CN110552804A - 基于lstm的混合燃料hcci发动机燃烧正时估计方法 - Google Patents

Abstract

本发明涉及基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，属于HCCI发动机燃烧正时估计领域。先对所需要的相关变量进行采样，包括：HCCI发动机在运行过程当中的进排气门关闭正时、进气歧管温度和压力、混合燃料中正庚烷及异辛烷的质量、混合燃料在气缸中燃烧所释放的热量、空燃比以及发动机转速。其次对输入数据集进行Z‑score标准化、PCA降维处理以及数据分割，得到最终输入数据集。然后将数据集输入训练好的LSTM黑箱模型当中，得到模型输出。最后将其反标准化得到最终的HCCI燃烧正时估计结果。

Description

基于LSTM的混合燃料HCCI发动机燃烧正时估计方法

技术领域

本发明属于均质充气压缩点燃(Homogeneous Charge Compression Ignition,HCCI)发动机燃烧正时估计领域，涉及基于LSTM的混合燃料HCCI发动机燃烧正时估计方法。

背景技术

近年来，由于近乎苛刻的排放标准的出台，各大汽车厂商都在不断进行汽车技术的革新，以期达到排放标准的要求，但是，由于传统发动机燃烧技术固有的不足，其尾气排放依然无法达到令人满意的程度。因此，要想依靠传统发动机技术进一步降低尾气排放仍然是一项艰巨的任务。由于具有显著降低污染排放和提高燃料利用效率的优点，均质充气压缩点燃(homogeneous charge compressionignition,HCCI)发动机进入了研究人员的视线，其综合了火花点火(SI)发动机和压燃式(CI)发动机的优势，具有较高的燃油利用率、较低的氮氧化物排放以及高的燃油适用性等优点。研究表明，与传统发动机相比，HCCI发动机的燃油利用率提高了15％～20％，氮氧化物的排放降低了90％～98％。

然而，由于还存在一些未能解决的挑战，HCCI发动机距离实际应用还有很长一段距离。这些挑战主要包括冷启动问题、运行范围、燃烧正时(Bidarvatan等人指出燃烧正时可以选择燃油燃烧50％对应的曲轴角度作为标志，因为此刻对应的气缸内热释放率变化曲线最为陡峭，即压力升高率最高，对应的鲁棒性最好，用CA50表示)的控制、以及未燃HC和CO排放较高等问题。其中，燃烧正时控制问题因其对HCCI发动机的性能有着至关重要的影响，成为了当前HCCI发动机研究的主要难点和热点。

值得注意的是，已有研究表明，HCCI燃烧模式下，约有10％的燃料在压缩冲程被挤入活塞环的缝隙中，而在燃烧冲程释放出来，但是由于缸内温度过低，导致这部分燃料无法燃烧。同时，随着燃料辛烷值的增加，HCCI发动机的燃烧时间开始延迟，燃烧持续时间缩短，既混合燃料辛烷值的改变，对燃烧正时有着明显的影响。再加上，混合燃料辛烷值可由混合燃料中正庚烷和异辛烷的质量计算得出。因此本发明将混合燃料中的正庚烷和异辛烷的质量、进入气缸燃料燃烧所释放的热量以及其他化学动力学中与HCCI发动机燃烧正时有关的量作为黑箱模型的输入。此外，已有的研究成果表明，要想实现HCCI燃烧正时的闭环控制，CA50的测量至关重要。在测量精度无法解决的下，HCCI的优点无法充分发挥。目前HCCI发动机燃烧正时预测模型主要包括：化学动力学模型、黑箱模型以及灰箱模型。其中黑箱模型主要基于神经网络来对HCCI发动机的燃烧正时进行估计。考虑到HCCI发动机的燃烧方式，其此次燃烧循环的状态与上一个燃烧循环密切相关，再加上LSTM神经网络又是具有记忆功能的适合处理时序数据的深度学习模型。因此考虑利用LSTM神经网络搭建黑箱模型来实现对混合燃料HCCI发动机燃烧正时的估计。

发明内容

有鉴于此，本发明的目的在于提供一种基于LSTM的混合燃料HCCI发动机燃烧正时估计方法。

为达到上述目的，本发明提供如下技术方案：

基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，该方法包括以下步骤：

采样获得HCCI发动机在运行过程当中的进气门关闭正时θ_ivc、排气门关闭正时θ_evc、进气歧管温度T_man、进气歧管压力P_man、混合燃料中正庚烷的质量M_he、混合燃料中异辛烷的质量M_iso、混合燃料在气缸中燃烧所释放的热量W_total、空燃比AFR以及发动机转速N、得到原始的输入数据集；

采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级；

采用PCA主成分分析算法对标准化后的数据集进行降维；

采用数据分割对数据集进行窗口长度为L的数据分割；

将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出；

对模型输出进行反标准化得到最终的模型估计结果。

可选的，所述采样获得HCCI发动机在运行过程当中的进气门关闭正时θ_ivc、排气门关闭正时θ_evc、进气歧管温度T_man、进气歧管压力P_man、混合燃料中正庚烷的质量M_he、混合燃料中异辛烷的质量M_iso、混合燃料在气缸中燃烧所释放的热量W_total、空燃比AFR以及发动机转速N，得到原始的输入数据集；具体包括：

根据HCCI发动机燃烧的化学动力学过程，确定与HCCI发动机燃烧正时相关的变量，包括：θ_ivc、θ_evc、T_man、P_man、M_he、M_iso、W_total、AFR以及N；在各种汽车运行工况下，每个循环即曲轴转角每转过720°采集一次数据，得到原始输入数据集如下：

其中n表示采样周期数即发动机燃烧循环。

可选的，所述采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级，公式如下：

其中，下标i表示原始数据集中的变量，Z_i,j表示标准化后数据输出，x_i,j表示原始数据集中的第i个变量中的第j个值，为变量i的均值，为变量i的标准差。

可选的，所述PCA主成分分析算法具体包括以下步骤：

输入数据集D＝{θ_ivc,θ_evc,…,N}^T _9×1，将数据集降维到6维；

a)对所有输入样本中心化处理：下标i表示标准化输入数据集中的变量，j＝1,2,…,n；x_i,j表示第i个变量的第j个数据；m_i,j为去中心化处理后对应变量的值；n表示第i个变量中数据的总数；

b)计算数据集协方差矩阵XX^T：数据集D＝{θ_ivc,θ_evc,...,N}^T _9×1，每个变量中数据的总数为n,则标准化后的数据集组成一个9×n的矩阵；

则样本的协方差矩阵：

其中cov(c_s,c_t)表示随机变量c_s、c_t二者的协方差，且：

cov(c_s,c_t)＝E[(c_s-E(c_s))(c_t-E(c_t))] (5)

1≤s,t≤n；s,t,n∈N

其中E(T)表示随机变量T的期望值；

c)对XX^T进行特征值分解，求出特征值λ_i和特征向量ω_i；

d)保留最大的6个特征值对应的特征向量，构成投影矩阵W＝(ω₁ ^*,ω₂ ^*,…,ω₆ ^*)，输出PCA降维数据为D^*。

可选的，所述采用数据分割对输入进行窗口长度为L的数据分割，具体为：

经过Z-score标准化以及PCA降维处理之后得到数据为：

DATA＝D^*＝{X₁,X₂,…,X₆}^T＝{S} (6)

然后对其进行窗口为L的数据分割得到分割后的数据：

X_seg＝{S₁,S₂,…,S_L} (7)

其中，S_p表示分割好的6×n/L数据矩阵；则与之对应的输出为：

Y＝{Y₁,Y₂,…,Y_L} (9)

Y_p＝[y_(p+1),y_(p+2),…,y_(p+n/L)]_1×n/L (10)。

可选的，所述将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出，具体包括：

将分割好的数据X输入训练好的LSTM神经网络黑箱模型中，在经过L个按前后时刻连接的同构LSTM细胞计算之后，其输出表示为：

P＝{P₁,P₂,…,P_L} (11)

P_p＝LSTM_forward(S_p,C_p-1,H_p-1) (12)

其中，C_p-1和H_p-1分别为前一个LSTM细胞的状态和输出，LSTM_forward为其前向计算方式。

可选的，所述对模型输出进行反标准化得到最终的模型估计结果，公式如下：

Y＝P_iσ+μ (14)。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明流程图；

图2为LSTM神经网络黑箱模型；

图3为LSTM隐藏层细胞结构；

图4为原始采样数据图I；

图5为原始采样数据图II；

图6为原始采样数据图III；

图7为原始采样数据图IV。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示流程对混合燃料HCCI发动机燃烧正时进行估计，其中燃烧正估计主要为将预处理好的数据输入到训练好的基于LSTM神经网络的混合燃料HCCI燃烧正时估计模型中，得出模型估计输出。模型具体参阅图2，具体过程如下：

1)获取数据。根据HCCI发动机燃烧的化学动力学过程，确定与HCCI发动机燃烧正时相关的变量进排气门关闭正时、进气歧管温度和压力、混合燃料中正庚烷及异辛烷的质量、混合燃料辛烷值、混合燃料在气缸中燃烧所释放的热量、空燃比以及发动机转速。为了避免数据集样本数量不够，导致训练后的模型过拟合，泛化能力差。因此，在各种汽车运行工况下，每个循环即曲轴转角每转过720°采集一次数据。原始输入数据集如下：

2)对所采集的数据集进行预处理。为了消除变量之间的量纲影响，对上述数据进行Z-score标准化处理，使数据变换到同一数量级。公式如下：

其中，下标i表示原始数据集中的变量，Z_i,j表示标准化后数据输出，x_i,j表示原始数据集中的第i个中的第j个值，为变量i的均值，为变量i的标准差。

3)采用PCA算法对输入数据集进行降维。在经过上述标准化之后，为了降低输入数据集的复杂度，去除噪声，识别数据集中最重要的特征的功效，从而提高估计精度，降低模型的计算开销，采用PCA算法对标准化后的数据集进行数据降维，即从9维降低到6维。PCA算法过程如下：

输入数据集D＝{θ_ivc,θ_evc,...,N}^T _9×1，将数据集降维到6维。

a)对所有输入样本中心化处理：下标i表示标准化输入数据集中的变量，j＝1,2,…,n；x_i,j表示第i个变量的第j个数据；m_i,j为去中心化处理后对应变量的值；n表示第i个变量中数据的总数；

b)计算数据集协方差矩阵XX^T：数据集D＝{θ_ivc,θ_evc,...,N}^T _9×1，每个变量中数据的总数为n,则标准化后的数据集可以组成一个9×n的矩阵；

则样本的协方差矩阵：

其中cov(c_s,c_t)表示随机变量c_s、c_t二者的协方差，且：

cov(c_s,c_t)＝E[(c_s-E(c_s))(c_t-E(c_t))](5)

1≤s,t≤n；s,t,n∈N

其中E(T)表示随机变量T的期望值。

c)对XX^T进行特征值分解，求出特征值λ₁,λ₂,…,λ₁₀和特征向量ω₁,ω₂,…ω₁₀；

d)保留最大的6个特征值对应的特征向量，构成投影矩阵W＝(ω₁ ^*,ω₂ ^*,…,ω₆ ^*),输出PCA降维数据为D^*。

4)数据分割。为了使上述数据集适应LSTM隐藏层的输入要求，因此需要对其进行数据分割，具体如下：

经过Z-score标准化以及PCA降维处理之后得到数据为：

DATA＝D^*＝{X₁,X₂,…,X₆}^T＝{S} (6)

其中X_i表示降维的第i维变量。

然后对其进行窗口为L的数据分割得到分割后的数据：

X_seg＝{S₁,S₂,…,S_L} (7)

其中，S_p表示分割好的6×n/L数据矩阵。则与之对应的输出为：

Y＝{Y₁,Y₂,…,Y_L} (9)

Y_p＝[y_(p+1),y_(p+2),…,y_(p+n/L)]_1×n/L (10)

5)LSTM神经网络训练。在将预处理好之后的数据集输入训练好的LSTM神经网络黑箱模型之前，需要对LSTM神经网络进行训练。具体如下：

首先将训练数据输入如图3所示的LSTM隐藏层中，图中z为输入模块；i、f、c、o分别表示输入门、遗忘门、当前时刻的细胞状态以及输出门层；H表示隐藏状态；X表示输入；C表示细胞状态；下标t-1和t分别表示上一时刻和当前时刻；Y_t表示输出序列。

然后采用与经典反向传播算法原理类似的BPTT算法对其进行训练，主要包括以下4个过程：a)利用前向计算方法计算LSTM细胞的输出值：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (13)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (14)

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c) (15)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (16)

式中，σ为sigmoid激活函数；W和b表示相应的权重系数和偏置值；h_t-1为上一时刻细胞的隐藏状态；x_t为当前时刻的输入；i_t、f_t、c_t、o_t分别表示输入门层、遗忘门层、细胞状态以及输出门层。

b)反向计算每个LSTM细胞的误差项；

训练过程的损失函数选择均方误差，其公式如下：

c)根据相应的误差项，计算每个权重的梯度；

d)应用基于梯度的优化算法Adam更新权重，直至误差函数值小于预设值。

6)燃烧正时估计。将上述经过预处理的数据集输入训练好的LSTM神经网络黑箱模型中，得出模型估计输出，设为

P＝{P₁,P₂,…,P_L} (11)

P_p＝LSTM_forward(X_p,C_p-1,H_p-1) (12)

其中，C_p-1和H_p-1分别为前一个LSTM细胞的状态和输出，LSTM_forward为其前向计算方式。

7)模型输出反标准化得出最终估计结果。反标准化公式如下：

Y＝P_iσ+μ (19)

应用LSTM神经网络估计模型，具体步骤如下：

步骤1：采样获得HCCI发动机在运行过程当中的进排气门关闭正时、进气歧管温度和压力、混合燃料中正庚烷及异辛烷的质量、混合燃料辛烷值、混合燃料在气缸中燃烧所释放的热量、空燃比以及发动机转速，得到原始的输入数据集，如图3所示。

步骤2：采用Z-score标准化原始数据，是原始数据变换到同一数量级，消除变量之间量纲的影响。

步骤3：采用PCA对标准化后的数据集进行降维，使原始数据从9维空间降到6维空间。其能降低数据复杂度，去除噪声，识别数据集最重要特征，并能够降低模型的计算开销，提升估计精度。

步骤4：采用窗口长度L对输入数据集进行数据分割。为了使数据集适应LSTM隐藏层的输入要求，因此需要对其进行数据分割。

步骤5：将经过Z-score标准化、PCA降维以及数据分割后的数据输入到LSTM神经网络估计模型当中，得到模型输出。

步骤6：对模型输出进行反标准化，得到模型估计的HCCI发动机燃烧正时。

图4～7为原始采样数据图。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，该方法包括以下步骤：

采样获得HCCI发动机在运行过程当中的进气门关闭正时θ_ivc、排气门关闭正时θ_evc、进气歧管温度T_man、进气歧管压力P_man、混合燃料中正庚烷的质量M_he、混合燃料中异辛烷的质量M_iso、混合燃料在气缸中燃烧所释放的热量W_total、空燃比AFR以及发动机转速N、得到原始的输入数据集；

采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级；

采用PCA主成分分析算法对标准化后的数据集进行降维；

采用数据分割对数据集进行窗口长度为L的数据分割；

将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出；

对模型输出进行反标准化得到最终的模型估计结果。

2.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采样获得HCCI发动机在运行过程当中的进气门关闭正时θ_ivc、排气门关闭正时θ_evc、进气歧管温度T_man、进气歧管压力P_man、混合燃料中正庚烷的质量M_he、混合燃料中异辛烷的质量M_iso、混合燃料在气缸中燃烧所释放的热量W_total、空燃比AFR以及发动机转速N，得到原始的输入数据集；具体包括：

根据HCCI发动机燃烧的化学动力学过程，确定与HCCI发动机燃烧正时相关的变量，包括：θ_ivc、θ_evc、T_man、P_man、M_he、M_iso、W_total、AFR以及N；在各种汽车运行工况下，每个循环即曲轴转角每转过720°采集一次数据，得到原始输入数据集如下：

其中n表示采样周期数即发动机燃烧循环。

3.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级，公式如下：

其中，下标i表示原始数据集中的变量，Z_i,j表示标准化后数据输出，x_i,j表示原始数据集中的第i个变量中的第j个值，为变量i的均值，为变量i的标准差。

4.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述PCA主成分分析算法具体包括以下步骤：

输入数据集D＝{θ_ivc,θ_evc,...,N}^T _9×1，将数据集降维到6维；

a)对所有输入样本中心化处理：下标i表示标准化输入数据集中的变量，j＝1,2,…,n；x_i,j表示第i个变量的第j个数据；m_i,j为去中心化处理后对应变量的值；n表示第i个变量中数据的总数；

b)计算数据集协方差矩阵XX^T：数据集D＝{θ_ivc,θ_evc,...,N}^T _9×1，每个变量中数据的总数为n,则标准化后的数据集组成一个9×n的矩阵；

则样本的协方差矩阵：

其中cov(c_s,c_t)表示随机变量c_s、c_t二者的协方差，且：

cov(c_s,c_t)＝E[(c_s-E(c_s))(c_t-E(c_t))] (5)

1≤s,t≤n；s,t,n∈N

其中E(T)表示随机变量T的期望值；

c)对XX^T进行特征值分解，求出特征值λ_i和特征向量ω_i；

d)保留最大的6个特征值对应的特征向量，构成投影矩阵W＝(ω₁ ^*,ω₂ ^*,…,ω₆ ^*)，输出PCA降维数据为D^*。

5.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采用数据分割对输入进行窗口长度为L的数据分割，具体为：

经过Z-score标准化以及PCA降维处理之后得到数据为：

DATA＝D^*＝{X₁,X₂,…,X₆}^T＝{S} (6)

然后对其进行窗口为L的数据分割得到分割后的数据：

X_seg＝{S₁,S₂,…,S_L} (7)

1≤p≤L；L＜n；p,L,n∈N

其中，S_p表示分割好的6×n/L数据矩阵；则与之对应的输出为：

Y＝{Y₁,Y₂,…,Y_L} (9)

Y_p＝[y_(p+1),y_(p+2),…,y_(p+n/L)]_1×n/L (10)。

6.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出，具体包括：

将分割好的数据X输入训练好的LSTM神经网络黑箱模型中，在经过L个按前后时刻连接的同构LSTM细胞计算之后，其输出表示为：

P＝{P₁,P₂,…,P_L} (11)

P_p＝LSTM_forward(S_p,C_p-1,H_p-1) (12)

其中，C_p-1和H_p-1分别为前一个LSTM细胞的状态和输出，LSTM_forward为其前向计算方式。

7.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述对模型输出进行反标准化得到最终的模型估计结果，公式如下：

Y＝P_iσ+μ (14)。