CN113006954B - 一种涡轮增压汽油机气路协调的预测控制并行计算方法 - Google Patents

一种涡轮增压汽油机气路协调的预测控制并行计算方法 Download PDF

Info

Publication number
CN113006954B
CN113006954B CN202110344738.XA CN202110344738A CN113006954B CN 113006954 B CN113006954 B CN 113006954B CN 202110344738 A CN202110344738 A CN 202110344738A CN 113006954 B CN113006954 B CN 113006954B
Authority
CN
China
Prior art keywords
control
opening
gasoline engine
coordination
bypass valve
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
CN202110344738.XA
Other languages
English (en)
Other versions
CN113006954A (zh
Inventor
陈虹
孟强
李斌
张琳
黄岩军
胡浩奇
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110344738.XA priority Critical patent/CN113006954B/zh
Publication of CN113006954A publication Critical patent/CN113006954A/zh
Application granted granted Critical
Publication of CN113006954B publication Critical patent/CN113006954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0002—Controlling intake air
    • F02D41/0007—Controlling intake air for control of turbo-charged or super-charged engines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies

Abstract

本发明涉及一种涡轮增压汽油机气路协调的预测控制并行计算方法，包括以下步骤：构建涡轮增压汽油机气路系统的进气歧管压力和增压压力的预测模型；搭建系统的目标函数；建立预测模型和目标函数的并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；采用反向传播的方式求解计算梯度，利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制。与现有技术相比，本发明利用梯度下降法求解最优解的方法缩短了模型预测控制求解时间，提高了基于非线性神经网络预测控制的气路协调控制系统的实时性，使得该控制系统运用于实际汽油机气路系统控制中成为可能。

Description

一种涡轮增压汽油机气路协调的预测控制并行计算方法
技术领域
本发明涉及预测控制计算领域，尤其是涉及一种涡轮增压汽油机气路协调的预测控制并行计算方法。
背景技术
随着汽车技术的不断发展，它给我们的生活带了便利的同时也带来了环境污染与能源危机的问题。因此，节能减排是中国汽车行业发展的重要方向。增压技术有使气缸内的燃烧更为充分的特点，是被广泛使用的降低发动机的油耗和污染物的排放的关键技术之一。但是，涡轮增压汽油机进气部分和排气部分的耦合性使得节气门和旁通阀的动作存在相互影响，且缺乏非线性理论模型。
基于非线性神经网络预测控制的气路协调控制系统相比传统的现有控制方法有着无需系统的内部结构和工作原理，通过输入输出数据来学习系统特征、实现涡轮增压汽油机气路系统的耦合控制和考虑系统约束的优点。但是，粒子群优化求解算法的庞大计算量会导致的控制实时性差，而汽油机的气路压力控制是快速响应系统，这使得基于非线性神经网络预测控制的气路协调控制系统很难运用于实际汽油机气路系统控制中。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种涡轮增压汽油机气路协调的预测控制并行计算方法。
本发明的目的可以通过以下技术方案来实现：
一种涡轮增压汽油机气路协调的预测控制并行计算方法，包括以下步骤：
S1：构建涡轮增压汽油机气路系统的进气歧管压力和增压压力的预测模型；
S2：以最小化进气歧管压力、增压压力的期望偏差及执行机构节气门开度、旁通阀开度的变化为目标搭建目标函数；
S3：建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；
S4：采用反向传播的方式求解计算梯度，利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制。
优选地，所述的预测模型为以节气门开度、旁通阀开度、进气歧管压力、增压压力和发动机转速为输入，以进气歧管压力、增压压力为输出的预测模型。
优选地，所述的预测模型为三层的神经网络，所述神经网络由输入层到隐含层的非线性映射关系采用高斯基函数。
优选地，所述的目标函数为：
Figure BDA0003000434910000021
其中，N为预测步长，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，
Figure BDA0003000434910000022
为第k+1时刻状态量期望值。
优选地，所述的步骤S3的模型预测控制并行计算架构中，当前步序的预测模型和目标函数的求解均完成的标志为下一步序的计算开始的标志，实现预测模型、目标函数的并行计算。
优选地，所述的预测模型与目标函数的递推关系为：
Figure BDA0003000434910000023
p(k+1|k)＝f(p(k|k)，u(k|k)，Nen)
Figure BDA0003000434910000024
p(k+2|k)＝f(p(k+1|k)，u(k+1|k)，Nen)
Figure BDA0003000434910000025
Figure BDA0003000434910000026
p(k+N|k)＝f(p(k+N+1|k)，u(k+N-1|k)，Nen)
Figure BDA0003000434910000027
其中，J为待优化的目标函数，f为预测模型，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，Nen为发动机转速，u(k+i|k)为第k时刻中第i步时的控制量预测值，
Figure BDA0003000434910000031
为第k+1时刻状态量期望值。
优选地，所述的步骤S4具体包括：
S41：搭建多个存储单元，每个存储单元内存储相关计算参数；
S42；根据各储存单元内存储的计算参数，基于反向传播获取目标函数对输入量的梯度；
S43：利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制，所述的控制量为：
Figure BDA0003000434910000032
其中，uth(k|k)，uth(k+1|k)…uth(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的节气门开度，uw(k|k)，uw(k+1|k)…uw(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的旁通阀开度。
优选地，S41中所述的计算参数包括节气门开度值、旁通阀开度值、进气歧管压力预测值、增压压力预测值、进气歧管压力分别对节气门开度和旁通阀开度的偏导数以及增压压力分别对节气门开度和旁通阀开度的偏导数。
优选地，所述的步骤S43具体包括：
S431：当优化目标函数输出结果与上一步长的目标函数结果的差值小于设定值或达到限定优化次数或目标函数的变化量为零，三个条件满足其一条，则完成优化过程，且节气门开度和旁通阀开度的最优控制序列Uk *为：
Figure BDA0003000434910000033
其最优控制序列计算公式为：
Figure BDA0003000434910000041
其中，
Figure BDA0003000434910000042
为节气门开度控制矩阵，
Figure BDA0003000434910000043
为旁通阀开度控制矩阵，
Figure BDA0003000434910000044
为第k时刻第i步的期望节气门开度，
Figure BDA0003000434910000045
为为第k时刻第i步的期望旁通阀开度，J为目标函数，Δt为控制步长，
Figure BDA0003000434910000046
为上一时刻最优节气门开度，
Figure BDA0003000434910000047
为上一时刻最优旁通阀开度；
S432：将得到的最优控制序列
Figure BDA0003000434910000048
中的第一个元素
Figure BDA0003000434910000049
作为第k时刻的涡轮发动机气路协调控制中节气门开度和旁通阀开度控制量，且将第一个元素之后的元素，并在最后添加一个二维零矩阵构成的新控制序列作为第k+1时刻的涡轮发动机气路协调控制序列的初始值U0|k+1：
Figure BDA00030004349100000410
并结束第k时刻发动机进气歧管压力和增压压力的控制优化过程；
S433：重复步骤S4，完成第k+1时刻的发动机进气歧管压力和增压压力的控制优化过程，实现涡轮发动机气路实时协调控制。
与现有技术相比，本发明基于并行计算架构，建立涡轮增压汽油机气路协调预测模型，该并行计算架构通过预测模型和目标函数求解过程并行计算的方法，以及通过反向传播的方式求解梯度，利用梯度下降法求解最优解的方法缩短了模型预测控制求解时间，提高了基于非线性神经网络预测控制的气路协调控制系统的实时性，有效实现涡轮增压汽油机气路协调的实时预测控制，提高了控制效果和计算效果，本发明具体实施时采用计算图思想进行分析计算，有效提高计算效率和计算实时性。
附图说明
图1为本发明的流程图；
图2为本发明的预测模型的计算图；
图3为本发明的并行计算架构的结构图；
图4为基于触发式并行计算方法的并行计算架构示意图；
图5为汽油机气路预测模型并行计算架构的计算图；
图6为本发明的整体计算流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种涡轮增压汽油机气路协调的预测控制并行计算方法，如图1所示，包括以下步骤：
S1：构建涡轮增压汽油机气路系统的进气歧管压力和增压压力的预测模型。
预测模型为以节气门开度、旁通阀开度、进气歧管压力、增压压力和发动机转速为输入，以进气歧管压力、增压压力为输出的预测模型。
本发明的一种实施方式中，为了减少模型复杂程度，提高模型实时性，本文采用的是三层的神经网络，且由输入层到隐含层的非线性映射关系采用高斯基函数，其公式如下；
Figure BDA0003000434910000051
其中：ci为第j个隐含层神经元中心向量；bj为第j个高斯基函数的宽度向量。
高斯基函数中的中心向量采用k-means聚类方式获得，可以根据涡轮增压汽油机气路系统的输入输出训练径向基函数神经网络中的权值。
具体地，本实施例中选取适当样本，对径向基函数神经网络进行训练，得到汽油机气路预测模型，在线校正输出层的权值矩阵，若系统实时样本与初始样本某个点接近则替换，否则将其加入初始样本的方式更新训练样本，通过在线学习的方式更新输出层的权值矩阵。
如图2所示，为预测模型的计算图，其中预测模型的输入选择为：节气门开度uth(k)、旁通阀开度uw(k)、进气歧管压力pi(k)、增压压力pb(k)和发动机转速Nen(k)；预测模型的输出为：进气歧管压力pi(k+1)、增压压力pb(k+1)，对应的，涡轮增压汽油机气路协调控制的状态量p包括节气门开度、旁通阀开度、进气歧管压力、增压压力和发动机转速，另外，涡轮增压汽油机气路协调控制的控制量U包括进气歧管压力、增压压力。
S2：以最小化进气歧管压力、增压压力的期望偏差及执行机构节气门开度、旁通阀开度的变化为目标搭建目标函数。
本实施例中，目标函数为：
Figure BDA0003000434910000061
其中，N为预测步长，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，
Figure BDA0003000434910000062
为第k+1时刻状态量期望值。
S3：建立预测模型和目标函数的并行计算架构，并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数。
如图3所示，为并行计算架构的图模型。模型预测控制并行计算架构中，当前步序的预测模型和目标函数的求解均完成的标志为下一步序的计算开始的标志，实现预测模型、目标函数的并行计算。本发明的步骤S3的并行计算架构中，具体地，用第N步中的预测模型和目标函数的求解均完成的标志作为第(N+1)步预测计算开始的标志，实现预测模型、目标函数的并行计算。本实施例中，具体并行计算形式如图4所示。
具体地，如图4所示，依据以上的预测模型和目标函数，结合图模型的思想，可以绘制如下的涡轮增压汽油机气路协调系统的模型预测控制并行计算图模型，其中f为预测模块，J为待优化的目标函数，具体递推关系如下式：
Figure BDA0003000434910000071
p(k+1|k)＝f(p(k|k)，u(k|k)，Nen)
Figure BDA0003000434910000072
p(k+2|k)＝f(p(k+1|k)，u(k+1|k)，Nen)
Figure BDA0003000434910000073
Figure BDA0003000434910000074
p(k+N|k)＝f(p(k+N+1|k)，u(k+N-1|k)，Nen
Figure BDA0003000434910000075
其中，J为待优化的目标函数，f为预测模型，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，Nen为发动机转速，u(k+i|k)为第k时刻中第i步时的控制量预测值，
Figure BDA0003000434910000076
为第k+1时刻状态量期望值。
如图5所示，本实施例中根据汽油机气路预测模型计算图和现有的硬件并行技术(多核、多线程等)，以多核MCU为例，构建如图5的汽油机气路预测模型并行计算架构。
S4：采用反向传播的方式求解计算梯度，利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制。
由于涡轮增压汽油机气路协调系统的模型预测控制是控制时域内存在(2×N)个控制量，2个输出变量的控制模型，所以，正向求解需要遍历全部节点(2×N)次才能计算出目标函数对各输入量的偏导数，而反向求解只需要遍历全部节点两次便可计算出目标函数对各输入量的偏导数，可以缩短梯度求解时间，提高优化模型的实时性。
相应的，步骤S4具体包括：
S41：搭建多个存储单元，每个存储单元内存储相关计算偏导数。
本发明中，依据上述的前向计算过程，编写计算程序。搭建的每一节点对应单片机的一个存储单元，包含节气门开度值uth(k+i|k)、旁通阀开度值uw(k+i|k)、进气歧管压力预测值pi(k+i+1|k)、增压压力预测值pb(k+i+1|k)、进气歧管压力分别对节气门开度和旁通阀开度的偏导数以及增压压力分别对节气门开度和旁通阀开度的偏导数，共8个部分组成。
S42；根据各储存单元内存储的偏导数，基于反向传播获取目标函数对输入量的梯度。具体地，通过反向传播计算梯度，即把同一支路上所有节点对应存储的偏导数依次取出并相乘，把不同支路获得的结果相加，最终获得目标函数对输入量的梯度
S43：利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制，所述的控制量为：
Figure BDA0003000434910000081
其中，uth(k|k)，uth(k+1|k)…uth(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的节气门开度，uw(k|k)，uw(k+1|k)…uw(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的旁通阀开度。
步骤S43具体包括：
S431：当优化目标函数输出结果与上一步长的目标函数结果的差值小于设定值或达到限定优化次数或目标函数的变化量为零，三个条件满足其一条，则完成优化过程，且节气门开度和旁通阀开度的最优控制序列Uk *为：
Figure BDA0003000434910000082
其最优控制序列计算公式为：
Figure BDA0003000434910000083
其中，
Figure BDA0003000434910000084
为节气门开度控制矩阵，
Figure BDA0003000434910000085
为旁通阀开度控制矩阵，
Figure BDA0003000434910000086
为第k时刻第i步的期望节气门开度，
Figure BDA0003000434910000087
为为第k时刻第i步的期望旁通阀开度，J为目标函数，Δt为控制步长，
Figure BDA0003000434910000088
为上一时刻最优节气门开度，
Figure BDA0003000434910000089
为上一时刻最优旁通阀开度；
S432：将得到的最优控制序列
Figure BDA00030004349100000810
中的第一个元素
Figure BDA00030004349100000811
作为第k时刻的涡轮发动机气路协调控制中节气门开度和旁通阀开度控制量，且将第一个元素之后的元素，并在最后添加一个二维零矩阵构成的新控制序列作为第k+1时刻的涡轮发动机气路协调控制序列的初始值，即：
Figure BDA0003000434910000091
并结束第k时刻发动机进气歧管压力和增压压力的控制优化过程；
S433：重复步骤S4，完成第k+1时刻的发动机进气歧管压力和增压压力的控制优化过程，实现涡轮发动机气路实时协调控制。
根据步骤S1-S4构成本发明的涡轮增压汽油机气路协调系统的学习模型预测控制并行计算架构如图6所示。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，包括以下步骤：
S1：构建涡轮增压汽油机气路系统的进气歧管压力和增压压力的预测模型；
S2：以最小化进气歧管压力、增压压力的期望偏差及执行机构节气门开度、旁通阀开度的变化为目标搭建目标函数；
S3：建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；
S4：采用反向传播的方式求解计算梯度，利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制。
2.根据权利要求1所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的预测模型为以节气门开度、旁通阀开度、进气歧管压力、增压压力和发动机转速为输入，以进气歧管压力、增压压力为输出的预测模型。
3.根据权利要求2所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的预测模型为三层的神经网络，所述神经网络由输入层到隐含层的非线性映射关系采用高斯基函数。
4.根据权利要求1所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的目标函数为：
Figure FDA0003466854130000011
其中，N为预测步长，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，
Figure FDA0003466854130000012
为第k+1时刻状态量期望值。
5.根据权利要求1所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的步骤S3的模型预测控制并行计算架构中，当前步序的预测模型和目标函数的求解均完成的标志为下一步序的计算开始的标志，实现预测模型、目标函数的并行计算。
6.根据权利要求5所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的预测模型与目标函数的递推关系为：
Figure FDA0003466854130000021
其中，N为预测步长，J为待优化的目标函数，f为预测模型，P为终端的加权矩阵，Q为状态加权矩阵，R为控制量的加权矩阵，ΔU(k+i|k)为第k时刻中第i步时的控制量的变化量，p(k+i|k)为第k时刻中第i步时的状态量预测值，p(k+N|k)为第k时刻中第N步时的状态量预测值，Nen为发动机转速，u(k+i|k)为第k时刻中第i步时的控制量预测值，
Figure FDA0003466854130000022
为第k+1时刻状态量期望值。
7.根据权利要求1所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的步骤S4具体包括：
S41：搭建多个存储单元，每个存储单元内存储相关计算参数；
S42；根据各储存单元内存储的计算参数，基于反向传播获取目标函数对输入量的梯度；
S43：利用梯度下降法优化执行机构节气门开度和旁通阀开度的控制量，实现涡轮发动机气路实时协调控制，所述的控制量为：
Figure FDA0003466854130000023
其中，uth(k|k)，uth(k+1|k)…uth(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的节气门开度，uw(k|k)，uw(k+1|k)…uw(k+N-1|k)分别为第k时刻中第0、1、2、N-1步的旁通阀开度。
8.根据权利要求7所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，S41中所述的计算参数包括节气门开度值、旁通阀开度值、进气歧管压力预测值、增压压力预测值、进气歧管压力分别对节气门开度和旁通阀开度的偏导数以及增压压力分别对节气门开度和旁通阀开度的偏导数。
9.根据权利要求7所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述的步骤S43具体包括：
S431：当优化目标函数输出结果与上一步长的目标函数结果的差值小于设定值或达到限定优化次数或目标函数的变化量为零，三个条件满足其一条，则完成优化过程，且节气门开度和旁通阀开度的最优控制序列Uk *为：
Figure FDA0003466854130000031
其中，
Figure FDA0003466854130000032
为节气门开度控制矩阵，
Figure FDA0003466854130000033
为旁通阀开度控制矩阵，
Figure FDA0003466854130000034
为第k时刻第i步的期望节气门开度，
Figure FDA0003466854130000035
为第k时刻第i步的期望旁通阀开度；
S432：将得到的最优控制序列
Figure FDA0003466854130000036
中的第一个元素
Figure FDA0003466854130000037
作为第k时刻的涡轮发动机气路协调控制中节气门开度和旁通阀开度控制量，且将第一个元素之后的元素，并在最后添加一个二维零矩阵构成的新控制序列作为第k+1时刻的涡轮发动机气路协调控制序列的初始值U0|k+1：
Figure FDA0003466854130000038
并结束第k时刻发动机进气歧管压力和增压压力的控制优化过程；
S433：重复步骤S4，完成第k+1时刻的发动机进气歧管压力和增压压力的控制优化过程，实现涡轮发动机气路实时协调控制。
10.根据权利要求9所述的一种涡轮增压汽油机气路协调的预测控制并行计算方法，其特征在于，所述S431中最优控制序列的计算公式为：
Figure FDA0003466854130000039
其中，
Figure FDA00034668541300000310
为第k时刻第i步的期望节气门开度，
Figure FDA00034668541300000311
为第k时刻第i步的期望旁通阀开度，J为目标函数，Δt为控制步长，
Figure FDA00034668541300000312
为上一时刻的最优节气门开度，
Figure FDA0003466854130000041
为上一时刻的最优旁通阀开度。
CN202110344738.XA 2021-03-31 2021-03-31 一种涡轮增压汽油机气路协调的预测控制并行计算方法 Active CN113006954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110344738.XA CN113006954B (zh) 2021-03-31 2021-03-31 一种涡轮增压汽油机气路协调的预测控制并行计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110344738.XA CN113006954B (zh) 2021-03-31 2021-03-31 一种涡轮增压汽油机气路协调的预测控制并行计算方法

Publications (2)

Publication Number Publication Date
CN113006954A CN113006954A (zh) 2021-06-22
CN113006954B true CN113006954B (zh) 2022-06-07

Family

ID=76409505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110344738.XA Active CN113006954B (zh) 2021-03-31 2021-03-31 一种涡轮增压汽油机气路协调的预测控制并行计算方法

Country Status (1)

Country Link
CN (1) CN113006954B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101983283A (zh) * 2008-04-03 2011-03-02 欧陆汽车有限责任公司 用于对内燃机的废气涡轮增压进行控制的装置以及内燃机
JP2012021514A (ja) * 2010-07-16 2012-02-02 Denso Corp 燃料噴射制御装置
CN103711596A (zh) * 2013-12-31 2014-04-09 吉林大学 一种涡轮增压汽油机进气控制方法
CN104933215A (zh) * 2014-09-17 2015-09-23 吉林大学 涡轮增压汽油机气路系统仿真方法
CN105221275A (zh) * 2015-08-20 2016-01-06 吉林大学 基于模型辨识的涡轮增压汽油机控制系统
CN106762170A (zh) * 2015-11-23 2017-05-31 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于离散时间速率的模型预测控制方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN111608790A (zh) * 2020-03-12 2020-09-01 吉林大学 电辅助涡轮增压柴油机气路优化控制系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7991488B2 (en) * 2007-03-29 2011-08-02 Colorado State University Research Foundation Apparatus and method for use in computational fluid dynamics
US10496927B2 (en) * 2014-05-23 2019-12-03 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101983283A (zh) * 2008-04-03 2011-03-02 欧陆汽车有限责任公司 用于对内燃机的废气涡轮增压进行控制的装置以及内燃机
JP2012021514A (ja) * 2010-07-16 2012-02-02 Denso Corp 燃料噴射制御装置
CN103711596A (zh) * 2013-12-31 2014-04-09 吉林大学 一种涡轮增压汽油机进气控制方法
CN104933215A (zh) * 2014-09-17 2015-09-23 吉林大学 涡轮增压汽油机气路系统仿真方法
CN105221275A (zh) * 2015-08-20 2016-01-06 吉林大学 基于模型辨识的涡轮增压汽油机控制系统
CN106762170A (zh) * 2015-11-23 2017-05-31 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于离散时间速率的模型预测控制方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN111608790A (zh) * 2020-03-12 2020-09-01 吉林大学 电辅助涡轮增压柴油机气路优化控制系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Nonlinear model predictive controller design based on learning model for turbocharged gasoline engine of passenger vehicle;Yunfeng Hu，Huan Chen，Ping Wang，Hong Chen，Luquan Ren;《Mechanical Systems and Signal Processing》;20180901;第74-88页 *
汽油发动机中若干非线性估计与控制问题研究;胡云峰;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120915;全文 *
涡轮增压汽油机气路系统建模与非线性控制方法研究;陈欢;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20191115;全文 *
涡轮增压汽油机气路预测模型的建立与预测控制;陈欢，胡云峰，于树友，孙鹏远，陈虹;《控制理论与应用》;20170831;第34卷(第8期);第1008-1018页 *
涡轮增压汽油机进气系统建模与控制;李文嘉;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20131215;全文 *

Also Published As

Publication number Publication date
CN113006954A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
Al-Hinti et al. The effect of boost pressure on the performance characteristics of a diesel engine: A neuro-fuzzy approach
Johri et al. Optimal energy management for a hybrid vehicle using neuro-dynamic programming to consider transient engine operation
CN112241609A (zh) 柴油机NOx排放实时估计系统
Rai et al. Prediction models for performance and emissions of a dual fuel CI engine using ANFIS
CN113656892B (zh) 一种船用双燃料发动机的性能与排放实时仿真模型构建方法
CN111608790B (zh) 电辅助涡轮增压柴油机气路优化控制系统
CN113006954B (zh) 一种涡轮增压汽油机气路协调的预测控制并行计算方法
CN107269408B (zh) 柴油机优化燃烧控制器及对仿真模型控制方法
Zhou et al. Optimization of diesel engine dual-variable geometry turbocharger regulated two-stage turbocharging system based on radial basis function neural network-quantum genetic algorithm
Peng et al. A comparison of neural network-based strategies for diesel engine air handling control
Taglialatela-Scafati et al. Artificial intelligence for modeling and control of nonlinear phenomena in internal combustion engines
Boccardo et al. Development of a virtual methodology based on physical and data-driven models to optimize engine calibration
Gao et al. Injection control algorithm of diesel electronic control system based on neural network technology
CN115545503B (zh) 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统
CN114934848B (zh) 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法
Ventura et al. NLQR Control of High Pressure EGR in Diesel Engine
Ke et al. Neural network based nonlinear model predictive control for two-stage turbocharged diesel engine air-path system
Liu et al. Study on prediction model of diesel engine with regulated two-stage turbocharging system based on hybrid genetic algorithm-particle swarm optimization method at different altitudes
Uzun The effects of intercooling on performance of a turbocharged diesel engine’s specific fuel consumption with neural network
Wang et al. Turbocharger matching for non-road diesel engine based on parametric sweeping
Colin et al. Two air path observers for turbocharged SI engines with VCT
Ventura et al. Intake O 2 Concentration Estimation in a Turbocharged Diesel Engine through NOE
Zhou et al. Modeling and control of the air path system in turbocharged gasoline engine
CN114282680A (zh) 一种基于机器学习算法的车辆尾气排放预测方法及系统
Ventura et al. Recurrent Neural Network to Estimate Intake Manifold O 2 Concentration in a Diesel Engine

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