CN109253884B - 基于神经网络的涡轮排气背压估计方法 - Google Patents

基于神经网络的涡轮排气背压估计方法 Download PDF

Info

Publication number
CN109253884B
CN109253884B CN201810818717.5A CN201810818717A CN109253884B CN 109253884 B CN109253884 B CN 109253884B CN 201810818717 A CN201810818717 A CN 201810818717A CN 109253884 B CN109253884 B CN 109253884B
Authority
CN
China
Prior art keywords
neural network
back pressure
exhaust back
data
layer
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
Application number
CN201810818717.5A
Other languages
English (en)
Other versions
CN109253884A (zh
Inventor
周鑫
李家玲
张慧峰
欣白宇
龙立
高天宇
孙鹏远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN201810818717.5A priority Critical patent/CN109253884B/zh
Publication of CN109253884A publication Critical patent/CN109253884A/zh
Application granted granted Critical
Publication of CN109253884B publication Critical patent/CN109253884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases

Abstract

本发明公开了一种基于神经网络的涡轮排气背压估计方法，其包括：采集加速踏板开度和发动机转速，并作为输入激励数据；根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据；对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理；构建神经网络模型；根据实际车辆的加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压。本发明的方法不增加额外的系统零部件和传感器，只需设计一组包含工况全面且易于实验操作的转速和加速踏板开度数据，通过一次发动机台架实验，并构建神经网络模型，运用该神经网络模型能够对汽油机排气背压进行准确的实时估计。

Description

基于神经网络的涡轮排气背压估计方法
技术领域
本发明涉及一种能够估计涡轮排气背压大小的方法，属于发动机机参数估计领域。
背景技术
为了提高发动机输出动力，同时提升燃油燃烧效率，涡轮增压技术在乘用车中已被广泛使用。在涡轮增压发动机控制技术中，涡轮排气背压是非常重要的指标，它影响着增压器的工作效率和发动机整体的输出性能，由于涡轮排气歧管存在着很大的波动性和干扰，涡轮排气背压并不适合采用传感器进行测量。
为了得到排气背压且降低成本，目前最广泛使用的方法是采用经验公式和map图表结合进行估算，但这一方法的精确度取决于map标定的精细程度，而细化标定会带来巨大的工作量。
因此提出一种能够准确的估算涡轮排气背压的方法是十分必要且有意义的。
发明内容
本发明目的是为了解决涡轮排气背压难以测量的问题，本发明提出一种基于神经网络模型的排气背压估计方法。该方法不增加额外的系统零部件和传感器，只需设计一组包含工况全面且易于实验操作的转速和加速踏板开度数据，通过一次发动机台架实验，对负荷、排气背压和空燃比数据进行采集，将设计的输入数据和采集的输出数据进行处理并构建神经网络模型，运用该神经网络模型能够对汽油机排气背压进行准确的实时估计。
本发明解决技术问题采用如下技术方案：一种基于神经网络的涡轮排气背压估计方法，其包括：
S10、采集加速踏板开度和发动机转速，并作为输入激励数据；
S20、根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据；
S30、对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理；
S40、构建神经网络模型；
S50、根据实际车辆的加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压。
可选的，所述神经网络模型的输入层选为3层，分别为发动机转速、负荷和空燃比；中间层选为包含15个神经元；输出层选为1层，为涡轮排气背压；在训练神经网络模型时，第一层与第二层之间的传递函数为对数激励函数，第二层与第三层之间的传递函数为线性激励函数，训练算法采用梯度下降法。
可选的，神经网络的输出层Yp表示为：
Figure BDA0001740882290000021
其中，P为样本点个数，n为输入层的总层数，uPi为第i个输入层第P个样本输入，vki表示神经网络的第k个中间层与第i个输入层之间的权值，q为中间层的总层数，ωk表示第k个中间层与输出层之间的权值，而f(.)为传递函数，线性传递函数的表达式为：
Figure BDA0001740882290000022
对数传递函数的表达式为：
Figure BDA0001740882290000023
可选的，假设采集的输出数据为Tp，则全局误差函数E如下式所示：
Figure BDA0001740882290000024
可选的，S10中，激励输入数据为：转速从800转/分开始以200转/分为步长升至5000转/分，且每升高一个步长，转速稳定运行18s，在这稳定运行的18s内，加速踏板开度从0.1开始以0.1为步长升至1，在从1开始以0.1为步长降至0.1，每个开度持续1s；在转速上升阶段，加速踏板保持0.1开度不变。
可选的，S30具体为：通过下式对转速、负荷、空燃比和排气背压数据进行归一化：
Figure BDA0001740882290000031
其中，xmax为该数据中最大的值，xmin为该数据中最小的值，xi为该数据第i个量，yi为xi经过归一化后的值。
本发明具有如下有益效果：本发明的方法区别于传统的测量方法，在不额外增加系统零部件或传感器，能够根据工况条件通过神经网络模型可靠的估计出涡轮排气背压，从而省去了传感器硬件费用和标定环节，降低了成本，节约了人力和时间，缩短了控制器的开发周期。
附图说明
图1为神经网络建模过程图；
图2为台架实验输入数据图。
图3为台架实验输出数据图。
图4为归一化后的神经网络模型输入输出数据图。
图5为一组随机验证工况。
图6为验证对比图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
实施例1
本实施例提供了一种基于神经网络的涡轮排气背压估计方法，尤其是应用于汽油机的一种基于神经网络的汽油机涡轮排气背压估计方法，包括：
S10、采集加速踏板开度和发动机转速，并作为输入激励数据。
在本发明的基于神经网络的涡轮排气背压估计方法，需要建立神经网络模型。在建立神经网络模型的过程中，需要设计输入激励数据，将输入激励数据作用于发动机台架，产生激励输出数据，将输入激励数据和激励输出数据进行归一化并得到神经网络模型。
本实施例中，所需要建立的神经网络模型输入为：转速，扭矩和空燃比，因为这三个参数直接决定了发动机的工况，同时也决定了涡轮增压器的工作情况；神经网络模型的激励输出数据则为需要估计的涡轮排气背压。
由于在做台架实验时，空燃比与负荷不能直接控制其大小，故采用控制加速踏板开度的方法来间接采集空燃比和负荷，因此，本实施例的输入激励数据为：加速踏板开度和发动机转速；激励输出数据为：空燃比，负荷和涡轮排气背压。
为了能够更好的反应汽油机排气背压特性，所设计的激励输入数据必须全面且方便测量和操作，设计的输入数据为：转速从800转/分开始以200转/分为步长升至5000转/分，且每升高一个步长，转速稳定运行18s，在这稳定运行的18s内，加速踏板开度从0.1开始以0.1为步长升至1，在从1开始以0.1为步长降至0.1，每个开度持续1s；在转速上升阶段，加速踏板保持0.1开度不变。
S20、根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据。
本实施例中，为建立神经网络模型，需要将输入激励数据和激励输出数据进行关联，为此，需要采集和记录负荷、空燃比和涡轮排气背压数据。
S30、对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理。
由于转速、负荷、空燃比和排气背压等数据的数量级差异过大，这样的数据会导致建立的神经网络模型失真，故需要对数据进行归一化处理，从而排除因各个数据数量级不同而导致估计不准确的问题。
具体地：使所有的数据在区间[-1,1]内，归一化公式如下所示：
Figure BDA0001740882290000041
其中，xmax为该数据中最大的值，xmin为该数据中最小的值，xi为该数据第i个量，yi为xi经过归一化后的值。将转速、负荷、空燃比和排气背压四种数据都按照上述公式进行归一化处理。
S40、构建神经网络模型
所述神经网络模型的输入层选为3层，即发动机转速、负荷和空燃比；中间层选为包含15个神经元；输出层选为1层，即涡轮排气背压。
在训练神经网络模型时，第一层与第二层之间的传递函数为对数激励函数，第二层与第三层之间的传递函数为线性激励函数，训练算法采用梯度下降法。
神经网络的输出层Yp可以表示为：
Figure BDA0001740882290000051
其中，P为样本点个数，n为输入层的总层数，uPi为第i个输入层第P个样本输入，vki表示神经网络的第k个中间层与第i个输入层之间的权值，q为中间层的总层数，ωk表示第k个中间层与输出层之间的权值，而f(.)为传递函数，线性传递函数的表达式为：
Figure BDA0001740882290000052
对数传递函数的表达式为：
Figure BDA0001740882290000053
设采集的输出数据为Tp，那么全局误差函数E如下式所示：
Figure BDA0001740882290000054
采用梯度下降法求解全局误差函数E计算出权值矩阵ωk、vki，即完成可以估算涡轮排气压力的神经网络模型训练。
S50、根据加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压。
为了验证神经网络模型的准确性，在发动机台架随机采集一段数据。将该组随机数据输入给训练完毕的神经网络模型，对比输出结果如图5所示。
通过本实施例的神经网络模型，可以有效的估算涡轮排气背压的数值，通过输出数据对比可以发现，基于神经网络的汽油机涡轮排气背压估计方法具有良好的精度。
以上实施例的先后顺序仅为便于描述，不代表实施例的优劣。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于神经网络的涡轮排气背压估计方法，其特征在于，包括：
S10、采集加速踏板开度和发动机转速，并作为输入激励数据；
S20、根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据；
S30、对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理；
S40、构建神经网络模型；
S50、根据实际车辆的加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压；
其中，S10中，激励输入数据为：转速从800转/分开始以200转/分为步长升至5000转/分，且每升高一个步长，转速稳定运行18s，在这稳定运行的18s内，加速踏板开度从0.1开始以0.1为步长升至1，从1开始以0.1为步长降至0.1，每个开度持续1s；在转速上升阶段，加速踏板保持0.1开度不变。
2.根据权利要求1所述的基于神经网络的涡轮排气背压估计方法，其特征在于，所述神经网络模型的输入层选为3层，分别为发动机转速、负荷和空燃比；中间层选为包含15个神经元；输出层选为1层，为涡轮排气背压；在训练神经网络模型时，第一层与第二层之间的传递函数为对数激励函数，第二层与第三层之间的传递函数为线性激励函数，训练算法采用梯度下降法。
3.根据权利要求2所述的基于神经网络的涡轮排气背压估计方法，其特征在于，神经网络的输出层Yp表示为：
Figure FDA0002321307730000011
其中，P为样本点个数，n为输入层的总层数，uPi为第i个输入层第P个样本输入，vki表示神经网络的第k个中间层与第i个输入层之间的权值，q为中间层的总层数，ωk表示第k个中间层与输出层之间的权值，而f(.)为传递函数，线性传递函数的表达式为：
Figure FDA0002321307730000012
对数传递函数的表达式为：
Figure FDA0002321307730000021
4.根据权利要求3所述的基于神经网络的涡轮排气背压估计方法，其特征在于，假设采集的输出数据为Tp，则全局误差函数E如下式所示：
Figure FDA0002321307730000022
5.根据权利要求1所述的基于神经网络的涡轮排气背压估计方法，其特征在于，S30具体为：通过下式对转速、负荷、空燃比和排气背压数据进行归一化：
Figure FDA0002321307730000023
其中，xmax为该数据中最大的值，xmin为该数据中最小的值，xi为该数据第i个量，yi为xi经过归一化后的值。
CN201810818717.5A 2018-07-24 2018-07-24 基于神经网络的涡轮排气背压估计方法 Active CN109253884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810818717.5A CN109253884B (zh) 2018-07-24 2018-07-24 基于神经网络的涡轮排气背压估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810818717.5A CN109253884B (zh) 2018-07-24 2018-07-24 基于神经网络的涡轮排气背压估计方法

Publications (2)

Publication Number Publication Date
CN109253884A CN109253884A (zh) 2019-01-22
CN109253884B true CN109253884B (zh) 2020-05-22

Family

ID=65048922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810818717.5A Active CN109253884B (zh) 2018-07-24 2018-07-24 基于神经网络的涡轮排气背压估计方法

Country Status (1)

Country Link
CN (1) CN109253884B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220356855A1 (en) * 2019-10-25 2022-11-10 Volvo Truck Corporation System and method for a virtual turbocharger speed sensor using neural networks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091112B (zh) * 2013-01-31 2015-04-01 林惠堂 基于模糊推理和自学习的汽车排放故障检诊方法及装置
CN203551285U (zh) * 2013-10-10 2014-04-16 广西玉柴机器股份有限公司 一种内燃机排气背压测量系统
US10196997B2 (en) * 2016-12-22 2019-02-05 GM Global Technology Operations LLC Engine control system including feed-forward neural network controller

Also Published As

Publication number Publication date
CN109253884A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN106762176B (zh) 一种二缸机四冲程进气压力计算方法
KR102206324B1 (ko) 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법
EP2574762B1 (en) Soot emission estimation method and arrangement
CN112146888B (zh) 参数标定方法、装置、设备和存储介质
CN112115555B (zh) 一种智能网联环境下汽车瞬时油耗监测方法
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
CN109344492A (zh) 一种基于k-均值聚类与粒子群核极限学习机的航空发动机推力估计方法
CN109253884B (zh) 基于神经网络的涡轮排气背压估计方法
CN103742277A (zh) 一种发动机摩擦扭矩计算方法及装置
CN109684704B (zh) 一种基于速度密度模型的发动机进气流量在线标定方法
CN113191071B (zh) 一种虚拟标定发动机模型的方法及其相关装置
CN113128047A (zh) 一种航空发动机推力计算方法、存储介质及计算设备
Hirsch et al. Grey-box control oriented emissions models
CN116734970A (zh) 一种发动机空气流量计修正方法、装置、设备及存储介质
CN115127818A (zh) 一种电控发电机节油测试方法及记录媒体
CN113392574A (zh) 一种基于神经网络模型的汽油机次充模型进气量估算方法
CN112883653B (zh) 基于人工智能的发动机实时模型的建模方法
CN110348136B (zh) 一种基于参数标定优化的发动机扭矩及排放建模方法
CN114254498A (zh) 一种基于bp神经网络的发动机动态油耗预测方法、系统
Hao et al. Dynamic indicated torque estimation for turbocharged diesel engines based on back propagation neural network
CN110276525B (zh) 基于燃油经济性的发动机关键技术评估方法
CN106383946A (zh) 一种加速退化模型参数估计方法
KR20120103642A (ko) 배기가스 재순환 방법
CN106960092B (zh) 韦伯燃烧规则经验参数自动校准方法
CN111255557A (zh) 一种汽车发动机冷却检测系统及其控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant