CN106066606A - 基于l‑m神经网络的氢内燃机点火正时标定优化系统及其优化方法 - Google Patents

Abstract

本发明涉及一种基于L‑M神经网络的氢内燃机点火正时标定优化系统及其优化方法，该系统包含数据采集模块、信号调理模块、控制单元、电源模块、时钟模块、存储模块、执行单元、接口电路及监控模块，控制单元包含数据处理单元及点火正时优化控制模块，数据处理单元根据控制单元接收到的各个工况参数，利用L‑M寻优算法进行神经网络优化训练，得到当前工况的最佳点火正时，并将其传输至点火正时优化控制模块，点火正时优化控制模块将接收到的最佳点火正时输出给点火执行器。本发明利用基于L‑M神经网络准确、快速地进行氢内燃机全工况优化控制，点火正时标定误差小、速度快，能够达到理想的预测效果，对于氢内燃机试验研究具有十分重要的意义。

Description

基于L-M神经网络的氢内燃机点火正时标定优化系统及其优 化方法

技术领域

本发明涉及氢燃料发动机点火正时优化技术领域，尤其涉及一种基于L-M神经网络的氢内燃机点火正时标定优化系统及其优化方法。

背景技术

近年来我国汽车工业呈现一片繁荣景象，据中国汽车工业协会最新统计，2015年我国汽车产销量超过2450万辆，创全球历史新高。连续7年蝉联全球第一，产销量比上年分别增长3.3％和4.7％，总体呈现平稳增长态势。汽车工业的快速发展使得环境问题更加凸显。在生态环境逐步恶化、能源逐渐短缺的今天，保护环境、节能减排已成为经济社会可持续发展的必经之路。近年来我国大面积出现的雾霾天气也促使人们加快新能源技术的开发与利用，新能源汽车以其突出的优势正在走向历史舞台。

氢能以其排放低、可再生、热值高等突出优势得到了各国研究人员的青睐，由于氢燃料电池发动机技术尚不成熟、生产成本过高，氢能作为内燃机燃料在今后很长一段时间内都将作为氢燃料电池发动机的过渡产品。目前热门的电动车技术，也存在如充电桩不足、充电速度慢、成本高等诸多难题，且电能往往也来源于化石燃料的燃烧供电，因此电动汽车并非真正“节能减排”，只是废气排放的“搬家”。随着制氢、储氢技术的不断升级进步，氢内燃机必将在新能源汽车领域发挥其越来越突出的作用。氢气相对于传统内燃机燃料，有着燃烧速度快、着火界限宽广等特性，在内燃机上燃烧时易发生早燃和进气道回火等非正常燃烧现象，严重时使发动机停止运转。针对发动机不同工况，优化控制其点火系统，能够改善发动机运行，很大程度上避免异常燃烧现象，也是目前各国研究人员着力于突破的技术难点。优化氢内燃机点火正时，往往需要做大量的实验标定工作，在每一个不同的工况经多次测试得到最佳点火正时，因此当需要考虑的工况参数(如转速、负荷、冷却水温度等)较多或需提高控制精度时，实验工作量将非常浩繁。

发明内容

为了克服现有技术中的不足，本发明提出一种基于L-M神经网络的氢内燃机点火正时标定优化系统及其优化方法，能够精确、快速地进行氢内燃机全工况优化控制，确保氢内燃机的正常运转，对于氢燃料发动机的试验研究具有十分重要的意义。

本发明采用以下技术方案：一种基于L-M神经网络的氢内燃机点火正时标定优化系统，包含数据采集模块、信号调理模块、控制单元、电源模块、时钟模块、存储模块、执行单元、接口电路及监控模块，数据采集模块采集各个工况参数，并将采集的工况参数传输至信号调理模块，信号调理模块、电源模块、时钟模块、存储模块、执行单元、监控模块分别通过接口电路与控制单元相信号连接，控制单元包含数据处理单元及点火正时优化控制模块，数据处理单元根据控制单元接收到的各个工况参数，利用L-M寻优算法进行神经网络优化训练，得到当前工况的最佳点火正时，并将其传输至点火正时优化控制模块，点火正时优化控制模块将接收到的最佳点火正时输出给点火执行器。

上述的，数据采集模块包含空气流量传感器、进气管压力传感器、节气门开度传感器、气缸压力传感器、爆燃传感器、冷却水温传感器、氢气流量传感器、氢气压力传感器、曲轴相位与转速传感器，各个传感器采集相应工况参数，并传输至信号调理模块。

上述的，数据处理单元根据标定试验所获数据作为L-M寻优算法的训练样本和测试样本，建立神经网络结构模型，将工况参数作为神经网络结构模型的输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练该模型的权值和阈值，以达到输出值与真实值的均方误差最小化，得到当前工况的最佳点火正时，其中，标定试验所获数据是指选取部分工况下的工况参数进行点火正时标定试验，根据内燃机综合评价指标选取当前工况最佳点火正时的数据。

一种基于L-M神经网络的氢内燃机点火正时标定的优化方法，是以上述的基于L-M神经网络的氢内燃机点火正时标定优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.进行氢内燃机点火正时标定试验，选取不同工况下的工况参数，对不同工况进行试验，得到相应工况的最佳点火提前角，作为标定数据，选定标定数据中部分数据作为训练样本，另一部分作为测试样本；

步骤2.建立点火正时优化模型，首先建立神经网络结构模型，包含输入层、隐含层和输出层，将内燃机各个工况参数作为神经网络结构模型输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练神经网络结构模型的权值和阈值，以达到其输出值与真实值的均方误差最小化；

步骤3.设定神经网络结构模型初始参数和L-M寻优算法初始参数，设定输入层神经元个数n，隐含层神经元个数q，输出层数值，各层神经元之间的传递函数，初始化神经网络结构模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε，及L-M寻优算法的初始控制参数λ_k、样本数量K；

步骤4.利用L-M寻优算法训练神经网络结构模型，根据步骤3中的初始参数进行神经网络结构模型的权值和阈值优化训练，通过输出值与实际样本值的均方误差的收敛速度及精度评判训练过程，直至满足预定迭代条件为止；

步骤5.利用测试样本进行神经网络结构模型误差测试，利用绝对误差和相对误差进行测试样本评判，若满足允许误差精度ε，则跳转至步骤7，否则，执行步骤6；

步骤6.根据步骤5的误差测试评判结果修正神经网络结构模型和L-M寻优算法的初始参数，包含修正神经元个数q，各层神经元之间的传递函数，最大迭代次数E，允许误差精度ε，初始控制参数λ_k，并跳转至步骤4执行；

步骤7.确定神经网络结构模型参数及权值阈值，利用优化后的神经网络结构模型进行内燃机全工况点火正时预测标定，控制单元将标定结果传递给点火执行器以进行点火正时优化控制。

步骤3中设定神经网络结构模型初始参数和L-M寻优算法初始参数包含设定隐含层神经元个数q由输入层神经元个数n决定，输出层数值设定为1，各层神经元之间的传递函数选择sigmoid函数，最大迭代次数E＝100，允许误差精度ε＝10^-3，样本数量K＝84。

上述的优化方法，步骤4具体包含如下内容：

步骤4.1.抽取训练样本并输入到神经网络结构模型中；

步骤4.2.计算神经网络结构模型输出值，并将输出值与实际样本值进行比较，根据公式计算训练样本的均方误差，其中，K是训练样本数目，yⁱ是神经网络预测输出，是实际输出；

步骤4.3.判断该次迭代是否满足预定迭代条件，若满足，则跳转至步骤4.5，否则，执行步骤4.4；

步骤4.4.修正L-M寻优算法控制参数λ_k，利用迭代公式：

X^(k+1)＝X^(k)-H^-1(X^(k)+λ_kI)▽F(X^(k))，更新神经网络结构模型权值和阈值，并

转步骤4.2执行，其中，X^(k)为第k次迭代时的解，即为权值和阈值向量，

H^-1(X^(k)+λ_kI)为海森矩阵，▽F(H^(k))为梯度；

步骤4.5.输出最优的权值和阈值作为优化结果。

优选的，所述满足预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。

本发明的有益效果：

1.本发明利用L-M寻优算法，避免牛顿法对海森矩阵的严苛要求，并且其同样具有牛顿法的快速性、算法简单易行；加入的控制参数λ_k，使L-M算法既拥有牛顿算法的局部搜索特性，又具有梯度算法的全局收敛特性，迭代次数少，训练网络效率高；并结合神经网络的自学习能力和非线性映射能力，改善传统BP算法的精度低，收敛慢，易陷入局部极值的问题。

2.本发明利用L-M寻优算法与神经网络相结合，只需少量的实验标定样本，便可对氢内燃机的点火正时标定MAP进行高精度的仿真运算，代替大量的人为实验操作，精度高、速度快，能够极大程度提高试验研究效率，避免大量重复性劳动，为氢内燃机的后续研究提供基础；相对于传统的点火系统标定方法，本发明减少了大量人工试验操作过程，结合神经网络的非线性映射及L-M寻优算法能够快速准确地全局寻优，仅利用部分标定试验数据实现氢内燃机点火正时标定的智能优化控制，点火正时标定误差小、速度快，达到理想的预测效果，对于氢燃料发动机的实验研究具有十分重要的意义。

附图说明

图1为本发明的基于L-M神经网络的氢内燃机点火正时标定优化系统控制原理图；

图2为本发明的神经网络结构模型；

图3为本发明的基于L-M神经网络的氢内燃机点火正时标定优化方法流程示意图；

图4为本发明的基于L-M算法对神经网络进行训练的实现流程示意图。

具体实施方式

根据发动机根据不同工况参数，包括内燃机转速、负荷、冷却水温度、进气管压力，以内燃机动力性、内燃机动力性、NOx排放和燃油经济性作为评价指标综合选取当前工况的最佳点火正时。

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L-M神经网络的氢内燃机点火正时标定优化系统，包含数据采集模块、信号调理模块、控制单元、电源模块、时钟模块、存储模块、执行单元、接口电路及监控模块，数据采集模块采集各个工况参数，并将采集的工况参数传输至信号调理模块，信号调理模块、电源模块、时钟模块、存储模块、执行单元、监控模块分别通过接口电路与控制单元相信号连接，控制单元包含数据处理单元及点火正时优化控制模块，数据处理单元根据控制单元接收到的各个工况参数，利用L-M寻优算法进行神经网络优化训练，得到当前工况的最佳点火正时，并将其传输至点火正时优化控制模块，点火正时优化控制模块将接收到的最佳点火正时输出给点火执行器。

上述的，数据采集模块包含空气流量传感器、进气管压力传感器、节气门开度传感器、气缸压力传感器、爆燃传感器、冷却水温传感器、氢气流量传感器、氢气压力传感器、曲轴相位与转速传感器，各个传感器采集相应工况参数，并传输至信号调理模块。

上述的，数据处理单元根据标定试验所获数据作为L-M寻优算法的训练样本和测试样本，建立神经网络结构模型，将工况参数作为神经网络结构模型的输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练该模型的权值和阈值，以达到输出值与真实值的均方误差最小化，得到当前工况的最佳点火正时，其中，标定试验所获数据是指选取部分工况下的工况参数进行点火正时标定试验，根据内燃机综合评价指标选取当前工况最佳点火正时的数据。

实施例二，参见图1～3所示，一种基于L-M神经网络的氢内燃机点火正时标定的优化方法，是以实施例一所述的基于L-M神经网络的氢内燃机点火正时标定优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.进行氢内燃机点火正时标定试验，选取不同工况下的工况参数，对不同工况进行试验，得到相应工况的最佳点火提前角，作为标定数据，选定标定数据中部分数据作为训练样本，另一部分作为测试样本；

步骤2.建立点火正时优化模型，首先建立神经网络结构模型，包含输入层、隐含层和输出层，将内燃机各个工况参数作为神经网络结构模型输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练神经网络结构模型的权值和阈值，以达到其输出值与真实值的均方误差最小化；

步骤3.设定神经网络结构模型初始参数和L-M寻优算法初始参数，设定输入层神经元个数n，隐含层神经元个数q，输出层数值，各层神经元之间的传递函数，初始化神经网络结构模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε，及L-M寻优算法的初始控制参数λ_k、样本数量K；

步骤4.利用L-M寻优算法训练神经网络结构模型，根据步骤3中的初始参数进行神经网络结构模型的权值和阈值优化训练，通过输出值与实际样本值的均方误差的收敛速度及精度评判训练过程，直至满足预定迭代条件为止；

步骤5.利用测试样本进行神经网络结构模型误差测试，利用绝对误差和相对误差进行测试样本评判，若满足允许误差精度ε，则跳转至步骤7，否则，执行步骤6；

步骤6.根据步骤5的误差测试评判结果修正神经网络结构模型和L-M寻优算法的初始参数，包含修正神经元个数q，各层神经元之间的传递函数，最大迭代次数E，允许误差精度ε，初始控制参数λ_k，并跳转至步骤4执行；

步骤7.确定神经网络结构模型参数及权值阈值，利用优化后的神经网络结构模型进行内燃机全工况点火正时预测标定，控制单元将标定结果传递给点火执行器以进行点火正时优化控制。

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。

实施例三，参见图1～4所示，一种基于L-M神经网络的氢内燃机点火正时标定的优化方法，是以实施例一所述的基于L-M神经网络的氢内燃机点火正时标定优化系统为基础的优化方法，其具体包括如下步骤：

步骤1.进行氢内燃机点火正时标定试验，选取不同工况下的工况参数，对不同工况进行试验，得到相应工况的最佳点火提前角，作为标定数据，选定标定数据中部分数据作为训练样本，另一部分作为测试样本；

步骤2.建立点火正时优化模型，首先建立神经网络结构模型，包含输入层、隐含层和输出层，将内燃机各个工况参数作为神经网络结构模型输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练神经网络结构模型的权值和阈值，以达到其输出值与真实值的均方误差最小化；

步骤3.设定神经网络结构模型初始参数和L-M寻优算法初始参数，设定输入层神经元个数n，隐含层神经元个数q，输出层数值，各层神经元之间的传递函数，初始化神经网络结构模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε，及L-M寻优算法的初始控制参数λ_k、样本数量K；

步骤4.利用L-M寻优算法训练神经网络结构模型，根据步骤3中的初始参数进行神经网络结构模型的权值和阈值优化训练，通过输出值与实际样本值的均方误差的收敛速度及精度评判训练过程，直至满足预定迭代条件为止，具体包含如下内容：

步骤4.1.抽取训练样本并输入到神经网络结构模型中；

步骤4.2.计算神经网络结构模型输出值，并将输出值与实际样本值进行比较，根据公式计算训练样本的均方误差，其中，K是训练样本数目，y_i是神经网络预测输出，是实际输出；

步骤4.3.判断该次迭代是否满足预定迭代条件，若满足，则跳转至步骤4.5，否则，执行步骤4.4；

步骤4.4.修正L-M寻优算法控制参数λ_k，利用迭代公式：

X^(k+1)＝X^(k)-H^-1(X^(k)+λ_kI)▽F(X^(k))，更新神经网络结构模型权值和阈值，并转步骤4.2执行，其中，X^(k)为第k次迭代时的解，即为权值和阈值向量，H^-1(X^(k)+λ_kI)为海森矩阵，▽F(H^(k))为梯度；

步骤4.5.输出最优的权值和阈值作为优化结果。

步骤5.利用测试样本进行神经网络结构模型误差测试，利用绝对误差和相对误差进行测试样本评判，若满足允许误差精度ε，则跳转至步骤7，否则，执行步骤6；

步骤6.根据步骤5的误差测试评判结果修正神经网络结构模型和L-M寻优算法的初始参数，包含修正神经元个数q，各层神经元之间的传递函数，最大迭代次数E，允许误差精度ε，初始控制参数λ_k，并跳转至步骤4执行；

步骤7.确定神经网络结构模型参数及权值阈值，利用优化后的神经网络结构模型进行内燃机全工况点火正时预测标定，控制单元将标定结果传递给点火执行器以进行点火正时优化控制。

优选的，所述步骤3中设定神经网络结构模型初始参数和L-M寻优算法初始参数包含设定隐含层神经元个数q由输入层神经元个数n决定，输出层数值设定为1，各层神经元之间的传递函数选择sigmoid函数，最大迭代次数E＝100，允许误差精度ε＝10^-3，样本数量K＝84。

所述满足预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。

根据发明内容进行仿真试验，其训练样本的均方误差经100次计算就达到了0.0028；84组测试样本的预测值与真实值的最大绝对误差为0.2454，最小绝对误差为0.00426，最大相对误差为0.64％，最小相对误差为0.008％。仿真试验结果表明，基于L-M神经网络算法的点火正时标定误差小、速度快，能够达到理想的预测效果。

利用L-M寻优算法，兼具牛顿法和梯度法在寻优过程中的优势，避免了牛顿法对海森矩阵的严苛要求，并且其同样具有牛顿法的快速性、算法简单易行，在目标函数结构简单时效果卓著；加入控制参数λ_k，使L-M算法既拥有牛顿法的局部搜索特性，又具有梯度法的全局收敛特性，迭代次数少，训练网络效率高；并结合神经网络的自学习能力和非线性映射能力，结合L-M寻优算法进行氢内燃机点火正时标定与优化，改善传统BP算法的精度低，收敛慢，易陷入局部极值的问题，通过优化系统，实现对氢内燃机的优化控制，在实际运转过程中达到理想的效果。

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L-M神经网络的氢内燃机点火正时标定优化系统，包含数据采集模块、信号调理模块、控制单元、电源模块、时钟模块、存储模块、执行单元、接口电路及监控模块，数据采集模块采集各个工况参数，并将采集的工况参数传输至信号调理模块，信号调理模块、电源模块、时钟模块、存储模块、执行单元、监控模块分别通过接口电路与控制单元相信号连接，其特征在于：控制单元包含数据处理单元及点火正时优化控制模块，数据处理单元根据控制单元接收到的各个工况参数，利用L-M寻优算法进行神经网络优化训练，得到当前工况的最佳点火正时，并将其传输至点火正时优化控制模块，点火正时优化控制模块将接收到的最佳点火正时输出给点火执行器。

2.根据权利要求1所述的基于L-M神经网络的氢内燃机点火正时标定优化系统，其特征在于：数据采集模块包含空气流量传感器、进气管压力传感器、节气门开度传感器、气缸压力传感器、爆燃传感器、冷却水温传感器、氢气流量传感器、氢气压力传感器、曲轴相位与转速传感器，各个传感器采集相应工况参数，并传输至信号调理模块。

3.根据权利要求1所述的基于L-M神经网络的氢内燃机点火正时标定优化系统，其特征在于：数据处理单元根据标定试验所获数据作为L-M寻优算法的训练样本和测试样本，建立神经网络结构模型，将工况参数作为神经网络结构模型的输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练该模型的权值和阈值，以达到输出值与真实值的均方误差最小化，得到当前工况的最佳点火正时，其中，标定试验所获数据是指选取部分工况下的工况参数进行点火正时标定试验，根据内燃机综合评价指标选取当前工况最佳点火正时的数据。

4.一种利用权利要求1～3任一项所述的基于L-M神经网络的氢内燃机点火正时标定优化系统的优化方法，其特征在于：包括如下步骤：

步骤1.进行氢内燃机点火正时标定试验，选取不同工况下的工况参数，对不同工况进行试验，得到相应工况的最佳点火提前角，作为标定数据，选定标定数据中部分数据作为训练样本，另一部分作为测试样本；

步骤2.建立点火正时优化模型，首先建立神经网络结构模型，包含输入层、隐含层和输出层，将内燃机各个工况参数作为神经网络结构模型输入向量，将点火正时作为神经网络结构模型的输出值；利用L-M寻优算法训练神经网络结构模型的权值和阈值，以达到其输出值与真实值的均方误差最小化；

步骤3.设定神经网络结构模型初始参数和L-M寻优算法初始参数，设定输入层神经元个数n，隐含层神经元个数q，输出层数值，各层神经元之间的传递函数，初始化神经网络结构模型的权值和阈值向量W、最大迭代次数E、允许误差精度ε，及L-M寻优算法的初始控制参数λ_k、样本数量K；

步骤4.利用L-M寻优算法训练神经网络结构模型，根据步骤3中的初始参数进行神经网络结构模型的权值和阈值优化训练，通过输出值与实际样本值的均方误差的收敛速度及精度评判训练过程，直至满足预定迭代条件为止；

步骤5.利用测试样本进行神经网络结构模型误差测试，利用绝对误差和相对误差进行测试样本评判，若满足允许误差精度ε，则跳转至步骤7，否则，执行步骤6；

步骤6.根据步骤5的误差测试评判结果修正神经网络结构模型和L-M寻优算法的初始参数，包含修正神经元个数q，各层神经元之间的传递函数，最大迭代次数E，允许误差精度ε，初始控制参数λ_k，并跳转至步骤4执行；

步骤7.确定神经网络结构模型参数及权值阈值，利用优化后的神经网络结构模型进行内燃机全工况点火正时预测标定，控制单元将标定结果传递给点火执行器以进行点火正时优化控制。

5.根据权利要求4所述的优化方法，其特征在于：所述步骤3中设定神经网络结构模型初始参数和L-M寻优算法初始参数包含设定隐含层神经元个数q由输入层神经元个数n决定，输出层数值设定为1，各层神经元之间的传递函数选择sigmoid函数，最大迭代次数E＝100，允许误差精度ε＝10^-3，样本数量K＝84。

6.根据权利要求4所述的优化方法，其特征在于：所述步骤4具体包含如下内容：

步骤4.1.抽取训练样本并输入到神经网络结构模型中；

步骤4.2.计算神经网络结构模型输出值，并将输出值与实际样本值进行比较，根据公式计算训练样本的均方误差，其中，K是训练样本数目，y_i是神经网络预测输出，是实际输出；

步骤4.3.判断该次迭代是否满足预定迭代条件，若满足，则跳转至步骤4.5，否则，执行步骤4.4；

步骤4.4.修正L-M寻优算法控制参数λ_k，利用迭代公式：

X^(k+1)＝X^(k)-H^-1(X^(k)+λ_kI)▽F(X^(k))，更新神经网络结构模型权值和阈值，并转步骤4.2执行，其中，X^(k)为第k次迭代时的解，即为权值和阈值向量，H^-1(X^(k)+λ_kI)为海森矩阵，▽F(H^(k))为梯度；

步骤4.5.输出最优的权值和阈值作为优化结果。

7.根据权利要求4或6任一项所述的优化方法，其特征在于：所述满足预定迭代条件为达到最大迭代次数E或满足允许误差精度ε。