,一个柴油机工作循环上,转速采样值离散傅立叶变换结果的基波频率的模的归一化值;x2(t)为t时刻,一个柴油机工作循环上,转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值;为t时刻执行神经网络从第j个输入神经元到第i个隐层神经元的权值,j=1,2,i=1,...,8;为t时刻执行神经网络从第i个隐层神经元到第k个输出层神经元的权值,i=1,...,8,k=1,...,4;Nh2=8为执行神经网络隐层节点数;hi(t)为t时刻执行神经网络第i个隐层节点的输入,i=1,...,8;gi(t)为t时刻执行神经网络第i个隐层节点的输出,i=1,...,8;vk(t)为t时刻执行神经网络第k个输出节点的输入,k=1,...,4;u1(t),...,u4(t)为执行神经网络t时刻输出的第1~4缸喷油量的归一化值;为t时刻评价神经网络从第n个输入神经元到第m个隐层神经元的权值,n=1,...,6,m=1,...,12;为t时刻评价神经网络从第m个隐层神经元到输出层的权值,m=1,...,12;Nh1=12为评价神经网络隐层节点数;qm(t)为t时刻评价神经网络第m个隐层节点的输入,m=1,...,12;pm(t)为t时刻评价神经网络第m个隐层节点的输出,m=1,...,12;Q(t)为评价神经网络t时刻输出的值函数的逼近值。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1及图2所示,一种基于近似动态规划的柴油机缸平衡智能化调节算法,用于缸平衡智能控制器100对四缸柴油机200进行优化控制,所述的缸平衡智能控制器100包含评价神经网络101及执行神经网络102。
调节算法包含以下步骤:
S1、根据优化控制目标,确定效用函数。
优化控制目标为:怠速时,在一个柴油机工作循环上,柴油机各缸间的转速波动一致。即若一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模与瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模之和为零。
效用函数用来设定系统的控制目标,因此,根据优化控制目标,其效用函数可定义为:
式中,Nk=(N0,N1,N2,...,Nn-1)表示一个柴油机工作循环上瞬时转速采样值;Yfull表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模;Yhalf表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模;|·|表示复数的模;c1和c2表示非一致性效用函数R(t)的系数,这里可均取为1;i为虚数单位,n表示一个柴油机工作循环上的采样数据量,k表示该柴油机工作循环上的第k个采样数据。
上述定义为模的加权和的效用函数,具有正定特性,因此,具有Lyapunov意义下的稳定性,是收敛的,还要进行离散化,离散化计算可确保迭代收敛过程的鲁棒性。
S2、确定执行神经网络的结构。
执行神经网络用来逼近并输出最优化的控制向量U(t)。其设计为2–8–4结构,即2个输入层神经元,8个隐层神经元、4个输出层神经元。执行神经网络的隐层和输出层均采用公式(2)所示的适于非线性函数逼近的Sigmoidal函数:
执行神经网络的2个输入,分别是一个柴油机工作循环上,瞬时转速采样值离散傅利叶变换结果的基波频率的模的归一化值,以及瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值;执行神经网络的4个输出,分别是四缸柴油机的1~4缸四个喷油量大小的归一化值。执行神经网络输出的优化控制向量u1(t)~u4(t),经反归一化后用来控制四缸柴油机四个缸的喷油量。
S3、确定评价神经网络的结构。
评价神经网络用t时刻的输出来逼近近似动态规划t时刻的值函数Q(t)。其设计为6–12–1结构,即6个输入层神经元,12个隐层神经元、1个输出层神经元。评价神经网络的隐层采用如公式(2)所示的适于非线性函数逼近的Sigmoidal函数,评价神经网络的输出层则采用线性函数。
评价神经网络的6个输入变量,分别是一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模的归一化值、瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值,以及四缸柴油机中每一个缸的喷油量大小的归一化值;评价神经网络的1个输出变量是其值函数Q(t)的逼近值。
其中,α为折扣因子,t表示采样时刻,R(k)是效用函数,系数k从t+1到∞。
S4、采用预设训练算法对缸平衡智能控制器进行离线训练。
为评估离线训练的优化控制效果,需采用一个包含瞬时转速的随机波动,以及转速的正弦波动部分的四缸柴油机的怠速模型。该模型应能模拟具有不同喷油量与扭矩差异的四缸柴油机怠速时的转速波动,可用来测试缸平衡智能控制器的优化效果。
采用二阶训练算法来离线训练缸平衡智能控制器。离线训练时,缸平衡智能控制器及其二阶训练算法均采用Matlab的m文件来设计和仿真训练。反复调整执行神经网络和评价神经网络的权值wa(t)、wc(t)的初始值以及效用函数R(t),以上述模型为对象对缸平衡智能控制器进行仿真训练,以最小化误差函数Ea(t)、Ec(t)的值为目标。
定义:
ea(t)=Q(t) (4)
执行神经网络的权值更新采用如下二阶训练算法,以最小化Ea(t),
即:
wa(t+1)=wa(t)+Pa(t)·Δwa(t)·ea(t) (6)
定义:
ec(t)=αQ(t)-[Q(t-1)-R(t)] (8)
评价神经网络的权值更新采用如下二阶训练算法,以最小化Q(t):
wc(t+1)=wc(t)+Pc(t)·Δwc(t)·ec(t) (10)
这里,lc(t)和wc(t)分别是评价神经网络在t时刻的学习率和在t时刻的权值向量;Pc(t)是评价神经网络的权值wc(t)的协方差矩阵;la(t)和wa(t)分别是执行神经网络在t时刻的学习率和在t时刻的权值向量;Pa(t)是执行网络的权值wa(t)的协方差矩阵。
如果误差函数Ec(t)达到目标值,认为训练成功了;如果50次迭代后仍达不到目标值,认为训练失败了,需要再次初始化网络权值重新训练。评价神经网络的权值经训练且迭代收敛后,评价神经网络将输出t采样时刻值函数的逼近值Q(t)。
如果误差函数Ea(t)达到目标值,认为训练成功了;如果50次迭代后仍达不到目标值,认为训练失败了,需要再次初始化网络权值重新训练。执行神经网络的权值经训练迭代收敛后,执行神经网络将输出喷油量最优化控制变量的归一化值,通过反归一化后可以用来控制四缸柴油机。
评价神经网络和执行神经网络在每一个采样时刻均同步进行训练,如果评价神经网络和执行神经网络都训练成功了,则缸平衡智能控制器就训练成功了。
S5、将完成离线训练后的缸平衡智能控制器用于在线控制,实现对四缸柴油机各缸喷油量的控制,以补偿四缸柴油机各缸扭转差异。
缸平衡智能控制器经过离线训练,具有稳定收敛性,产生控制效果后,在柴油机台架上在线控制应用。该缸平衡智能控制器计算出四个缸的喷油量大小,并比较和补偿该四缸柴油机原PID控制器所输出的四个缸的喷油量值,从而能补偿由于器件差异、参数时变、老化磨损等不确定因素导致的各缸转速差异,使柴油机在一个工作循环上具有稳定的转速特性。
在线控制的优化目标与离线学习时的相同。缸平衡智能控制器是由Matlab-function函数来编程实现,并被嵌入到四缸柴油机管理软件中作为它的一部分。调试用上位机装有dSPACE快速原型调试软件,用于将四缸柴油机的管理软件编译并下载到四缸柴油机的控制单片机中,以实现四缸柴油机的控制及实际效果数据的采集与分析。
在本实施例中,为了得到更好的优化控制效果,在步骤S3与步骤S4之间还包含一步骤S6;
S6、根据离线学习实验,确定缸平衡智能控制器的控制参数,可以取得好的优化控制效果,并可根据离线学习结果反复调整其控制参数的设置,具体参见表1。
所述的步骤S6具体包含:
S6.1、确定评价神经网络的学习率及执行神经网络的学习率;
S6.2、确定评价神经网络的期望的训练误差及执行神经网络的期望的训练误差;
S6.3、确定评价神经网络的最大训练循环次数及执行神经网络的最大训练循环次数;
S6.4、确定评价神经网络的折扣因子及执行神经网络的折扣因子;
S6.5、确定评价神经网络的初始权值及执行神经网络的初始权值。
表1缸平衡智能控制器2的控制参数
其中,la(t)为执行神经网络的学习率,其初始值设置为0.3,它随迭代次数增加逐渐减小到一个较小的值,执行神经网络的权值wa(t)训练目标的最小化误差函数设置为Ta(t)=0.005,最大训练迭代次数设置为50次。执行神经网络的权值wa(t)在训练之前被随机初始化为(-1,+1)的小伪随机数。
lc(t)为评价神经网络的学习率,其初始值设置为0.3,它随迭代次数增加逐渐减小到一个较小的值;折扣因子设置为α=0.95;评价神经网络的权值wc(t)训练目标的最小化误差函数设置为Tc(t)=0.05,最大训练迭代次数设置为50次。评价神经网络的权值wc(t)在训练之前被随机初始化为(-1,+1)的小伪随机数。
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 (7)
1.一种基于近似动态规划的柴油机缸平衡智能化调节算法,用于缸平衡智能控制器对四缸柴油机进行优化控制,所述的缸平衡智能控制器包含评价神经网络及执行神经网络,其特征在于,该调节算法包含以下步骤:
S1、根据优化控制目标,确定效用函数;
S2、执行神经网络根据一个柴油机工作循环上,瞬时转速采样值离散傅利叶变换结果的基波频率的模的归一化值,以及瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值,得到四缸柴油机中每一个缸的喷油量大小的归一化值;
S3、评价神经网络根据一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模的归一化值、瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模的归一化值,以及四缸柴油机中每一个缸的喷油量大小的归一化值,得到值函数的逼近值;
S4、采用预设训练算法对缸平衡智能控制器进行离线训练;
S5、将完成离线训练后的缸平衡智能控制器用于在线控制,实现对四缸柴油机各缸喷油量的控制,以补偿四缸柴油机各缸扭转差异。
2.如权利要求1所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S3与步骤S4之间还包含一步骤S6;
S6、确定缸平衡智能控制器的控制参数。
3.如权利要求2所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S6具体包含:
S6.1、确定评价神经网络的学习率及执行神经网络的学习率;
S6.2、确定评价神经网络的期望的训练误差及执行神经网络的期望的训练误差;
S6.3、确定评价神经网络的最大训练循环次数及执行神经网络的最大训练循环次数;
S6.4、确定评价神经网络的折扣因子及执行神经网络的折扣因子;
S6.5、确定评价神经网络的初始权值及执行神经网络的初始权值。
4.如权利要求1所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S1中,优化控制目标为:怠速时,在一个柴油机工作循环上,柴油机各缸间的转速波动一致。
5.如权利要求1所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S1中,优化控制目标为:一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模与瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模之和为零。
6.如权利要求1所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S1中,效用函数可表示为:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>Y</mi>
<mrow>
<mi>f</mi>
<mi>u</mi>
<mi>l</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>Y</mi>
<mrow>
<mi>h</mi>
<mi>a</mi>
<mi>l</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>|</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>&omega;</mi>
<mi>n</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>|</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>&omega;</mi>
<mi>n</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>0.3</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0.3</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,Nk=(N0,N1,N2,...,Nn-1)表示一个柴油机工作循环上瞬时转速采样值;Yfull表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的基波频率的模;Yhalf表示一个柴油机工作循环上,瞬时转速采样值离散傅立叶变换结果的二阶谐波频率的模;|·|表示复数的模;c1和c2表示非一致性效用函数R(t)的系数,这里可均取为1;i为虚数单位,n表示一个柴油机工作循环上的采样数据量,k表示该柴油机工作循环上的第k个采样数据。
7.如权利要求1所述的柴油机缸平衡智能化调节算法,其特征在于,所述的步骤S4中,预设训练算法为二阶训练算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900813.0A CN105443259B (zh) | 2015-12-08 | 2015-12-08 | 一种基于近似动态规划的柴油机缸平衡智能化调节算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900813.0A CN105443259B (zh) | 2015-12-08 | 2015-12-08 | 一种基于近似动态规划的柴油机缸平衡智能化调节算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105443259A CN105443259A (zh) | 2016-03-30 |
CN105443259B true CN105443259B (zh) | 2017-12-01 |
Family
ID=55553818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510900813.0A Active CN105443259B (zh) | 2015-12-08 | 2015-12-08 | 一种基于近似动态规划的柴油机缸平衡智能化调节算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105443259B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107654277A (zh) * | 2017-10-16 | 2018-02-02 | 潍柴动力股份有限公司 | 一种涡轮发电控制系统及控制方法 |
US10947919B1 (en) * | 2019-08-26 | 2021-03-16 | Caterpillar Inc. | Fuel injection control using a neural network |
CN110925110B (zh) * | 2019-12-13 | 2022-08-23 | 潍柴动力股份有限公司 | 发动机怠速控制方法、装置及存储介质 |
CN114837835B (zh) * | 2022-05-26 | 2023-06-02 | 中国第一汽车股份有限公司 | 多缸发动机的喷油补偿量的确定方法、装置、设备及介质 |
CN115506910A (zh) * | 2022-09-28 | 2022-12-23 | 广西玉柴机器股份有限公司 | 一种车辆最低怠速控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005001428A1 (de) * | 2004-03-12 | 2005-09-29 | Robert Bosch Gmbh | Verfahren zur Steuerung einer Brennkraftmaschine |
CN101424219A (zh) * | 2007-11-01 | 2009-05-06 | 中国人民解放军军事交通学院 | 火花塞局部混合气浓度软测量方法 |
WO2011086068A1 (en) * | 2010-01-12 | 2011-07-21 | Jaguar Cars Ltd | Method of controlling the operation of a fuel injector |
-
2015
- 2015-12-08 CN CN201510900813.0A patent/CN105443259B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005001428A1 (de) * | 2004-03-12 | 2005-09-29 | Robert Bosch Gmbh | Verfahren zur Steuerung einer Brennkraftmaschine |
CN101424219A (zh) * | 2007-11-01 | 2009-05-06 | 中国人民解放军军事交通学院 | 火花塞局部混合气浓度软测量方法 |
WO2011086068A1 (en) * | 2010-01-12 | 2011-07-21 | Jaguar Cars Ltd | Method of controlling the operation of a fuel injector |
Non-Patent Citations (2)
Title |
---|
高压共轨柴油机各缸工作均匀性检测与控制;周泉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20130331(第3(2013)期);全文 * |
高压共轨柴油机工作不均匀性控制策略研究;王伟超;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150131(第1(2015)期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105443259A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105443259B (zh) | 一种基于近似动态规划的柴油机缸平衡智能化调节算法 | |
CN104408271B (zh) | 一种基于模型的汽油机标定方法 | |
Kou et al. | Multi-kernel neural networks for nonlinear unsteady aerodynamic reduced-order modeling | |
Yu et al. | Some new results on system identification with dynamic neural networks | |
Wang et al. | Adaptive neural network model based predictive control for air–fuel ratio of SI engines | |
CN113110367B (zh) | 发动机硬件在环测试方法及系统 | |
CN107989708A (zh) | 基于扰动观测的自学习发动机扭矩控制系统及其方法 | |
Vogt et al. | On-line adaptation of grid-based look-up tables using a fast linear regression technique | |
CN117189713A (zh) | 基于数字孪生驱动的液压系统故障诊断方法 | |
Kim et al. | Application of adaptive control to the fluctuation of engine speed at idle | |
CN113283039B (zh) | 一种发动机排气系统优化方法、装置、介质及电子设备 | |
Chamaillard et al. | A simple method for robust control design, application on a non-linear and delayed system: engine torque control | |
CN117090831A (zh) | 具有孪生应用层的液压系统故障诊断框架 | |
Taglialatela-Scafati et al. | Artificial intelligence for modeling and control of nonlinear phenomena in internal combustion engines | |
Cranmer et al. | Grey-box modeling architectures for rotational dynamic control in automotive engines | |
CN110263990A (zh) | 基于神经网络的涡旋式复合机流量转矩预测方法及系统 | |
US20220100155A1 (en) | Compressed air provision device and method | |
Grimaldi et al. | On board diagnosis of internal combustion engines: a new model definition and experimental validation | |
Huan et al. | Airpath prediction model and predictive control of turbocharged gasoline engine. | |
Isermann | Modeling, identification and simulation of mechatronic systems | |
Katrašnik et al. | Tailored cylinder models for system level engine modelling | |
Aldair | Hardware Implementation of the Neural Network Predictive Controller for Coupled Tank System | |
Shuang et al. | The research of loading model of eddy current dynamometer based on DRNN with double hidden layers | |
Akcayol et al. | Artificial neural network based modeling of injection pressure in diesel engines | |
Nikzadfar et al. | Optimal idle speed control of a light duty turbodiesel engine with the aim of minimizing fuel consumption |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201123 Address after: No.8, Huashan Road, Xinwu District, Wuxi City, Jiangsu Province Patentee after: Wuxi Keming new automotive electronic system Co., Ltd Address before: 1550 No. 201306 Shanghai Pudong New Area Lingang New City Harbor Boulevard Patentee before: Shanghai Maritime University |