CN109779736B - 一种发动机电控硅油风扇的节能优化控制方法及系统 - Google Patents
一种发动机电控硅油风扇的节能优化控制方法及系统 Download PDFInfo
- Publication number
- CN109779736B CN109779736B CN201910213868.2A CN201910213868A CN109779736B CN 109779736 B CN109779736 B CN 109779736B CN 201910213868 A CN201910213868 A CN 201910213868A CN 109779736 B CN109779736 B CN 109779736B
- Authority
- CN
- China
- Prior art keywords
- silicone oil
- oil fan
- self
- dynamic programming
- adaptive dynamic
- 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
- 229920002545 silicone oil Polymers 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 87
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 30
- 239000003921 oil Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000003864 performance function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 239000010705 motor oil Substances 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本公开提供了一种发动机电控硅油风扇的节能优化控制方法及系统，步骤如下：采集k时刻车辆运行环境数据和发动机内部运行数据，构建k时刻整体运行状态数据集；构建自适应动态规划系统，根据k时刻整体运行状态数据集，计算k时刻的自适应动态规划的性能指标函数、k时刻的自适应规划的效能函数和k+1时刻的自适应动态规划的性能指标预测函数，根据k时刻的性能指标函数和效能函数以及k+1时刻的性能指标预测函数动态优化自适应动态规划系统；获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制，实现了自适应动态优化调节控制器，实现了硅油风扇的最优化节能控制，有效提高发动机的寿命和性能。
Description
技术领域
本公开涉及发动机技术领域，特别涉及一种发动机电控硅油风扇的节能优化控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
随着国际能源的供应日益紧张和燃油价格的不断攀升，用户对商用车的燃油经济性要求也越来越高，为了保证发动机正常工作，风扇是必不可少。但风扇也是发动机功率的消耗者，最大时约为发动机功率的10％，电控硅油风扇接收发动机电控单元ECU的信号，调节螺线管磁场，改变磁场力，从而改变硅油风扇内部的硅油循环，以此调节风扇转速，并将转速信号反馈给发动机电控单元，以形成闭环控制。
现有电控硅油风扇的主要由两种控制方式：第一种根据设定温度参数值，设置硅油风扇微控制器的开/关策略；第二种是利用发动机的ECU控制器，ECU的PID控制器在出厂前标定好固定PID控制参数来控制硅油风扇工作。上述两种通用控制方法，并没有考虑到外界环境、负荷变化自适应调节控制器参数，同时硅油风扇温度调节系统是一个大滞后、大惯性的强非线性的动态优化控制系统，未利用人工智能技术洞悉其内部的动态运行耦合机理建立硅油风扇的动态运行机理模型。
因此，目前亟待解决的问题如下：(1)无法根据环境变化和负载变化实现硅油电扇转速的自适应动态调节以实现最优化控制；(2)发动机散热器温度波动大严重影响内燃机的使用寿命和性能和增加发动机的能耗。
发明内容
为了解决现有技术的不足，本公开提供了一种发动机电控硅油风扇的节能优化控制方法及系统，通过建立精确的发动机与硅油风扇多时间尺度动态整体模型，实现了自适应动态优化调节控制，从而实现了硅油风扇的最优化节能控制，有效的提高发动机的使用寿命和运行性能。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本公开提供了一种发动机电控硅油风扇的节能优化控制方法；
一种发动机电控硅油风扇的节能优化控制方法，步骤如下：
(1)采集k时刻车辆运行环境数据和发动机内部运行数据，构建k时刻整体运行状态数据集；
(2)构建自适应动态规划系统，根据k时刻整体运行状态数据集，计算k时刻的自适应动态规划的性能指标函数、k时刻的自适应规划的效能函数和k+1时刻的自适应动态规划的性能指标预测函数，根据k时刻的性能指标函数和效能函数以及k+1时刻的性能指标预测函数动态优化自适应动态规划系统；
(3)获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制。
作为可能的一些实现方式，所述步骤(1)中，所述k时刻整体运行状态数据集为：
x(k)＝[TCW(k),SCW(k),PCW(k),VCW(k),TKQ(k),PKQ(k),LKQ(k),LOil(k),POil(k),FZS(k),ZFDJ(k),TLQY(k),HQ2(k),JLC(k),JSD(k),TJY(k),TWQ(k),LWQ(k),VZC(k),TSRQ(k)]；
其中：TCW(k)为车外环境温度值(℃)、SCW(k)为车外环境湿度值(％)、PCW(k)为车外大气压力值(kPa)、VCW(k)为车外风速值(m/s)、TKQ(k)为空气的进气温度值(℃)、PKQ(k)为空气的进气压力值(kPa)、LKQ(k)为空气的进气流量值(m3)、LOil(k)为发动机燃油量值(kg)、POil(k)为油压传感器值(kPa)、FZS(k)为硅油风扇转速值(rpm)、ZFDJ(k)为发动机转速值(rpm)、TLQY(k)为冷却液的温度值(℃)、HQ2(k)为氧传感器数据值(％)、JLC(k)为汽车里程计值(km)、JSD(k)为汽车的车速(km/h)，TJY(k)为发动机机油温度值(℃)、TWQ(k)为发动机尾气温度值(℃)、LWQ(k)为发动机尾气流量值(m3/s)、VZC(k)为整车速度值(m/s)、TSRQ(k)为散热器的温度值(℃)。
作为可能的一些实现方式，所述步骤(2)中，所述自适应动态规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述执行网络用于根据k时刻的整体运行状态数据集计算k时刻硅油风扇转速的控制信号；所述模型网络用于根据k时刻的整体运行状态数据集和k时刻的硅油风扇转速控制信号，计算k+1时刻的整体运行状态预测数据集；所述评价网络用于根据k时刻的整体运行状态数据集计算硅油风扇在k时刻的自适应动态规划的性能指标函数，根据k+1时刻的整体运行状态预测数据集估算硅油风扇在k+1时刻的自适应动态规划的性能指标预测函数。
作为可能的一些实现方式，以硅油风扇在k+1时刻的自适应动态规划的性能指标预测函数与k时刻的效能函数之和无限接近k时刻的自适应动态规划的性能指标函数为目标，对自适应动态规划系统进行动态优化。
作为可能的一些实现方式，将k+1时刻的自适应动态规划的性能指标预测函数与k时刻硅油风扇的自适应规划的效能函数相加后，再与k时刻的自适应动态规划的性能指标函数进行做差分析，根据差值判断k+1时刻的自适应动态规划的性能指标预测函数与k时刻的自适应动态规划的性能指标函数的接近程度，根据接近程度对硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练。
作为可能的一些实现方式，硅油风扇自适应动态规划模型网络的构造方法为：构建基于深度学习的卷积神经网络，基于Sigmoid函数归一化k时刻运行状态数据集x(k)和k时刻的硅油风扇转速控制信号u(k)，根据k时刻运行状态数据集x(k)、k时刻的硅油风扇转速控制信号u(k)和k+1时刻运行状态预测数据集x(k+1)训练卷积神经网络；所述训练方法如下：
601；卷积层为3层，输入层为1000*21*10三维向量，其中，1000为1000组运行数据，21为21个影响因素，10为时间维度，卷积层设定卷积核的个数为256，卷积核的区域大小为4*4；
602：池化层采用Max-Pooling，采样层的区域大小为4*4；
603：激活函数为双曲正切函数tanh，其数学表达式为：
604：采用Adam优化算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，选取优化学习率Lr＝0.05；
605：全连接层设定为512个神经元，设定Dropout参数为0.5。
606：设定发动机和硅油风扇整体动态模型的输出层为20*10的两维向量，其中，20为预测向量，10为时间维度；
607：得出最优硅油风扇自适应动态规划模型网络的权重矩阵Wm，获得发动机和硅油风扇的硅油风扇自适应动态规划模型网络。
作为可能的一些实现方式，硅油风扇自适应动态规划评价网络的在线训练方法为：
701采用BP神经网络三层结构，其输入为x(k),输出为J(x(k))，Wc为BP神经网络的参数权值，训练目标为最小化输出误差其中，x(k)为k时刻发动机和硅油风扇的整体运行状态数据集，u(k)为k时刻的硅油风扇转速的控制信号值，J(x(k))为硅油风扇在k时刻的自适应动态规划的性能指标函数；
702评价网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
703评价网络的训练参数权值Wc的目标为最小化输出误差Ec(k)，采用梯度下降法优化Wc，达到最大的训练次数得到最佳参数权值
作为可能的一些实现方式，硅油风扇自适应动态规划执行网络的在线训练方法为：
801执行网络采用BP神经网络三层结构，其输入为x(k),输出为u(k)，Wa为BP神经网络的参数权值，训练目标为最小化J(x(k))，其中，x(k)为k时刻发动机和硅油风扇的整体运行状态数据集，u(k)为k时刻的硅油风扇转速的控制信号值，J(x(k))为硅油风扇在k时刻的自适应动态规划的性能指标函数；
802执行网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
803定义执行网络的输出误差为：
804执行网络的训练参数权值Wa的目标为最小化输出误差Ea(k)，采用梯度下降法优化Wa，达到最大的训练次数得到最佳参数权值
作为可能的一些实现方式，
其中，γ为折扣因子，U(x(k),u(k))为硅油风扇的自适应规划的效能函数， 为最优散热器表面温度设定值。
第二方面，本公开提供了一种发动机电控硅油风扇的节能优化控制系统；
一种发动机电控硅油风扇的节能优化控制系统，包括传感器模块、发动机电子控制模块、节能优化控制模块和硅油风扇；
所述传感器模块包括多个环境感知传感器，用于采集环境数据并传输给节能优化控制模块；
所述发动机电子控制模块用于采集发动机内部运行数据并将采集到的数据传输给节能优化控制模块；
所述节能优化控制模块接收、保存和处理传感器模块和发动机电子控制模块发来的数据，并向硅油风扇传输脉宽调制信号用于控制硅油风扇的转速；
所述节能优化控制模块包括自适应动态规划系统，所述自适应规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述硅油风扇自适应动态规划执行网络用于根据k时刻运行状态数据计算k时刻硅油风扇转速控制信号；
所述硅油风扇自适应动态规划模型网络用于根据k时刻运行状态数据和k时刻硅油风扇转速控制信号计算k+1时刻运行状态数据预测值；
所述硅油风扇自适应动态规划评价网络用于根据k时刻运行状态数据计算硅油风扇在k时刻自适应动态规划性能指标函数，根据k+1时刻运行状态数据预测值计算k+1时刻自适应动态规划性能指标预测函数；
根据k时刻自适应动态规划性能指标函数、k时刻自适应规划的效能函数和k+1时刻自适应动态规划性能指标预测函数进行硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练，动态优化自适应动态规划系统，获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制。
与现有技术相比，本公开的有益效果是：
1、本公开所述的内容提出了采用自适应动态规划方法来优化控制发动机的硅油风扇，自适应动态规划方法以传统的最优控制为理论基础，融合人工智能的先进方法，深度挖掘发动机与硅油风扇的整体动态运行机理，建立精确的发动机与硅油风扇多时间尺度动态整体模型，实现了自适应动态优化调节控制器，从而实现了硅油风扇的最优化节能控制，同时有效提高发动机的使用寿命和运行性能。
2、本公开所述的内容采用基于Sigmoid函数的数据归一化方法，该方法能够有效地扩大发动机和硅油风扇的状态采集系统运行数据的差异性，从而有效的提高了数据的精确度。
3、本公开所述的内容通过采集多种车辆环境数据和发动机运行数据进行硅油风扇的节能优化，通过参照多种数据，有效的实现了根据外在和内在环境的综合因素进行硅油风扇转速的调节，有效的提升了节能效果。
4、本公开所述的内容通过对硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络的在线训练，实现了自适应动态规划系统的自动模型调节，极大的优化了硅油风扇转速的控制策略，实现了硅油风扇的自动控制调节，有效的提升了节能减排效果。
附图说明
图1位本公开实施例1所述的发动机电控风扇的节能优化控制方法流程图。
图2为本公开实施例1和2所述的发动机电控硅油风扇的自适应动态规划系统的结构图。
图3为本公开实施例2所述的发动机电控硅油风扇节能优化控制系统整体结构图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1：
如图1和2所述，一方面，本公开实施例1提供了一种发动机电控硅油风扇的节能优化控制方法，步骤如下：
(1)采集k时刻车辆运行环境数据和发动机内部运行数据，构建k时刻整体运行状态数据集；
(2)构建自适应动态规划系统，根据k时刻整体运行状态数据集，计算k时刻的自适应动态规划的性能指标函数、k时刻的自适应规划的效能函数和k+1时刻的自适应动态规划的性能指标预测函数，根据k时刻的性能指标函数和效能函数以及k+1时刻的性能指标预测函数动态优化自适应动态规划系统；
(3)获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制。
所述步骤(1)中，所述k时刻整体运行状态数据集为：
x(k)＝[TCW(k),SCW(k),PCW(k),VCW(k),TKQ(k),PKQ(k),LKQ(k),LOil(k),POil(k),FZS(k),ZFDJ(k),TLQY(k),HQ2(k),JLC(k),JSD(k),TJY(k),TWQ(k),LWQ(k),VZC(k),TSRQ(k)]；
其中：TCW(k)为车外环境温度值(℃)、SCW(k)为车外环境湿度值(％)、PCW(k)为车外大气压力值(kPa)、VCW(k)为车外风速值(m/s)、TKQ(k)为空气的进气温度值(℃)、PKQ(k)为空气的进气压力值(kPa)、LKQ(k)为空气的进气流量值(m3)、LOil(k)为发动机燃油量值(kg)、POil(k)为油压传感器值(kPa)、FZS(k)为硅油风扇转速值(rpm)、ZFDJ(k)为发动机转速值(rpm)、TLQY(k)为冷却液的温度值(℃)、HQ2(k)为氧传感器数据值(％)、JLC(k)为汽车里程计值(km)、JSD(k)为汽车的车速(km/h)，TJY(k)为发动机机油温度值(℃)、TWQ(k)为发动机尾气温度值(℃)、LWQ(k)为发动机尾气流量值(m3/s)、VZC(k)为整车速度值(m/s)、TSRQ(k)为散热器的温度值(℃)。
所述步骤(2)中，所述自适应动态规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述执行网络用于根据k时刻的整体运行状态数据集计算k时刻硅油风扇转速的控制信号；所述模型网络用于根据k时刻的整体运行状态数据集和k时刻的硅油风扇转速控制信号，计算k+1时刻的整体运行状态预测数据集；所述评价网络用于根据k时刻的整体运行状态数据集计算硅油风扇在k时刻的自适应动态规划的性能指标函数，根据k+1时刻的整体运行状态预测数据集估算硅油风扇在k+1时刻的自适应动态规划的性能指标预测函数。
以硅油风扇在k+1时刻的自适应动态规划的性能指标预测函数与k时刻的效能函数之和无限接近k时刻的自适应动态规划的性能指标函数为目标，对自适应动态规划系统进行动态优化。
将k+1时刻的自适应动态规划的性能指标预测函数与k时刻硅油风扇的自适应规划的效能函数相加后，再与k时刻的自适应动态规划的性能指标函数进行做差分析，根据差值判断k+1时刻的自适应动态规划的性能指标预测函数与k时刻的自适应动态规划的性能指标函数的接近程度，根据接近程度对硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练，具体分析判断过程如下：
步骤1：根据车辆环境数据和发动机内部运行数据训练评价网络，初始化性能指标函数，令i＝0，1，2，3···为迭代指标；
步骤2：令i＝0，初始迭代性能指标函数J0(x(t))≡0，获得响应的状态数据，将可选择控制策略uk及状态数据xk带入评价网络，根据式：
并通过比较获得迭代控制策略v0(x(k))，所述v0(x(k))为初始迭代控制率；
步骤3：针对当前状态训练执行网络，根据式：
J1(x(k))＝U(x(k),v0(x(k)))+J0(x(k+1)
获得迭代性能指标函数设为J1(x(k))；
步骤4.令i＝i+1,获得响应的状态数据，将可选择控制策略uk及状态数据xk带入评价网络，根据式：
并通过比较获得迭代控制策略vi(k)；
步骤5.针对当前状态训练执行网络，根据式：
Ji+1(x(k))＝U(x(t),vi(x(k)))+Ji(x(k+1)
获得迭代性能指标函数设为Vi+1(x(t))；
步骤6.如果||Ji+1(x(k))-Ji(x(k))||≤ε,那么转到步骤7；否则，对执行网络和评价网络进行在线训练，并转到步骤4；
步骤7.算法输出迭代控制策略vi(k)。
硅油风扇自适应动态规划模型网络的构造方法为：构建基于深度学习的卷积神经网络，基于Sigmoid函数归一化k时刻运行状态数据集x(k)和k时刻的硅油风扇转速控制信号u(k)，根据k时刻运行状态数据集x(k)、k时刻的硅油风扇转速控制信号u(k)和k+1时刻运行状态预测数据集x(k+1)训练卷积神经网络；所述训练方法如下：
601；卷积层为3层，输入层为1000*21*10三维向量，其中，1000为1000组运行数据，21为21个影响因素，10为时间维度，卷积层设定卷积核的个数为256，卷积核的区域大小为4*4；
602：池化层采用Max-Pooling，采样层的区域大小为4*4；
603：激活函数为双曲正切函数tanh，其数学表达式为：
604：采用Adam优化算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，选取优化学习率Lr＝0.05；
605：全连接层设定为512个神经元，设定Dropout参数为0.5。
606：设定发动机和硅油风扇整体动态模型的输出层为20*10的两维向量，其中，20为预测向量，10为时间维度；
607：得出最优硅油风扇自适应动态规划模型网络的权重矩阵Wm，获得发动机和硅油风扇的硅油风扇自适应动态规划模型网络。
硅油风扇自适应动态规划评价网络的在线训练方法为：
701采用BP神经网络三层结构，其输入为x(k),输出为J(x(k))，Wc为BP神经网络的参数权值，训练目标为最小化输出误差其中，x(k)为k时刻发动机和硅油风扇的整体运行状态数据集，u(k)为k时刻的硅油风扇转速的控制信号值，J(x(k))为硅油风扇在k时刻的自适应动态规划的性能指标函数；
702评价网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
703评价网络的训练参数权值Wc的目标为最小化输出误差Ec(k)，采用梯度下降法优化Wc，达到最大的训练次数得到最佳参数权值
硅油风扇自适应动态规划执行网络的在线训练方法为：
801执行网络采用BP神经网络三层结构，其输入为x(k),输出为u(k)，Wa为BP神经网络的参数权值，训练目标为最小化J(x(k))，其中，x(k)为k时刻发动机和硅油风扇的整体运行状态数据集，u(k)为k时刻的硅油风扇转速的控制信号值，J(x(k))为硅油风扇在k时刻的自适应动态规划的性能指标函数；
802执行网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
803定义执行网络的输出误差为：
804执行网络的训练参数权值Wa的目标为最小化输出误差Ea(k)，采用梯度下降法优化Wa，达到最大的训练次数得到最佳参数权值
其中，硅油风扇在k时刻的自适应动态规划的性能指标函数的计算方法为：
其中，γ为折扣因子，U(x(k),u(k))为硅油风扇的自适应规划的效能函数， 为最优散热器表面温度设定值。
本实施例所述的自适应动态规划方法以传统的最优控制为理论基础，融合人工智能的先进方法，深度挖掘发动机与硅油风扇的整体动态运行机理，建立精确的发动机与硅油风扇多时间尺度动态整体模型，实现自适应动态优化调节控制器，从而实现硅油风扇的最优化节能控制，同时有效提高发动机的使用寿命和运行性能。
实施例2：
如图2和3所示，本公开实施例2提供了一种发动机电控硅油风扇的节能优化控制系统，包括传感器模块、发动机电子控制模块、节能优化控制模块和硅油风扇；
所述传感器模块与节能优化控制模块连接，所述传感器模块为包含多个环境感知传感器的硅油风扇的环境感知传感器组，用于采集环境数据并传输给节能优化控制模块；
车辆环境感知传感器组主要包括以下传感器：
(1)车外环境温度传感器：用于测量车外环境的温度值；
(2)车外环境湿度传感器：用于测量车外环境的湿度值；
(3)车外大气压力传感器：用于测量车外大气压力值；
(4)车外风速传感器：用于测量车外风速速度值；
(5)车外风向传感器：用于测量车外风向值；
(7)硅油风扇转速传感器：用于测量硅油风扇的转速值；
(8)发动机尾气压力温度传感器：用于测量发动机尾气的排气压力和温度；
(9)发动机尾气流量传感器：用于测量发动机尾气的排气流量；
(10)发动机散热器非接触式温度传感器：用于测量发动机散热器的温度值；
传感器型号见表1：
所述节能优化模块为一个硅油风扇节能优化控制器，所述硅油风扇节能优化控制器块采用STM32F103ARM控制器、WINCE嵌入式操作系统和SQLCE数据库，其主要功能为：
(1)采集环境感知传感器组的数据，并存储在SQLCE数据库
(2)与发动机ECU通讯，采集发动机内部的运行数据，并存储在SQLCE数据库；
(3)自适应动态规划系统读取SQLCE数据库数据并计算硅油风扇节能优化控制器的输出值，即控制风扇转速的脉宽调制信号值；
(4)输出节能优化脉宽调制信号值到硅油风扇，控制风扇转速。
所述发动机电子控制模块与节能优化控制模块连接，所述发动机电子控制模块为发动机组ECU，硅油风扇节能优化控制器提供RS485接口与发动机组ECU通讯，采集的发动机ECU的k时刻的运行数据Ti(k)：
Ti(k)＝[ZFDJ(k),TKQ(k),PKQ(k),LKQ(k),TLQY(k),HQ2(k),LOil(k),TJY(k),POil(k),JLC(k),JSD(k)]；
其中，ZFDJ(k)为发动机转速值(rpm)、TKQ(k)为空气的进气温度值(℃)、PKQ(k)为空气的进气压力值(kPa)、LKQ(k)为空气的进气流量值(m3)、TLQY(k)为冷却液的温度值(℃)、HQ2(k)为氧传感器数据值(％)、LOil(k)为发动机燃油量值(kg)、TJY(k)为发动机机油温度传感器值(℃)、POil(k)为油压传感器值(kPa)、JLC(k)为汽车里程计值(km)、JSD(k)为汽车的车速(km/h)。
所述节能优化控制模块包括自适应动态规划系统，所述自适应规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述硅油风扇自适应动态规划执行网络用于根据k时刻运行状态数据x(k)计算k时刻硅油风扇转速控制信号u(k)；
所述硅油风扇自适应动态规划模型网络用于根据k时刻运行状态数据x(k)和k时刻硅油风扇转速控制信号u(k)计算k+1时刻运行状态数据预测值x(k+1)；
所述硅油风扇自适应动态规划评价网络用于根据k时刻运行状态数据x(k)计算硅油风扇在k时刻自适应动态规划性能指标函数J(x(k))，根据k+1时刻运行状态数据预测值计算k+1时刻自适应动态规划性能指标预测函数J(x(k+1))；
将k+1时刻的自适应动态规划的性能指标预测函数J(x(k+1))与硅油风扇的自适应规划的效能函数U(x(k),u(k))相加后，再与k时刻的自适应动态规划的性能指标函数J(x(k))进行做差分析，根据差值判断k+1时刻的自适应动态规划的性能指标预测函数J(x(k+1))与k时刻的自适应动态规划的性能指标函数J(x(k))的接近程度，从而对硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练，动态优化自适应动态规划系统，获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，实现硅油风扇转速的动态节能控制。
所述节能优化控制模块与硅油风扇连接，用于输出节能优化脉宽调制信号给硅油风扇，以实现硅油风扇转速的节能控制。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (6)
1.一种发动机电控硅油风扇的节能优化控制方法，其特征在于，步骤如下：
（1）采集时刻车辆运行环境数据和发动机内部运行数据，构建/>时刻整体运行状态数据集；
（2）构建自适应动态规划系统，根据时刻整体运行状态数据集，计算/>时刻的自适应动态规划的性能指标函数、/>时刻的自适应规划的效能函数和/>时刻的自适应动态规划的性能指标预测函数，根据/>时刻的性能指标函数和效能函数以及/>时刻的性能指标预测函数动态优化自适应动态规划系统；
（3）获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制；
步骤（1）中，所述时刻整体运行状态数据集为：
=[/>,/>,/>,/>,/>,/>,/>,/>,/>,/>,,/>,/>,/>,/>,/>,/>,/>,/>,/>]；
其中：为车外环境温度值(℃)、/>为车外环境湿度值(%)、/>为车外大气压力值(kPa)、/>为车外风速值(m/s)、/>为空气的进气温度值(℃)、/>为空气的进气压力值(kPa)、/>为空气的进气流量值(m³)、/>为发动机燃油量值(kg)、/>为油压传感器值(kPa)、/>为硅油风扇转速值(rpm)、/>为发动机转速值(rpm)、为冷却液的温度值(℃)、/>为氧传感器数据值(%)、/>为汽车里程计值(km)、为汽车的车速(km/h)，/>为发动机机油温度值(℃)、/>为发动机尾气温度值(℃)、/>为发动机尾气流量值(m³/s)、/>为整车速度值(m/s)、/>为散热器的温度值(℃)；
步骤（2）中，所述自适应动态规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述执行网络用于根据时刻的整体运行状态数据集计算/>时刻硅油风扇转速的控制信号；所述模型网络用于根据/>时刻的整体运行状态数据集和/>时刻的硅油风扇转速控制信号，计算/>时刻的整体运行状态预测数据集；所述评价网络用于根据/>时刻的整体运行状态数据集计算硅油风扇在/>时刻的自适应动态规划的性能指标函数，根据/>时刻的整体运行状态预测数据集估算硅油风扇在/>时刻的自适应动态规划的性能指标预测函数；
以硅油风扇在时刻的自适应动态规划的性能指标预测函数与/>时刻的效能函数之和无限接近/>时刻的自适应动态规划的性能指标函数为目标，对自适应动态规划系统进行动态优化；
将时刻的自适应动态规划的性能指标预测函数与/>时刻硅油风扇的自适应规划的效能函数相加后，再与/>时刻的自适应动态规划的性能指标函数进行做差分析，根据差值判断/>时刻的自适应动态规划的性能指标预测函数与/>时刻的自适应动态规划的性能指标函数的接近程度，根据接近程度对硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练。
2.如权利要求1所述的发动机电控硅油风扇的节能优化控制方法，其特征在于，硅油风扇自适应动态规划模型网络的构造方法为：构建基于深度学习的卷积神经网络，基于Sigmoid函数归一化时刻运行状态数据集/>和/>时刻的硅油风扇转速控制信号/>，根据/>时刻运行状态数据集/>、/>时刻的硅油风扇转速控制信号/>和/>时刻运行状态预测数据集/>训练卷积神经网络；基于深度学习的卷积神经网络的训练方法如下：
601；卷积层为3层，输入层为1000*21*10三维向量，其中，1000为1000组运行数据，21为21个影响因素，10为时间维度，卷积层设定卷积核的个数为256，卷积核的区域大小为4*4；
602：池化层采用Max-Pooling，采样层的区域大小为4*4；
603：激活函数为双曲正切函数tanh，其数学表达式为：
；
604：采用Adam优化算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，选取优化学习率Lr=0.05；
605：全连接层设定为512个神经元，设定Dropout参数为0.5；
606：设定发动机和硅油风扇整体动态模型的输出层为20*10的两维向量，其中，20为预测向量，10为时间维度；
607：得出最优硅油风扇自适应动态规划模型网络的权重矩阵，获得发动机和硅油风扇的硅油风扇自适应动态规划模型网络。
3.如权利要求1所述的发动机电控硅油风扇的节能优化控制方法，其特征在于，硅油风扇自适应动态规划评价网络的在线训练方法为：
701采用BP神经网络三层结构，其输入为,输出为/>，/>为BP神经网络的参数权值，训练目标为最小化输出误差/>，其中，/>为/>时刻发动机和硅油风扇的整体运行状态数据集，/>为/>时刻的硅油风扇转速的控制信号值，/>为硅油风扇在/>时刻的自适应动态规划的性能指标函数；
702评价网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
703评价网络的训练参数权值的目标为最小化输出误差/>，采用梯度下降法优化，达到最大的训练次数得到最佳参数权值/>。
4.如权利要求1所述的发动机电控硅油风扇的节能优化控制方法，其特征在于，硅油风扇自适应动态规划执行网络的在线训练方法为：
801执行网络采用BP神经网络三层结构，其输入为,输出为/>，/>为BP神经网络的参数权值，训练目标为最小化/>，其中，/>为/>时刻发动机和硅油风扇的整体运行状态数据集，/>为/>时刻的硅油风扇转速的控制信号值，/>为硅油风扇在/>时刻的自适应动态规划的性能指标函数；
802执行网络采用20个输入神经元，52个隐藏层神经元，1个输出神经元的结构，隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin；
803定义执行网络的输出误差为：；
804执行网络的训练参数权值的目标为最小化输出误差/>，采用梯度下降法优化，达到最大的训练次数得到最佳参数权值/>。
5.如权利要求3或4所述的发动机电控硅油风扇的节能优化控制方法，其特征在于，
其中，为折扣因子，/>为硅油风扇的自适应规划的效能函数，/>=，/>为最优散热器表面温度设定值。
6.一种发动机电控硅油风扇的节能优化控制系统，其特征在于，包括传感器模块、发动机电子控制模块、节能优化控制模块和硅油风扇；
所述传感器模块包括多个环境感知传感器，用于采集环境数据并传输给节能优化控制模块；
所述发动机电子控制模块用于采集发动机内部运行数据并将采集到的数据传输给节能优化控制模块；
所述节能优化控制模块接收、保存和处理传感器模块和发动机电子控制模块发来的数据，并向硅油风扇传输脉宽调制信号用于控制硅油风扇的转速；
所述节能优化控制模块包括自适应动态规划系统，所述自适应动态规划系统包括硅油风扇自适应动态规划执行网络、硅油风扇自适应动态规划模型网络和硅油风扇自适应动态规划评价网络；
所述硅油风扇自适应动态规划执行网络用于根据时刻运行状态数据计算/>时刻硅油风扇转速控制信号；
所述硅油风扇自适应动态规划模型网络用于根据时刻运行状态和/>时刻硅油风扇转速控制信号计算/>时刻运行状态预测值；
所述硅油风扇自适应动态规划评价网络用于根据时刻运行状态数据计算硅油风扇在时刻自适应动态规划性能指标函数，根据/>时刻运行状态数据预测值计算/>时刻自适应动态规划性能指标预测函数；
根据时刻自适应动态规划性能指标函数、/>时刻自适应规划的效能函数和/>时刻自适应动态规划性能指标预测函数进行硅油风扇自适应动态规划执行网络和硅油风扇自适应动态规划评价网络进行在线训练，动态优化自适应动态规划系统，获得迭代最优控制策略，输出节能优化控制信号值到硅油风扇，从而实现硅油风扇转速的动态节能控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213868.2A CN109779736B (zh) | 2019-03-20 | 2019-03-20 | 一种发动机电控硅油风扇的节能优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213868.2A CN109779736B (zh) | 2019-03-20 | 2019-03-20 | 一种发动机电控硅油风扇的节能优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109779736A CN109779736A (zh) | 2019-05-21 |
| CN109779736B true CN109779736B (zh) | 2023-08-11 |
Family
ID=66488775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910213868.2A Active CN109779736B (zh) | 2019-03-20 | 2019-03-20 | 一种发动机电控硅油风扇的节能优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109779736B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111475930A (zh) * | 2020-03-20 | 2020-07-31 | 中车青岛四方机车车辆股份有限公司 | 一种风机切换测试系统及方法 |
| CN112069724B (zh) * | 2020-07-21 | 2023-06-20 | 上海宇航系统工程研究所 | 一种基于长短时记忆自编码器的火箭健康度评估方法 |
| CN113671916B (zh) * | 2021-08-19 | 2023-02-28 | 华东理工大学 | 一种考虑输入约束的流程工业过程优化控制方法及装置 |
| CN114320560A (zh) * | 2022-01-04 | 2022-04-12 | 中国人民解放军陆军装甲兵学院 | 高原环境履带车辆发动机冷却系统自适应调节控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102678255A (zh) * | 2012-04-09 | 2012-09-19 | 山重建机有限公司 | 挖掘机硅油风扇控制装置 |
| CN202577432U (zh) * | 2012-04-09 | 2012-12-05 | 山重建机有限公司 | 挖掘机硅油风扇控制装置 |
| US8933572B1 (en) * | 2013-09-04 | 2015-01-13 | King Fahd University Of Petroleum And Minerals | Adaptive superconductive magnetic energy storage (SMES) control method and system |
| CN204476539U (zh) * | 2015-01-14 | 2015-07-15 | 十堰赛弗思汽车部件有限公司 | 一种轻型车电控硅油风扇控制系统 |
| CN105756767A (zh) * | 2016-03-10 | 2016-07-13 | 优数通（北京）科技有限公司 | 一种实现发动机冷却风扇无级调速的控制系统及方法 |
| CN105971711A (zh) * | 2016-06-30 | 2016-09-28 | 潍柴动力股份有限公司 | 电控硅油风扇控制方法及装置、电控硅油风扇和发动机 |
| CN106837509A (zh) * | 2017-04-14 | 2017-06-13 | 北京理工大学 | 一种风扇转速控制方法及系统 |
| CN206724421U (zh) * | 2017-05-25 | 2017-12-08 | 广东海悟科技有限公司 | 可控制空调系统中风机调速的控制器 |
| CN107791970A (zh) * | 2017-10-17 | 2018-03-13 | 长春工业大学 | 基于启发式动态规划的汽车主动降噪方法 |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
| CN108518268A (zh) * | 2018-04-27 | 2018-09-11 | 东风贝洱热系统有限公司 | 一种电控硅油风扇控制方法及控制器 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100348588B1 (ko) * | 2000-07-07 | 2002-08-14 | 국방과학연구소 | 차량용 냉각장치 |
| US6772714B2 (en) * | 2001-08-16 | 2004-08-10 | Deere & Company | Electronic fan control |
| US7502768B2 (en) * | 2004-02-27 | 2009-03-10 | Siemens Building Technologies, Inc. | System and method for predicting building thermal loads |
| US7311185B2 (en) * | 2004-09-23 | 2007-12-25 | Gm Global Technology Operations, Inc. | Method for thermal management for a controllable viscous fan drive |
| US20120048953A1 (en) * | 2009-07-15 | 2012-03-01 | Beihang University | Temperature adjusting device and an intelligent temperature control method for a sand and dust environment testing system |
| DE102012206651A1 (de) * | 2012-04-23 | 2013-10-24 | Siemens Aktiengesellschaft | Verfahren zur Regelung einer Turbine |
-
2019
- 2019-03-20 CN CN201910213868.2A patent/CN109779736B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102678255A (zh) * | 2012-04-09 | 2012-09-19 | 山重建机有限公司 | 挖掘机硅油风扇控制装置 |
| CN202577432U (zh) * | 2012-04-09 | 2012-12-05 | 山重建机有限公司 | 挖掘机硅油风扇控制装置 |
| US8933572B1 (en) * | 2013-09-04 | 2015-01-13 | King Fahd University Of Petroleum And Minerals | Adaptive superconductive magnetic energy storage (SMES) control method and system |
| CN204476539U (zh) * | 2015-01-14 | 2015-07-15 | 十堰赛弗思汽车部件有限公司 | 一种轻型车电控硅油风扇控制系统 |
| CN105756767A (zh) * | 2016-03-10 | 2016-07-13 | 优数通（北京）科技有限公司 | 一种实现发动机冷却风扇无级调速的控制系统及方法 |
| CN105971711A (zh) * | 2016-06-30 | 2016-09-28 | 潍柴动力股份有限公司 | 电控硅油风扇控制方法及装置、电控硅油风扇和发动机 |
| CN106837509A (zh) * | 2017-04-14 | 2017-06-13 | 北京理工大学 | 一种风扇转速控制方法及系统 |
| CN206724421U (zh) * | 2017-05-25 | 2017-12-08 | 广东海悟科技有限公司 | 可控制空调系统中风机调速的控制器 |
| CN107791970A (zh) * | 2017-10-17 | 2018-03-13 | 长春工业大学 | 基于启发式动态规划的汽车主动降噪方法 |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
| CN108518268A (zh) * | 2018-04-27 | 2018-09-11 | 东风贝洱热系统有限公司 | 一种电控硅油风扇控制方法及控制器 |
Non-Patent Citations (1)
| Title |
|---|
| 硅油风扇离合器滑差和散热性能的计算与测试;宋黎明;汽车工程;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109779736A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109779736B (zh) | 一种发动机电控硅油风扇的节能优化控制方法及系统 | |
| CN100439692C (zh) | 设备的温度控制装置 | |
| EP2397676B1 (en) | EGR control apparatus for internal combustion engine | |
| CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
| US8794219B2 (en) | EGR control apparatus for internal combustion engine | |
| Khayyam | Adaptive intelligent control of vehicle air conditioning system | |
| US10578040B2 (en) | Smoothed and regularized Fischer-Burmeister solver for embedded real-time constrained optimal control problems in automotive systems | |
| CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
| CN111767896B (zh) | 一种清扫车底盘上装协同控制方法及感知识别实现装置 | |
| JP6741057B2 (ja) | 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 | |
| CN110529275B (zh) | 柴油机双vgt二级可调增压系统与燃油共轨系统变海拔协同控制方法 | |
| CN111556631A (zh) | 基于pso和rbfnn的隧道交通照明系统智能控制方法 | |
| CN113128110B (zh) | 智能网联电动汽车高寒地区动力电池热管理优化方法 | |
| CN111552185A (zh) | 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法 | |
| CN111456840A (zh) | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 | |
| CN110259590B (zh) | 复杂工况下hcci发动机燃烧正时控制系统 | |
| CN210033605U (zh) | 一种发动机电控硅油风扇的节能优化控制系统 | |
| JP2013084091A (ja) | 車載動力プラントの制御装置 | |
| CN110077389A (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
| US11008966B2 (en) | Method for determining a position of at least one actuator | |
| CN116729060A (zh) | 一种基于ddpg的纯电动汽车乘员舱空调制冷控制方法 | |
| CN115257695A (zh) | 一种混合动力汽车能量管理控制系统及其方法 | |
| JP2020056378A (ja) | 内燃機関の制御装置 | |
| EP2397677B1 (en) | Egr control apparatus for internal combustion engine | |
| JPH11294230A (ja) | エンジンの燃料噴射制御装置 |
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 | ||
| CB02 | Change of applicant information |
Address after: 250023 No. 5 Jiao Tong Road, Tianqiao District, Shandong, Ji'nan Applicant after: Shandong Jiaotong University Address before: No. 5001, Haitang Road, Science Park, Changqing University, Jinan City, Shandong Province, 250023 Applicant before: Shandong Jiaotong University |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |