CN107023367A - 一种柴油机scr系统氨气输入传感器故障诊断和容错控制方法 - Google Patents

Abstract

本发明公开了一种柴油机SCR系统氨气输入传感器故障诊断和容错控制方法，所述方法首先设置NH₃输入浓度阈值和时间阈值，NH₃输入浓度传感器测量的NH₃输入浓度测量值输送至NH₃传感器故障诊断模块，NH₃输入浓度估计模块估算NH₃输入浓度估计值输送至NH₃传感器故障诊断模块；NH₃传感器故障诊断模块根据接收到的信号计算NH₃输入浓度残差，通过与输入浓度阈值和时间阈值的比较，判断NH₃输入传感器工作状态，并给出最终的NH₃输入浓度实际值。本发明采用自适应无迹卡尔曼滤波算法，能够在线计算出噪声的协方差，对复杂环境条件有很好的适应性；并且降低了计算的负荷，使响应速度更快，实现了在线对SCR系统传感器进行故障诊断，并能够更好地进行容错控制。

Description

一种柴油机SCR系统氨气输入传感器故障诊断和容错控制 方法

技术领域

本发明涉及一种故障诊断和容错控制方法，特别适用于中重型柴油机尾气后处理SCR系统中对NH₃输入传感器的故障诊断和容错控制。

背景技术

近十几年来，柴油机由于其较高的热效率和良好的燃油经济性，从而在中重型车辆发动机中占据着主导的地位，引起了很多研究者的关注。但是，柴油机尾气中氮氧化物(NOx，x＝1,2，后同)和颗粒物(PM)的含量过高，随着人们环保意识的增强和车辆排放法规的日益严格，柴油机在尾气处理方面面临着巨大的压力。为此国内专家通过考虑现阶段我国国情，经过多次权衡论证，基本确立了以SCR路线为主的柴油机尾气后处理技术路线。

SCR系统被广泛应用于柴油机中来减少NOx的排放，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(Selective Catalytic Reduction)主要就是一种选择催化还原技术，在SCR装置入口端喷入尿素，利用尿素水解出的氨气将NOx还原为对大气无污染的氮气和水。

在SCR系统中，NH₃的输入浓度被认为是SCR系统控制中重要的状态参数，所以获得NH₃的输入浓度信息对控制算法的设计至关重要。实际应用中输入浓度测量一般都是借助于物理传感器，实时测量传入给控制单元。但是传感器作为一种精细的装置，是整个SCR系统中最易发生故障的部件。此外柴油机在工作状态时会经常产生剧烈的振动，在这种恶劣的工作环境下传感器也极其容易发生故障。因此这就需要一种合适的SCR系统NH₃传感器故障诊断和容错控制方法来及时发现传感器的故障，并做出迅速的反应。

发明内容

针对上述问题，本发明提供一种柴油机SCR系统输入NH₃传感器故障诊断和容错控制方法，所述方法能够准确诊断SCR系统NH₃输入传感器是否发生故障，并且当诊断故障发生后，能够实施NH₃输入传感器故障容错控制。所述的柴油机SCR系统输入NH₃传感器故障诊断和容错控制方法，包括以下步骤：

第一步，设置柴油机SCR系统NH₃输入传感器故障诊断和容错控制系统，所述的控制系统包括NH₃输入浓度传感器、NH₃输入浓度估计模块、NH₃传感器故障诊断模块和容错控制模块，所述的NH₃输入浓度传感器和NH₃输入浓度估计模块分别通过线缆接入NH₃传感器故障诊断模块，NH₃传感器故障诊断模块通过线缆接入容错控制模块。

第二步，根据SCR系统参数，设置NH₃输入浓度阈值Δδ_(T)和时间阈值T_(T)；

第三步，NH₃输入浓度传感器测量NH₃输入浓度测量值δ₀，并将NH₃输入浓度测量值δ₀的信号输送至NH₃传感器故障诊断模块；NH₃输入浓度估计模块估算NH₃输入浓度估计值并将NH₃输入浓度估计值的信号输送至NH₃传感器故障诊断模块；NH₃传感器故障诊断模块根据接收到的信号计算NH₃输入浓度残差Δδ，计算公式如下：

第四步，比较NH₃输入浓度残差Δδ和NH₃输入浓度阈值Δδ_(T)，若Δδ≤Δδ_(T),则进入第五步；若Δδ>Δδ_(T)，则继续测量NH₃输入浓度残差Δδ大于NH₃输入浓度阈值Δδ_(T)持续的时间T₁，若T₁<T_(T),则进入第五步；否则进入第六步；

第五步，NH₃传感器故障诊断模块确定NH₃输入传感器正常，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块输出最终的NH₃输入浓度实际值

第六步，NH₃传感器故障诊断模块确定NH₃输入传感器发生故障，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块将NH₃输入浓度估计值作为最终的NH₃输入浓度实际值，并发出传感器故障警报，停止诊断。

本发明的优点在于：

1、本发明在无迹卡尔曼滤波的基础上加入了自适应算法，能够在线计算出噪声的协方差，对复杂环境条件有很好的适应性。

2、采用的自适应无迹卡尔曼滤波估算方法降低了计算的负荷，使响应速度更快，实现了在线对SCR系统传感器进行故障诊断，并能够更好地进行容错控制。

3、本发明可以广泛应用于柴油机SCR系统NH₃输入传感器故障诊断中。

附图说明

图1是SCR系统及相应传感器示意图；

图2是本发明的NH₃输入传感器实时在线故障诊断和容错控制过程示意图。

具体实施方式

下面结合附图对本发明进行详细的描述。

如图1所示，本发明提供一种柴油机SCR系统NH₃输入传感器故障诊断和容错控制方法，所述的柴油机SCR系统中，在SCR装置的输入管路上设置有NH₃输入浓度传感器和NOx输入浓度传感器，分别用于检测NH3输入浓度和输入尾气中NOx浓度；在SCR装置的输出管路上设置有NH₃输出浓度传感器和NOx输出浓度传感器，分别用于检测NH₃输出浓度和NOx输出浓度。本发明旨在对所述的NH₃输入浓度传感器进行故障诊断并进行容错控制。

如图2所示流程，本发明提供的一种柴油机SCR系统NH₃输入传感器故障诊断和容错控制方法，包括以下步骤：

第一步，设置柴油机SCR系统输入NH₃传感器故障诊断系统，其包括NH₃输入浓度传感器、NH₃输入浓度估计模块、NH₃传感器故障诊断模块和容错控制模块；

第二步，根据SCR系统参数，设置NH₃输入浓度阈值Δδ_(T)和时间阈值T_(T)；

第三步，NH₃输入传感器测量NH₃输入浓度测量值δ₀，并将NH₃输入浓度测量值δ₀的信号输送至NH₃传感器故障诊断模块；NH₃输入浓度估计模块估算NH₃输入浓度估计值并将NH₃输入浓度估计值的信号输送至NH₃传感器故障诊断模块；NH₃传感器故障诊断模块根据接收到的信号计算NH₃输入浓度残差Δδ，计算公式如下：

其中，NH₃输入浓度估计值的计算方法如下：

(1)根据SCR系统内化学反应，及摩尔守恒和质量守恒建立状态空间模型，

其中，r_m为反应速率，m＝ad，de，ox，re；ad代表氨气吸附过程反应速率；de代表氨气解吸附过程反应速率；ox代表氨气氧化反应速率；re代表氨气还原NOx反应速率；K_m表示相应反应过程的反应系数，E_m表示相应反应过程的化学反应活化能，R表示反应常数，T表示温度；C_NO和分别是NOx和氨气的浓度；表示氨气入口的输入浓度，C_NO,in表示柴油机排出尾气中NOx的浓度，即SCR系统NOx的输入浓度；是SCR装置内的氨气覆盖率；F是尾气流速；V是SCR装置的体积；和分别为氮氧化物浓度的变化率、氨气浓度的变化率和SCR罐内氨气的覆盖率的变化率。

(2)将状态空间模型与自适应无迹卡尔曼滤波(AUKF)方程结合起来。UKF估计状态一般分为两步，包括预测和更新。非线性系统的UKF方程一般表示如下：

x(k)＝f[x(k-1),u(k)]+w(k) (2)

z(k)＝h[x(k)]+v(k)， (3)

方程(2)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,f()是预测函数。方程(3)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)。其中预测过程包括以下几个步骤：

a)构造sigma点

在k-1步，根据随机状态变量x的统计量和协方差P_k-1构造sigma点集。

其中λ是第一个尺度参数，λ＝α²(n_x+q)-n_x。n_x为状态空间维数，在本发明中是3。

q是第二个尺度参数，一般取0或者3-n_x。α设定为一个很小的常数，在本发明中取0.001。

b)对sigma点进行传播计算；

转换公式如下，其中u代表输入。

c)计算输出先验均值与误差协方差；

输出的先验均值与误差协方差计算公式计算如下：

其中Q为噪声协方差，和为计算先验均值和误差协方差的加权，定义如下：

其中β为常数，在高斯分布中，为获得最佳估计一般取2。

(2)更新过程

a)构造sigma点；

根据上面计算出的先验状态估计，再次构造sigma点。

b)计算预测输出；

传播计算每个sigma点，

则预测输出公式如下：

c)计算卡尔曼增益；

在这个过程中同时需要一个最佳的卡尔曼增益K_k。计算方程如下所示：

其中，是预测出输出误差协方差，是均值与预测输出交叉协方差，R是噪声协方差。

d)计算后验状态估计和后验协方差；

在第k步，根据输出的测量值，可以计算出后验的状态和协方差。

其中，Y_k表示第k步的实际测量值，表示估计的观测值。

在实际情况中，过程与测量噪声一般是未知和变化的，而且在UKF算法中，运用传统的方法来计算噪声统计的初始方差矩阵十分困难并且耗时很多，因此在这里引入一种自适应算法。将自适应噪声矩阵估计器嵌入到UKF算法中，这样就得到自适应无迹卡尔曼滤波AUKF。AUKF不仅具有UKF算法简单的优点，而且还有自适应估计器的功能。详细的自适应算法公式如下所示。

Q_k＝Q_k-1+d_k-1(K_kε_kε_k ^TK_k ^T+P_k-P_k|k-1) (18)

d_k＝(1-b)/(1-b^k+1) (20)

其中，d_k是一个比例常数，b表示一个遗忘因子，通常设为0.95到0.995，ε_k表示传感器测得的真实值与估计值之间的误差。Q_k表示过程噪声协方差，R_k表示测量噪声协方差，K_k表示卡尔曼增益，P_k表示误差协方差，Z_k表示测量值，h(x)表示估计值。

假设NOx输入、输出浓度和NH₃输出浓度已经由传感器测得，这样就可以通过AUKF算法来估计NH₃输入浓度。由于在短时间内NH₃输入浓度变化十分缓慢，因此可以认为NH₃输入浓度的微分为零，公式如下。

根据AUKF算法原理，本发明选用NH₃输入浓度和SCR内氨气覆盖率作为预测方程的两个状态量，公式表达如下。

其中ΔT表示AUKF计算方程中每步迭代更新时间，在本发明中设为0.01s。

在建立观测方程时，选择传感器器测量的NH₃输出浓度和NOx输出浓度作为两个状态量。观测方程如下所示。

其中定义，

根据上述的预测方程和观测方程，经过AUKF迭代计算，便可以估计出NH₃输入浓度

第四步，比较NH₃输入浓度残差Δδ和NH₃输入浓度阈值Δδ_(T)，若Δδ≤Δδ_(T),则进入第五步；若Δδ>Δδ_(T)，则继续测量NH₃输入浓度残差Δδ大于NH₃输入浓度阈值Δδ_(T)持续的时间T₁，若T₁<T_(T),则进入第五步；否则进入第六步；

第五步，NH₃传感器故障诊断模块确定NH₃输入传感器正常，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块输出最终的NOx输入浓度实际值

第六步，NH₃传感器故障诊断模块确定NH₃输入传感器发生故障，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块将NH₃输入浓度估计值作为最终的NH₃输入浓度实际值，并发出传感器故障警报，停止诊断。

Claims (2)

1.一种柴油机SCR系统氨气输入传感器故障诊断和容错控制方法，其特征在于：

包括以下步骤：

第一步，设置柴油机SCR系统NH₃输入传感器故障诊断和容错控制系统，所述的控制系统包括NH₃输入浓度传感器、NH₃输入浓度估计模块、NH₃传感器故障诊断模块和容错控制模块，所述的NH₃输入浓度传感器和NH₃输入浓度估计模块分别通过线缆接入NH₃传感器故障诊断模块，NH₃传感器故障诊断模块通过线缆接入容错控制模块；

第二步，根据SCR系统参数，设置NH₃输入浓度阈值Δδ_(T)和时间阈值T_(T)；

第三步，NH₃输入浓度传感器测量NH₃输入浓度测量值δ₀，并将NH₃输入浓度测量值δ₀的信号输送至NH₃传感器故障诊断模块；NH₃输入浓度估计模块估算NH₃输入浓度估计值 并将NH₃输入浓度估计值的信号输送至NH₃传感器故障诊断模块；NH₃传感器故障诊断模块根据接收到的信号计算NH₃输入浓度残差Δδ，计算公式如下：

第四步，比较NH₃输入浓度残差Δδ和NH₃输入浓度阈值Δδ_(T)，若Δδ≤Δδ_(T),则进入第五步；若Δδ>Δδ_(T)，则继续测量NH₃输入浓度残差Δδ大于NH₃输入浓度阈值Δδ_(T)持续的时间T₁，若T₁<T_(T)，则进入第五步；否则进入第六步；

第五步，NH₃传感器故障诊断模块确定NH₃输入传感器正常，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块输出最终的NH₃输入浓度实际值

第六步，NH₃传感器故障诊断模块确定NH₃输入传感器发生故障，并将NH₃输入浓度测量值δ₀和NH₃输入浓度估计值输送至SCR系统容错控制模块，容错控制模块将NH₃输入浓度估计值作为最终的NH₃输入浓度实际值，并发出传感器故障警报，停止诊断。

2.根据权利要求1所述的一种柴油机SCR系统氨气输入传感器故障诊断和容错控制方法，其特征在于：第三步中所述的NH₃输入浓度估计值的计算方法如下：

(1)根据SCR系统内化学反应，及摩尔守恒和质量守恒建立状态空间模型，

其中，r_m为反应速率，m＝ad，de，ox，re；ad代表氨气吸附过程反应速率；de代表氨气解吸附过程反应速率；ox代表氨气氧化反应速率；re代表氨气还原NOx反应速率；K_m表示相应反应过程的反应系数，E_m表示相应反应过程的化学反应活化能，R表示反应常数，T表示温度；C_NO和分别是NOx和氨气的浓度；表示氨气入口的输入浓度，C_NO,in表示柴油机排出尾气中NOx的浓度，即SCR系统NOx的输入浓度；是SCR装置内的氨气覆盖率；F是尾气流速；V是SCR装置的体积；和分别为氮氧化物浓度的变化率、氨气浓度的变化率和SCR罐内氨气的覆盖率的变化率；

(2)将状态空间模型与自适应无迹卡尔曼滤波方程结合起来；UKF估计状态分为两步，包括预测和更新；非线性系统的UKF方程表示如下：

x(k)＝f[x(k-1),u(k)]+w(k) (2)

z(k)＝h[x(k)]+v(k)， (3)

方程(2)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,f()是预测函数；方程(3)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)；其中预测过程包括以下几个步骤：

a)构造sigma点；

在k-1步，根据随机状态变量x的统计量和协方差P_k-1构造sigma点集；

其中λ是第一个尺度参数，λ＝α²(n_x+q)-n_x。n_x为状态空间维数；

q是第二个尺度参数，α设定为一个很小的常数；

b)对sigma点进行传播计算；

转换公式如下，其中u代表输入；

c)计算输出先验均值与误差协方差；

输出的先验均值与误差协方差计算公式计算如下：

其中Q为噪声协方差，和为计算先验均值和误差协方差的加权，定义如下：

其中β为常数；

(2)更新过程；

a)构造sigma点；

根据上面计算出的先验状态估计，再次构造sigma点；

b)计算预测输出；

传播计算每个sigma点，

则预测输出公式如下：

c)计算卡尔曼增益；

在这个过程中同时需要一个最佳的卡尔曼增益K_k，计算方程如下所示：

其中，是预测出输出误差协方差，是均值与预测输出交叉协方差，R是噪声协方差；

d)计算后验状态估计和后验协方差；

在第k步，根据输出的测量值，计算出后验的状态和协方差：

其中，Y_k表示第k步的实际测量值，表示估计的观测值；

自适应无迹卡尔曼滤波AUKF算法公式如下所示：

Q_k＝Q_k-1+d_k-1(K_kε_kε_k ^TK_k ^T+P_k-P_k|k-1) (18)

d_k＝(1-b)/(1-b^k+1) (20)

其中，d_k是一个比例常数，b表示一个遗忘因子，ε_k表示传感器测得的真实值与估计值之间的误差，Q_k表示过程噪声协方差，R_k表示测量噪声协方差，K_k表示卡尔曼增益，P_k表示误差协方差，Z_k表示测量值，h(x)表示估计值；

假设NOx输入、输出浓度和NH₃输出浓度已经由传感器测得，通过AUKF算法来估计NH₃输入浓度；认为NH₃输入浓度的微分为零，公式如下：

根据AUKF算法原理，本发明选用NH₃输入浓度和SCR内氨气覆盖率作为预测方程的两个状态量，公式表达如下：

其中ΔT表示AUKF计算方程中每步迭代更新时间；

在建立观测方程时，选择传感器器测量的NH₃输出浓度和NOx输出浓度作为两个状态量，观测方程如下所示：

其中定义，

根据上述的预测方程和观测方程，经过AUKF迭代计算，便可以估计出NH₃输入浓度