CN114839860A - 一种基于高压天然气喷射器入口压力变动监测的模糊pid燃油喷气量闭环控制方法 - Google Patents
一种基于高压天然气喷射器入口压力变动监测的模糊pid燃油喷气量闭环控制方法 Download PDFInfo
- Publication number
- CN114839860A CN114839860A CN202210376123.XA CN202210376123A CN114839860A CN 114839860 A CN114839860 A CN 114839860A CN 202210376123 A CN202210376123 A CN 202210376123A CN 114839860 A CN114839860 A CN 114839860A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- pressure
- pid
- fuzzy
- injection amount
- 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.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 238000002347 injection Methods 0.000 title claims abstract description 91
- 239000007924 injection Substances 0.000 title claims abstract description 91
- 239000003345 natural gas Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 239000000446 fuel Substances 0.000 title description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 239000007789 gas Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000002485 combustion reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- Y02T10/30—Use of alternative fuels, e.g. biofuels
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法。本发明涉及动力能源技术领域，本发明通过数据采集卡对高压天然气喷射器入口压力进行采集，得到入口压力变动数据；对入口压力变动数据进行神经网络训练，确定压力变动与天然气喷气量关系，对天然气喷气量进行预测；采用模糊自适应PID控制，根据天然气喷气量预测结果对喷气量进行控制。本发明克服了喷气规律测量的不便性，通过压力变动能够准确的测量喷气量，从而对喷射器喷射进行控制，提高发动机热效率，解决无法实现天然气喷气量在线控制等问题。
Description
技术领域
本发明涉及动力能源技术领域，是一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法。
背景技术
在发动机发展进程中，燃料燃烧是不能绕开的话题，不同的燃料所取得的热效率以及对环境的危害程度有着差异。天然气作为一种理想的清洁燃料具有低碳氢比和可再生的优势，目前是内燃机主要的替代燃料之一。对不同替代比的天然气热效率进行研究是个重点，一般常用的高压天然气喷射器并不能自主的实现喷气量的调控，本文针对实现喷气量的闭环控制采用的神经网络模型的输入为喷射器入口压力信号及其导数信号，输出为喷气量。之后采用模糊PID 进行喷气量闭环控制，通过模糊PID算法的输出来改变喷射器的喷气脉宽，实现对喷气量的控制。
整体发动机运行过程中要保持燃料的混合程度，不同燃料稀释度会导致对应的燃烧状态不同，可能会造成燃烧完整程度的改变。本发明有利于使得燃料混合量达到要求的浓度，使得火焰燃烧阶段以及相应燃烧程度能被人为的进行操作以及控制，这对于实验的进行有很大的帮助。在通过压力测量天然气喷气量过程中，可以通过神经网络对压力以及天然气喷气量进行训练，从而从喷射器入口压力可以得知天然气喷气量。同样对于天然气喷射器的喷气量的控制，为达到一定的精度，可以采用反馈控制，能有效抑制外界与内部扰动对喷气量产生的影响，使得喷气量更加准确。同时模糊PID的方式保证整体系统有着高适应性以及便捷等优点，能够实现自动调节，目前模糊PID的应用范围很广泛，在发动机燃烧过程中也有大量应用。
本文中分析实现要求所需的基本问题，重点针对问题进行解决。从实现高压天然气喷射入口压力变动检测，训练通过天然气喷射入口处压力得出天然气喷气量的神经网络模型以及模糊PID控制三个方向着手，可以得出基于高压天然气的闭环控制主要存在以下三个问题。一是通过合适的方法对天然气喷射器入口压力变动进行检测。二是如何通过检测出的压力得出天然气喷气量，三是如何通过模糊PID进行喷气量的闭环控制。
发明内容
本发明为克服喷气规律测量的不便性，通过压力变动能够准确的测量喷气量，从而对喷射器喷射进行控制，实现发动机内燃料空燃比，提高发动机热效率，解决无法实现天然气喷气量在线控制等问题，本发明提供了一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，本发明提供了以下技术方案：
一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，所述方法包括以下步骤：
步骤1：通过数据采集卡对高压天然气喷射器入口压力进行采集，得到入口压力变动数据；
步骤2：对入口压力变动数据提取特征点，进行神经网络训练，确定压力变动与天然气喷气量关系，对天然气喷气量进行预测；
步骤3：采用模糊自适应PID控制，根据天然气喷气量预测结果对喷气量进行控制。
优选地，所述步骤1具体为：
在高压天然气喷射器的高压天然气的入口处安装高响应压力传感器，并在压力传感器后通过电荷放大器进行传感器信号电荷-电压转换，用数据采集卡对入口压力进行采集，得到入口压力变动数据。
优选地，所述步骤2具体为：
整体过程中，输入向量为压力P以及压力变化ΔP，即
x＝(P,ΔP)T
将两个输入向量带入神经网络，经过隐含层的函数处理。
该神经网络有两个输入节点，N个隐节点，一个输出节点，隐含层节点的选取通过相关文献中基于两个输入点与一个输出点的相关数据知，当隐节点数选取10时，相关的模型均方根误差及其绝对误差界满足误差范围要求。同样，隐含层节点数选10时能满足整体神经网络快速运行，该神经网络设置隐含层节点数为10。相关的隐节点处激活函数采用高斯径向基函数，即：
其中R(xp-ci)为隐含层第i个节点，σ0为基函数的方差，xp＝(xp1，xp2，…，xpn)为输入样本；ci为隐含层第i个节点的基函数中心。
输出层神经元采用线性激活函数：
输入过程中y为输出层节点的实际输出值，ωij为连接权值，h为隐含层的节点数，θ1为第一个输出节点的阈值。
对收集到的压力变动数据进行神经网络的训练，得出压力变动与天然气喷气量的函数关系，采用径向基函数RBF神经网络，将压力P以及压力变化ΔP作为输入，喷气量作为输出，神经网络的性能通过均方根误差(RMSE)来评估，通过下式表示均方根误差为：
优选地，所述步骤3具体为：
整定PID的初始参数，根据步骤2中得出的喷气量为初始PID算法的输入信号，天然气喷射器电磁阀的喷气脉宽ET作为输出信号，通过输入信号与输出信号进行系统辨识，并获得PID的初始参数kp，ki，kd；
根据步骤2中得出的天然气喷气量为模糊PID算法的输入信号，将此天然气喷气量与参考天然气喷气量进行对比得到误差e(t)以及de/dt，将二者作为模糊控制器的输入，进行模糊化，采取面积中心的模糊法则，再根据输出隶属度函数进行清晰化后，模糊控制器将输出PID三个参数的增量分别为Δkp，Δ ki，Δkd；
根据模糊控制器的参数，得到天然气喷射器喷射脉宽ET，并驱动喷射器进行喷射。
优选地，对喷射引起入口压力波动进行持续预测，得到下一次喷射的喷射脉宽，模糊控制对于基础PID闭环参数的调整，实现快速及准确的喷气量闭环控制。
本发明具有以下有益效果：
本发明考虑到喷射器入口压力和天然气喷气量的关系，通过神经网络对两者进行训练，从而便于从喷射器入口压力变动中获得天然气喷气量。
相比于现有的燃烧闭环控制方法，本发明在反馈信号的测量方面更具有优势，直接对天然气的喷射进行测量，并进行一定程度的矫正，压力传感器正对喷射器入口，工作环境更加舒适。同时对整体装置完整度有一定保障，相关的成本低。本发明实现了实际工况下天然气喷气量的快速闭环控制。
附图说明
图1为模糊PID控制框图；
图2为本发明流程图；
图3为神经网络结构图；
图4为实验装置图。
图5为神经网络训练模型。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
根据图1至图5所示，本发明为解决上述技术问题采取的具体优化技术方案是：本发明涉及一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法。
一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，所述方法包括以下步骤：
步骤1：通过数据采集卡对高压天然气喷射器入口压力进行采集，得到入口压力变动数据；
所述步骤1具体为：
在高压天然气喷射器的高压天然气的入口处安装高响应压力传感器，并在压力传感器后通过电荷放大器进行传感器信号电荷-电压转换，用数据采集卡对入口压力进行采集，得到入口压力变动数据。
步骤2：对入口压力变动数据进行神经网络训练，确定压力变动与天然气喷气量关系，对天然气喷气量进行预测；
所述步骤2具体为：
整体过程中，输入向量为压力P以及压力变化ΔP，即
x＝(P,ΔP)T
将两个输入向量带入神经网络，经过隐含层的函数处理。
该神经网络有两个输入节点，N个隐节点，一个输出节点，隐含层节点的选取通过相关文献中基于两个输入点与一个输出点的相关数据知，当隐节点数选取10时，相关的模型均方根误差及其绝对误差界满足误差范围要求。同样，隐含层节点数选10时能满足整体神经网络快速运行，该神经网络设置隐含层节点数为10。相关的隐节点处激活函数采用高斯径向基函数，即：
其中R(xp-ci)为隐含层第i个节点，σ0为基函数的方差，xp＝(xp1，xp2，…，xpn)为输入样本；ci为隐含层第i个节点的基函数中心。
输出层神经元采用线性激活函数：
输入过程中y为输出层节点的实际输出值，ωij为连接权值，h为隐含层的节点数，θ1为第一个输出节点的阈值。
对收集到的压力变动数据进行神经网络的训练，得出压力变动与天然气喷气量的函数关系，采用径向基函数RBF神经网络，将压力P以及压力变化ΔP作为输入，喷气量作为输出，神经网络的性能通过均方根误差(RMSE)来评估，通过下式表示均方根误差为：
相关的RMSE以及R的数值通过对样本的计算得出，该处的两项系数经过计算，将表中 65个工况点进行逐一预测，得到对应数值RMSE＝2.68mg，回归分析的决定系数R＝0.99878。
步骤3：采用模糊自适应PID控制，根据天然气喷气量预测结果对喷气量进行控制。
所述步骤3具体为：
整定PID的初始参数，根据步骤2中得出的喷气量为初始PID算法的输入信号，天然气喷射器电磁阀的喷气脉宽ET作为输出信号，通过输入信号与输出信号进行系统辨识，并获得PID的初始参数kp，ki，kd；
根据步骤2中得出的天然气喷气量为模糊PID算法的输入信号，将此天然气喷气量与参考天然气喷气量进行对比得到误差e(t)以及de/dt，将二者作为模糊控制器的输入，进行模糊化，采取面积中心的模糊法则，再根据输出隶属度函数进行清晰化后，模糊控制器将输出PID三个参数的增量分别为Δkp，Δ ki，Δkd；
根据模糊控制器的参数，得到天然气喷射器喷射脉宽ET，并驱动喷射器进行喷射。
对喷射引起入口压力波动进行持续预测，得到下一次喷射的喷射脉宽，模糊控制对于基础PID闭环参数的调整，实现快速及准确的喷气量闭环控制。
图2表明了本发明计算方法的流程图。
图3表明了本发明所采用的神经网络结构，将压力以及压力变化率当作输入，在经过相关处理后，使得喷气量作为输出，通过该神经网络可以实现对喷气量的测量。
整体过程如图4所示，对压力传感器收集压力信号，将对应压力信号传输至PXI中进行处理，通过神经网络训练求得天然气喷射器喷射的喷气量。
根据系统输入和输出数据对比喷射系统的初始值进行PID参数的确定，计算出kp,ki,kd等参数，根据计算实际喷气量与设置喷气量之间的误差以及误差变化率输入到模糊控制器中，进行迷糊化。进行面积中心的模糊法则，将输出的函数清晰化后求得三种参数的变化量，进一步处理改变喷射器的喷气脉宽，从而改变喷射器喷气量。
根据相关误差结果进行过程的循环运行，直到实现误差相关的范围，从而实现整体系统的反馈控制，实现模糊PID喷气量闭环控制算法。
以上所述仅是一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法的优选实施方式，一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。
Claims (5)
1.一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，其特征是：所述方法包括以下步骤：
步骤1：通过数据采集卡对高压天然气喷射器入口压力进行采集，得到入口压力变动数据；
步骤2：对入口压力变动数据提取特征点，进行神经网络训练，确定压力变动与天然气喷气量关系，对天然气喷气量进行预测；
步骤3：采用模糊自适应PID控制，根据天然气喷气量预测结果对喷气量进行控制。
2.根据权利要求1所述的一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，其特征是：所述步骤1具体为：
在高压天然气喷射器的高压天然气的入口处安装高响应压力传感器，并在压力传感器后通过电荷放大器进行传感器信号电荷-电压转换，用数据采集卡对入口压力进行采集，得到入口压力变动数据。
3.根据权利要求2所述的一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，其特征是：所述步骤2具体为：
整体过程中，确定输入向量为燃气喷射压力P以及压力变化ΔP：
x＝(P,ΔP)T
将两个输入向量带入神经网络，经过隐含层的函数处理；
神经网络有两个输入节点，N个隐节点，一个输出节点，隐含层节点的选取通过基于两个输入点与一个输出点的数据，当隐节点数选取10时，模型均方根误差及绝对误差界满足误差范围要求；隐含层节点数选10时满足整体神经网络运行，神经网络设置隐含层节点数为10，相关的隐节点处激活函数采用高斯径向基函数：
其中，R(xp-ci)为隐含层第i个节点，σ0为基函数的方差，xp＝(xp1，xp2，…，xpn)为输入样本；ci为隐含层第i个节点的基函数中心；
输出层神经元采用线性激活函数：
输入过程中y为输出层节点的实际输出值，ωij为连接权值，h为隐含层的节点数，θ1为第一个输出节点的阈值；
对收集到的压力变动数据进行神经网络的训练，得出压力变动与天然气喷气量的函数关系，采用径向基函数RBF神经网络，将压力P以及压力变化ΔP作为输入，喷气量作为输出，神经网络的性能通过均方根误差RMSE来评估，通过下式表示均方根误差为：
4.根据权利要求3所述的一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，其特征是：所述步骤3具体为：
整定PID的初始参数，根据步骤2中得出的喷气量为初始PID算法的输入信号，天然气喷射器电磁阀的喷气脉宽ET作为输出信号，通过输入信号与输出信号进行系统辨识，并获得PID的初始参数kp，ki，kd；
根据步骤2中得出的天然气喷气量为模糊PID算法的输入信号，将此天然气喷气量与参考天然气喷气量进行对比得到误差e(t)以及de/dt，将二者作为模糊控制器的输入，进行模糊化，采取面积中心的模糊法则，再根据输出隶属度函数进行清晰化后，模糊控制器将输出PID三个参数的增量分别为Δkp，Δki，Δkd；
根据模糊控制器的参数，得到天然气喷射器喷射脉宽ET，并驱动喷射器进行喷射。
5.根据权利要求4所述的一种基于高压天然气喷射器入口压力变动监测的模糊PID喷气量闭环控制方法，其特征是：对喷射引起入口压力波动进行持续预测，得到下一次喷射的喷射脉宽，模糊控制对于基础PID闭环参数的调整，实现快速及准确的喷气量闭环控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210376123.XA CN114839860B (zh) | 2022-04-11 | 2022-04-11 | 一种基于高压天然气喷射器入口压力变动监测的模糊pid喷气量闭环控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210376123.XA CN114839860B (zh) | 2022-04-11 | 2022-04-11 | 一种基于高压天然气喷射器入口压力变动监测的模糊pid喷气量闭环控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114839860A true CN114839860A (zh) | 2022-08-02 |
| CN114839860B CN114839860B (zh) | 2023-02-17 |
Family
ID=82563874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210376123.XA Active CN114839860B (zh) | 2022-04-11 | 2022-04-11 | 一种基于高压天然气喷射器入口压力变动监测的模糊pid喷气量闭环控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114839860B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5720266A (en) * | 1996-09-03 | 1998-02-24 | Hitachi America, Ltd., Research And Development Division | Control system for a gaseous fuel internal combustion engine utilizing PID gain scheduling parameters |
| JPH10103594A (ja) * | 1996-09-27 | 1998-04-21 | Tokico Ltd | ガス供給装置 |
| CN106461216A (zh) * | 2014-01-21 | 2017-02-22 | 埃克森美孚上游研究公司 | 控制燃气涡轮发动机的系统和方法 |
| CN106483850A (zh) * | 2016-11-23 | 2017-03-08 | 沈阳航天新光集团有限公司 | 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法 |
| CN106704012A (zh) * | 2017-01-10 | 2017-05-24 | 长安大学 | 甲醇‑柴油双燃料发动机控制系统和方法 |
| CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
| CN107807530A (zh) * | 2017-11-30 | 2018-03-16 | 黄力 | 一种基于智能模糊神经网络算法的压力机pid控制系统 |
| CN113464290A (zh) * | 2021-06-28 | 2021-10-01 | 航天时代飞鸿技术有限公司 | 一种航空活塞发动机增压自适应控制方法及系统 |
| CN113756945A (zh) * | 2021-09-30 | 2021-12-07 | 天津大学 | 一种适用于多种燃气源的发电用内燃机自适应控制方法 |
-
2022
- 2022-04-11 CN CN202210376123.XA patent/CN114839860B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5720266A (en) * | 1996-09-03 | 1998-02-24 | Hitachi America, Ltd., Research And Development Division | Control system for a gaseous fuel internal combustion engine utilizing PID gain scheduling parameters |
| JPH10103594A (ja) * | 1996-09-27 | 1998-04-21 | Tokico Ltd | ガス供給装置 |
| CN106461216A (zh) * | 2014-01-21 | 2017-02-22 | 埃克森美孚上游研究公司 | 控制燃气涡轮发动机的系统和方法 |
| CN106483850A (zh) * | 2016-11-23 | 2017-03-08 | 沈阳航天新光集团有限公司 | 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法 |
| CN106704012A (zh) * | 2017-01-10 | 2017-05-24 | 长安大学 | 甲醇‑柴油双燃料发动机控制系统和方法 |
| CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
| CN107807530A (zh) * | 2017-11-30 | 2018-03-16 | 黄力 | 一种基于智能模糊神经网络算法的压力机pid控制系统 |
| CN113464290A (zh) * | 2021-06-28 | 2021-10-01 | 航天时代飞鸿技术有限公司 | 一种航空活塞发动机增压自适应控制方法及系统 |
| CN113756945A (zh) * | 2021-09-30 | 2021-12-07 | 天津大学 | 一种适用于多种燃气源的发电用内燃机自适应控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| YIXUAN WANG ET AL.: "Predictive control of air-fuel ratio in aircraft engine on fuel-powered unmanned aerial vehicle using fuzzy-RBF neural network", 《ELSEVIER》 * |
| 任金霞等: "基于ＲBF神经网络的电喷天然气发动机空燃比控制", 《小型内燃机与摩托车》 * |
| 陈德海等: "基于模糊PID的天然气发动机燃气喷射控制", 《小型内燃机与摩托车》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114839860B (zh) | 2023-02-17 |
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 | |
| EP1705353B1 (en) | Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine | |
| CN101965447B (zh) | 用于柴油发动机的燃料控制系统 | |
| CN106762182B (zh) | 汽油发动机瞬态空燃比的控制方法及系统 | |
| CN110618610A (zh) | 基于LSTM深度学习的燃机NOx超标预警方法与装置 | |
| 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 | |
| CN109184932A (zh) | 高速汽油发动机瞬态工况空燃比的控制方法 | |
| CN103732895A (zh) | 滑模控制器和内燃机系统控制装置 | |
| CN114839860B (zh) | 一种基于高压天然气喷射器入口压力变动监测的模糊pid喷气量闭环控制方法 | |
| Zhang | An estimation method of the fuel mass injected in large injections in Common-Rail diesel engines based on system identification using artificial neural network | |
| CN104153896A (zh) | 一种用于发动机egr阀开度的控制系统及控制方法 | |
| SE509805C2 (sv) | Metod och system för reglering av förbränningsmotorer | |
| CN102656530B (zh) | 用于实施随车诊断的方法和装置 | |
| 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 | |
| CN106321265A (zh) | 一种对掺混燃油中生物柴油含量鉴定方法及系统 | |
| 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 | |
| CN110736526A (zh) | 一种液氧煤油发动机用高温气体流量计校准装置及方法 | |
| CN114187976B (zh) | 一种基于实时测量数据的氧量预测方法 | |
| 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 | |
| CN102855344A (zh) | 一种仿真实现宽域氧传感器算法验证及参数优化的方法 | |
| CN106285967B (zh) | 燃气发电机组实现功率最大化的空燃比自动控制方法 | |
| US20040193361A1 (en) | Method of operating an internal combustion engine | |
| 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 | |
| Sangha et al. | Robustness assessment and adaptive FDI for car engine | |
| Bedei et al. | Ion Current Based Data Driven Control of HCCI-the Key to Improve Pressure Based Control Strategies? |
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 |