CN114810404A - 一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 - Google Patents
一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 Download PDFInfo
- Publication number
- CN114810404A CN114810404A CN202210374410.7A CN202210374410A CN114810404A CN 114810404 A CN114810404 A CN 114810404A CN 202210374410 A CN202210374410 A CN 202210374410A CN 114810404 A CN114810404 A CN 114810404A
- Authority
- CN
- China
- Prior art keywords
- gas
- pressure
- mpc
- closed
- control method
- 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.)
- Pending
Links
- 238000002347 injection Methods 0.000 title claims abstract description 128
- 239000007924 injection Substances 0.000 title claims abstract description 128
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 239000003345 natural gas Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000007789 gas Substances 0.000 claims abstract description 83
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000002485 combustion reaction Methods 0.000 description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
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
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
-
- 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
-
- 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
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
- F02D41/3809—Common rail control systems
-
- 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
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
- F02D41/40—Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
-
- 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
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- 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
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
- F02D2041/389—Controlling fuel injection of the high pressure type for injecting directly into the cylinder
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法。安装设备，并调试；采集燃气喷射器(5)进气口的压力传感器(4)的压力信号；将采集到的压力信号经过电荷放大器(7)放大并传递给PXI(8)；基于设备，通过IPOD(6)采集燃气喷射器(5)的传感器信号传送给实时处理器PXI；实时处理器PXI提取入口压力信号的最大跌落值ΔP，并将喷射压力Pinj和最大跌落值ΔP一同作为输入传送给在线喷气量神经网络模型，得到在线喷气量mcyc；将经过计算的喷气量minj作为MPC控制子系统输入，通过输出喷气脉宽，以实现控制燃气喷射器喷射量。本发明用以解决现有技术难以实现对于喷射质量的精确控制，致使测量结果不精确的问题。
Description
技术领域
本发明具体涉及一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法。
背景技术
天然气是较为安全的燃气之一。使用天然气可减少煤和石油的用量，能够有效改善环境污染问题；同时，天然气是一种清洁能源，能减少二氧化硫和粉尘排放量近100％，减少二氧化碳排放量60％和氮氧化合物排放量50％，并有助于减少酸雨形成，减缓地球温室效应，从根本上改善环境质量。
传统预混燃烧天然气发动机受到爆震极限和过程损失等各方面的影响，其效率明显低于同等排量的柴油发动机。高压天然气缸内直喷发动机(HPDI)采用缸内扩散燃烧模式，消除了预混燃烧模式下潜在的爆震影响，因此可采用与同级柴油机相同的压缩比。在与柴油能发动机相同的动力性能条件下，缸内直喷技术使天然气发动机具有良好的经济性和排放性能，致使其成为当前研究的重点。缸内直喷发动机技术通过调节天然气喷射质量来调节负荷，扩散燃烧过程也在很大程度上取决于燃气喷射过程，然而，柴油-天然气耦合喷射过程的复杂性对HPDI技术的发展提出了新的挑战。
现有技术中难以实现对于喷射质量的精确控制，致使测量结果不精确。
发明内容
本发明提供一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，用以解决现有技术难以实现对于喷射质量的精确控制，致使测量结果不精确的问题。
本发明通过以下技术方案实现：
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述控制方法具体包括如下步骤：
步骤1：安装设备，并调试；
步骤2：基于步骤1的设备，采集燃气喷射器5进气口的压力传感器4的压力信号；
步骤3：将步骤2采集到的压力信号经过电荷放大器7放大并传递给PXI8；
步骤4：基于步骤1的设备，通过IPOD6采集燃气喷射器5的传感器信号传送给实时处理器PXI；
步骤5：实时处理器PXI提取入口压力信号的最大跌落值ΔP，并将喷射压力Pinj和最大跌落值ΔP一同作为输入传送给在线喷气量神经网络模型，得到在线喷气量mcyc；
步骤6：将步骤5经过计算的喷气量minj作为MPC控制子系统输入，通过输出喷气脉宽，以实现控制燃气喷射器喷射量。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤1具体包括气源1、压气机2、高压气轨3、压力传感器4、燃气喷射器5、驱动电流发生器IPOD6、电荷放大器7、实时处理器PXI8、轨压控制器9和上位机10；
所述气源1依次通过压气机2、高压气轨3和压力传感器4向燃气喷射器5发送经过压缩的高压燃气；
所述压力传感器4与电荷放大器7相连接，所述燃气喷射器5与驱动电流发生器IPOD6通过ET相连接，所述电荷放大器7与驱动电流发生器IPOD6分别与实时处理器PXI8相连接，所述高压气轨3和上位机10均与轨压控制器9相连接，所述实时处理器PXI8与上位机10相连接。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5中在线喷气量神经网络模型包括以下步骤：
步骤5.1：对输入和输出的数据集Z-core进行标准化处理；
步骤5.2：基于步骤5.1的数据集Z-core进行随机划分；
步骤5.3：建立MLP神经网络结构；
步骤5.4：将步骤5.3的MLP神经网络结构，进行阈值权值初始化；
步骤5.5：基于步骤5.4的MLP神经网络结构，对训练集的输入和输出参数进行训练；
步骤5.6：使用MLP神经网络结构对测试集的输入参数进行预测；
步骤5.7：将预测值与真实值进行反归一处理，计算误差MAE；若计算误差小于1％，则模型训练完成。
计算误差MAE：
式中：n、yi、
分别代表测试集数据数量、第i行真实值和第i行测试值。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.1具体为，
实验数据集的参数有三个，两个输入参数Pinj及ΔP，一个输出参数为minj。从原始数据组中提取标准差和均值。将数据处理为符合正态分布的数据集，其平均值为1，有利于减小因数据差异太大而导致的结果误差，转化函数为：
其中，μ表示各个参数的均值，σ代表的相关参数的标准差。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.2具体为，MLP神经网络模型包括输入层、隐藏层和输出层；输入神经元分别为燃气喷射压力Pinj以及压力最大跌落值ΔP；输出神经元为喷气量m；隐藏层的层数通过以下公式进行确认：
b＝2a+1
b为隐藏层神经元个数，a为输入神经元个数；隐藏层以及输出层的激活函数均设置为sigmoid函数：
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.3具体为，
偏移量b1设置为1，从输入层到隐藏层的权值矩阵为：
偏移量b1设置为2，从隐藏层到输出层的权值矩阵为：
W′＝(W0 W1 W2 W3 W4)
隐藏层激活函数的阈值矩阵为：
σ＝(σ0 σ1 σ2 σ3 σ4)
输出层激活函数的阈值为σ′。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6具体包括以下步骤：
步骤6.1：引入状态空间模型；
步骤6.2：基于步骤6.1的状态模型进行预测方程；
步骤6.3：求解步骤6.2的预测方程的第一个输出变量；
步骤6.4：将步骤6.3的第一个输出变量传输到数据输出卡，IPOD产生激励电流驱动电磁阀动作，燃气喷射器进行喷气。
1引入状态空间模型：
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量。通过MATLAB系统识别得到C，Du和Dd。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6.1引入状态空间模型具体为，
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量；通过MATLAB系统识别得到C，Du和Dd。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6.2进行预测方程具体为，
Δx(k+1)＝CΔx(k)+DuΔu(k)+DdΔd(k)
将y(k)＝Ex(k)与x(k)＝x(k-1)+Δx(k)与之合并后得到
y(k)＝EΔx(k)+yc(k-1)
以最新测量值为初始条件，预测时域为p，控制时域为n，并且有以下两个假设：
1.Δu(k+i)＝0，i＝n，n+1，...，p-1
2.Δd(k+i)＝0，i＝1，2，...，p-1
则
Δx(k+n|k)＝CnΔx(k)+Cn-1DuΔu(k)+Cn-2DuΔu(k+1)+...+DuΔu(k+n-1)+Cn-1Ddd(k)
Δx(k+p|k)＝CpΔx(k)+Cp-1DuΔu(k)+Cp-2DuΔu(k+1)+...+Cp-nDuΔu(k+n-1)+Cp- 1DdΔd(k)
进一步可得
定义两个新向量
由此预测p输出
Yp(k+1|k)＝WxΔx(k)+Lyc(k)+WdΔd(k)+WuΔU(k)
对于优化问题，考虑输出跟踪上参考输入和尽可能减少控制幅度，选择以下目标函数：
J(x(k)，ΔU(k)，n，p)＝||Γy(Yp(k+1|k)-R(k+1))||2+||ΓuΔU(k)||2
其中：Γy＝diag(Γy，1，Γy，2，...，Γy，p)，Γu＝diag(Γu，1，Γu，2，...，Γu，p)
定义一个辅助变量
代入预测方程，可得
最优控制序列为：
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6.3求解预测方程的第一个输出变量具体为，首先定义
因此
Δu(k)＝KmpcQp(k+1|k)。
本发明的有益效果是：
本发明进行在线观察，该结果一方面可以作为喷射质量闭环控制的反馈信息，保证控制的准确性，另一方面也可以作为喷射器全寿命健康状态的评价指标。
本发明提高了燃气喷射的可抗干扰性，提高了系统的鲁棒性。
本发明在MPC基础上的闭环控制，实现对喷气质量更精确的反馈和提高系统的响应性。
本发明区别于MAP标定的喷气量闭环控制方式，该方式可显著提高系统的稳定性和鲁棒性。
附图说明
图1是本发明的试验台结构示意图。
图2是本发明的MLP神经网络结构示意图。
图3是本发明的神经网络训练流程图。
图4是本发明的喷气量控制框图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种基于高压天然气缸内直喷发动机的在线感知控制系统、MPC策略、基于MPC的闭环控制方法。
喷射器最重要的量化特性是不同条件下的喷射质量。在相同的喷射压力下，不同激励时间下的喷射质量变化特征可为发动机ECU负载变化时的喷射质量变化规律提供参考。相同激励时间下不同压力下的喷射状态可以评价喷射效率提高的空间，但由于实际发动机与喷射器离线标定试验平台的环境差异，两种工况下的喷射特性会有所不同，这直接导致喷射器标定MAP难以反映实际喷射器的喷气质量。因此，有必要进行在线观察，该结果一方面可以作为喷射质量闭环控制的反馈信息，保证控制的准确性，另一方面也可以作为喷射器全寿命健康状态的评价指标。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述控制方法具体包括如下步骤：
步骤1：安装设备，并调试；
步骤2：基于步骤1的设备，采集燃气喷射器5进气口的压力传感器4的压力信号；
步骤3：将步骤2采集到的压力信号经过电荷放大器7放大并传递给PXI8；
步骤4：基于步骤1的设备，通过IPOD6采集燃气喷射器5的传感器信号传送给实时处理器PXI；
步骤5：实时处理器PXI提取入口压力信号的最大跌落值ΔP，并将喷射压力Pinj和最大跌落值ΔP一同作为输入传送给在线喷气量神经网络模型，得到在线喷气量mcyc；
步骤6：将步骤5经过计算的喷气量minj作为MPC控制子系统输入，通过输出喷气脉宽，以实现控制燃气喷射器喷射量。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤1具体包括气源1、压气机2、高压气轨3、压力传感器4、燃气喷射器5、驱动电流发生器IPOD6、电荷放大器7、实时处理器PXI8、轨压控制器9和上位机10；
所述气源1依次通过压气机2、高压气轨3和压力传感器4向燃气喷射器5发送经过压缩的高压燃气；
所述压力传感器4与电荷放大器7相连接，所述燃气喷射器5与驱动电流发生器IPOD6通过ET相连接，所述电荷放大器7与驱动电流发生器IPOD6分别与实时处理器PXI8相连接，所述高压气轨3和上位机10均与轨压控制器9相连接，所述实时处理器PXI8与上位机10相连接。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5中在线喷气量神经网络模型包括以下步骤：
步骤5.1：对输入和输出的数据集Z-core进行标准化处理；
步骤5.2：基于步骤5.1的数据集Z-core进行随机划分；将20％的离线测试数据燃气喷射压力Pinj、压力最大跌落值ΔP以及喷气量minj作为测试集，80％的数据集作为训练模型的训练集。最后再选取100次喷气的数据对MLP模型预测效果进行验证；
步骤5.3：建立MLP神经网络结构；
步骤5.4：将步骤5.3的MLP神经网络结构，进行阈值权值初始化；
步骤5.5：基于步骤5.4的MLP神经网络结构，对训练集的输入和输出参数进行训练；
步骤5.6：使用MLP神经网络结构对测试集的输入参数进行预测；
步骤5.7：将预测值与真实值进行反归一处理，计算误差MAE；若计算误差小于1％，则模型训练完成。
计算误差MAE：
式中：n、yi、
分别代表测试集数据数量、第i行真实值和第i行测试值。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.1具体为，
实验数据集的参数有三个，两个输入参数Pinj及ΔP，一个输出参数为minj。从原始数据组中提取标准差和均值。将数据处理为符合正态分布的数据集，其平均值为1，有利于减小因数据差异太大而导致的结果误差，转化函数为：
其中，μ表示各个参数的均值，σ代表的相关参数的标准差。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.2具体为，MLP神经网络模型包括输入层、隐藏层和输出层；输入神经元分别为燃气喷射压力Pinj以及压力最大跌落值ΔP；输出神经元为喷气量m；隐藏层的层数通过以下公式进行确认：
b＝2a+1
b为隐藏层神经元个数，a为输入神经元个数；因此本发明的隐藏层的神经元个数设置为5；隐藏层以及输出层的激活函数均设置为sigmoid函数：
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤5.3具体为，
偏移量b1设置为1，从输入层到隐藏层的权值矩阵为：
偏移量b1设置为2，从隐藏层到输出层的权值矩阵为：
W′＝(W0 W1 W2 W3 W4)
隐藏层激活函数的阈值矩阵为：
σ＝(σ0 σ1 σ2 σ3 σ4)
输出层激活函数的阈值为σ′。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6具体包括以下步骤：
步骤6.1：引入状态空间模型；
步骤6.2：基于步骤6.1的状态模型进行预测方程；
步骤6.3：求解步骤6.2的预测方程的第一个输出变量；
步骤6.4：将步骤6.3的第一个输出变量传输到数据输出卡，IPOD产生激励电流驱动电磁阀动作，燃气喷射器进行喷气。
1引入状态空间模型：
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量。通过MATLAB系统识别得到C，Du和Dd。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6.1引入状态空间模型具体为，
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量；通过MATLAB系统识别得到C，Du和Dd。
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，所述步骤6.2进行预测方程具体为，
Δx(k+1)＝CΔx(k)+DuΔu(k)+DdΔd(k)
将y(k)＝Ex(k)与x(k)＝x(k-1)+Δx(k)与之合并后得到
y(k)＝EΔx(k)+yc(k-1)
以最新测量值为初始条件，预测时域为p，控制时域为n，并且有以下两个假设：
1.Δu(k+i)＝0，i＝n，n+1，...，p-1
2.Δd(k+i)＝0，i＝1，2，...，p-1
则
Δx(k+n|k)＝CnΔx(k)+Cn-1DuΔu(k)+Cn-2DuΔu(k+1)+...+DuΔu(k+n-1)+Cn-1Ddd(k)
Δx(k+p|k)＝CpΔx(k)+Cp-1DuΔu(k)+Cp-2DuΔu(k+1)+...+Cp-nDuΔu(k+n-1)+Cp- 1DdΔd(k)
进一步可得
定义两个新向量
由此预测p输出
Yp(k+1|k)＝WxΔx(k)+Lyc(k)+WdΔd(k)+WuΔU(k)
对于优化问题，考虑输出跟踪上参考输入和尽可能减少控制幅度，选择以下目标函数：
J(x(k)，ΔU(k)，n，p)＝||Γy(Yp(k+1|k)-R(k+1))||2+||ΓuΔU(k)||2
其中：Γy＝diag(Γy，1，Γy，2，...，Γy，p)，Γu＝diag(Γu，1，Γu，2，...，Γu，p)
定义一个辅助变量
代入预测方程，可得
最优控制序列为：
一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，
所述步骤6.3求解预测方程的第一个输出变量具体为，首先定义
因此
Δu(k)＝KmpcQp(k+1|k)。
Claims (10)
1.一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述控制方法具体包括如下步骤：
步骤1：安装设备，并调试；
步骤2：基于步骤1的设备，采集燃气喷射器(5)进气口的压力传感器(4)的压力信号；
步骤3：将步骤2采集到的压力信号经过电荷放大器(7)放大并传递给PXI(8)；
步骤4：基于步骤1的设备，通过IPOD(6)采集燃气喷射器(5)的传感器信号传送给实时处理器PXI；
步骤5：实时处理器PXI提取入口压力信号的最大跌落值ΔP，并将喷射压力Pinj和最大跌落值ΔP一同作为输入传送给在线喷气量神经网络模型，得到在线喷气量mcyc；
步骤6：将步骤5经过计算的喷气量minj作为MPC控制子系统输入，通过输出喷气脉宽，以实现控制燃气喷射器喷射量。
2.根据权利要求1所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤1具体包括气源(1)、压气机(2)、高压气轨(3)、压力传感器(4)、燃气喷射器(5)、驱动电流发生器IPOD(6)、电荷放大器(7)、实时处理器PXI(8)、轨压控制器(9)和上位机(10)；
所述气源(1)依次通过压气机(2)、高压气轨(3)和压力传感器(4)向燃气喷射器(5)发送经过压缩的高压燃气；
所述压力传感器(4)与电荷放大器(7)相连接，所述燃气喷射器(5)与驱动电流发生器IPOD(6)通过ET相连接，所述电荷放大器(7)与驱动电流发生器IPOD(6)分别与实时处理器PXI(8)相连接，所述高压气轨(3)和上位机(10)均与轨压控制器(9)相连接，所述实时处理器PXI(8)与上位机(10)相连接。
3.根据权利要求1所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤5中在线喷气量神经网络模型包括以下步骤：
步骤5.1：对输入和输出的数据集Z-core进行标准化处理；
步骤5.2：基于步骤5.1的数据集Z-core进行随机划分；
步骤5.3：建立MLP神经网络结构；
步骤5.4：将步骤5.3的MLP神经网络结构，进行阈值权值初始化；
步骤5.5：基于步骤5.4的MLP神经网络结构，对训练集的输入和输出参数进行训练；
步骤5.6：使用MLP神经网络结构对测试集的输入参数进行预测；
步骤5.7：将预测值与真实值进行反归一处理，计算误差MAE；若计算误差小于1％，则模型训练完成。
计算误差MAE：
式中：n、yi、
分别代表测试集数据数量、第i行真实值和第i行测试值。
4.根据权利要求3所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤5.1具体为，
实验数据集的参数有三个，两个输入参数Pinj及ΔP，一个输出参数为minj。从原始数据组中提取标准差和均值。将数据处理为符合正态分布的数据集，其平均值为1，有利于减小因数据差异太大而导致的结果误差，转化函数为：
其中，μ表示各个参数的均值，σ代表的相关参数的标准差。
5.根据权利要求3所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤5.2具体为，MLP神经网络模型包括输入层、隐藏层和输出层；输入神经元分别为燃气喷射压力Pinj以及压力最大跌落值ΔP；输出神经元为喷气量m；隐藏层的层数通过以下公式进行确认：
b＝2a+1
b为隐藏层神经元个数，a为输入神经元个数；隐藏层以及输出层的激活函数均设置为sigmoid函数：
6.根据权利要求3所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤5.3具体为，
偏移量b1设置为1，从输入层到隐藏层的权值矩阵为：
偏移量b1设置为2，从隐藏层到输出层的权值矩阵为：
W′＝(W0 W1 W2 W3 W4)
隐藏层激活函数的阈值矩阵为：
σ＝(σ0 σ1 σ2 σ3 σ4)
输出层激活函数的阈值为σ′。
7.根据权利要求3所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤6具体包括以下步骤：
步骤6.1：引入状态空间模型；
步骤6.2：基于步骤6.1的状态模型进行预测方程；
步骤6.3：求解步骤6.2的预测方程的第一个输出变量；
步骤6.4：将步骤6.3的第一个输出变量传输到数据输出卡，IPOD产生激励电流驱动电磁阀动作，燃气喷射器进行喷气。
(1)引入状态空间模型：
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量。通过MATLAB系统识别得到C，Du和Dd。
8.根据权利要求1所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤6.1引入状态空间模型具体为，
其中x(k)为系统内部状态变量；C为系统矩阵；Du为控制输入矩阵；u(k)为控制输入变量；Dd为外部干扰输入矩阵；d(k)为可测外部干扰变量；通过MATLAB系统识别得到C，Du和Dd。
9.根据权利要求8所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤6.2进行预测方程具体为，
Δx(k+1)＝CΔx(k)+DuΔu(k)+DdΔd(k)
将y(k)＝Ex(k)与x(k)＝x(k-1)+Δx(k)与之合并后得到
y(k)＝EΔx(k)+yc(k-1)
以最新测量值为初始条件，预测时域为p，控制时域为n，并且有以下两个假设：
1.Δu(k+i)＝0，i＝n，n+1，...，p-1
2.Δd(k+i)＝0，i＝1，2，...，p-1
则
Δx(k+n|k)＝CnΔx(k)+Cn-1DuΔu(k)+Cn-2DuΔu(k+1)+...+DuΔu(k+n-1)+Cn-1Ddd(k)
Δx(k+p|k)＝CpΔx(k)+Cp-1DuΔu(k)+Cp-2DuΔu(k+1)+...+Cp-nDuΔu(k+n-1)+Cp-1DdΔd(k)
进一步可得
定义两个新向量
由此预测p输出
对于优化问题，考虑输出跟踪上参考输入和尽可能减少控制幅度，选择以下目标函数：
J(x(k)，ΔU(k)，n，p)＝||Γy(Yp(k+1|k)-R(k+1))||2+||ΓuΔU(k)||2
其中：Γy＝diag(Γy，1，Γy，2，...，Γy，p)，Γu＝diag(Γu，1，Γu，2，...，Γu，p)
定义一个辅助变量
代入预测方程，可得
最优控制序列为：
10.根据权利要求8所述一种基于在线感知的高压天然气缸内直喷发动机喷气量MPC闭环控制方法，其特征在于，所述步骤6.3求解预测方程的第一个输出变量具体为，首先定义
因此
Δu(k)＝KmpcQp(k+1|k)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374410.7A CN114810404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374410.7A CN114810404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114810404A true CN114810404A (zh) | 2022-07-29 |
Family
ID=82534089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210374410.7A Pending CN114810404A (zh) | 2022-04-11 | 2022-04-11 | 一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114810404A (zh) |
-
2022
- 2022-04-11 CN CN202210374410.7A patent/CN114810404A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| QUAN DONG等: "《Investigation on online perception method of gas injection characteristics for the high-pressure natural gas direct injection engine》", 《INVESTIGATION ON ONLINE PERCEPTION METHOD OF GAS INJECTION CHARACTERISTICS FOR THE HIGH-PRESSURE NATURAL GAS DIRECT INJECTION ENGINE》 * |
| 倪小峰等: "《基于MLP神经网络的铝电解槽出铝量预测》", 《基于MLP神经网络的铝电解槽出铝量预测》 * |
| 陈超: "《状态空间模型的快速预测控制算法研究》", 《状态空间模型的快速预测控制算法研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10991174B2 (en) | Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system | |
| Desantes et al. | Application of neural networks for prediction and optimization of exhaust emissions in a HD diesel engine | |
| Shen et al. | Gaussian mixture model clustering-based knock threshold learning in automotive engines | |
| CN112241609A (zh) | 柴油机NOx排放实时估计系统 | |
| CN111337258B (zh) | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 | |
| US20220261655A1 (en) | Real-time prediction method for engine emission | |
| CN107476903A (zh) | 一种增压柴油机egr性能评估及最佳egr率确定方法 | |
| CN107203832A (zh) | 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法 | |
| Cervantes-Bobadilla et al. | Experimental implementation of a new control approach using an inverse neural network to on-demand hydrogen production | |
| CN109376501B (zh) | 一种发电锅炉燃煤碳氧化因子在线软测量方法 | |
| CN114810404A (zh) | 一种基于在线感知的高压天然气缸内直喷发动机喷气量mpc闭环控制方法 | |
| CN114839869B (zh) | 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法 | |
| CN101424219A (zh) | 火花塞局部混合气浓度软测量方法 | |
| Betta et al. | ANN-based sensor fault accommodation techniques | |
| CN116577104A (zh) | 一种发动机故障检测方法及设备 | |
| CN114810403A (zh) | 一种基于压力信号特征快速识别的高压共轨柴油机循环喷油量在线反馈方法 | |
| CN114893315A (zh) | 一种基于在线感知为基础的高压共轨燃油喷射器燃油喷射量控制系统及其mpc闭环 | |
| Shin et al. | Application of physical model test-based long short-term memory algorithm as a virtual sensor for nitrogen oxide prediction in diesel engines | |
| Ventura et al. | Air path and combustion controls coordination in diesel engine | |
| Gu et al. | Real-time prediction of fuel consumption and emissions based on deep autoencoding support vector regression for cylinder pressure-based feedback control of marine diesel engines | |
| Henningsson et al. | Dynamic mapping of diesel engine through system identification | |
| Bertram et al. | Augmentation of an Artificial Neural Network (ANN) model with expert knowledge of critical combustion features for optimizing a compression ignition engine using multiple injections | |
| Khac et al. | Machine Learning Methods for Emissions Prediction in Combustion Engines with Multiple Cylinders | |
| CN114815584B (zh) | 一种以天然气喷射器入口压力波动为输入的循环喷气量前馈pid闭环控制方法及系统 | |
| Zhang et al. | Intelligent Fault Diagnosis of Engine Based on PCA-SOM |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220729 |
|
| RJ01 | Rejection of invention patent application after publication |