CN115478948A - 基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 - Google Patents
基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 Download PDFInfo
- Publication number
- CN115478948A CN115478948A CN202211051698.0A CN202211051698A CN115478948A CN 115478948 A CN115478948 A CN 115478948A CN 202211051698 A CN202211051698 A CN 202211051698A CN 115478948 A CN115478948 A CN 115478948A
- Authority
- CN
- China
- Prior art keywords
- control strategy
- input
- internal combustion
- combustion engine
- auxiliary track
- 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
- 238000011217 control strategy Methods 0.000 title claims abstract description 46
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 45
- 230000002787 reinforcement Effects 0.000 title claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 19
- 230000003416 augmentation Effects 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012938 design process Methods 0.000 claims 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 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
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/04—Introducing corrections for particular operating conditions
- F02D41/06—Introducing corrections for particular operating conditions for engine starting or warming up
- F02D41/062—Introducing corrections for particular operating conditions for engine starting or warming up for starting
-
- 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
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
Abstract
本发明涉及基于无模型强化学习的内燃机起动控制策略、控制系统及汽车，首先建立了内燃机起动系统框图，然后设计基于嵌入辅助轨迹的算法并应用，基于此设计了带有自适应控制器的内燃机起动系统结构，进一步更新设计了基于辅助轨迹的嵌入式神经网络算法并应用，最后给出了速度模块的方框图。本发明开发出一种不引入探测噪声的完全无模型算法，并且在内燃机起动系统的框架内保证了收敛性和稳定性，大大提高了系统的性能，改进了传统的无模型算法，并将其与强化学习算法结合起来，利用现代控制理论设计了一种具有最优自适应控制的系统，其更好地解决了内燃机起动问题。
Description
技术领域
本发明属于内燃机起动技术领域，尤其涉及基于无模型强化学习的内燃机起动控制策略、控制系统及汽车。
背景技术
随着汽车技术的发展和国家政策的促进，混合动力内燃机也迎来了新一轮的发展，在内燃机控制领域中，内燃机速度控制是其中的一个基本问题。内燃机起动结构主要由进气歧管、喷油管、气缸等几部分组成，具有结构简单、工况相对稳定的特点，这也同时表明控制策略的优劣决定着起动性能的好坏，促进了控制策略的更新与发展。
近些年来，汽车起动技术在汽车冷启动与汽车怠速控制取得了突破性的进展，目前除了精确的稳态控制研究外，滑模控制、径向基函数网络控制等控制策略也被开发出来用于汽车起动。汽车起动中瞬态控制也是一个重要问题，为了改善发动机转速的瞬态性能，学者们先后开发出多变量算法、基于MPC技术的速度跟踪控制器等基于模型的方法。同时，基于无模型强化学习方法解决速度控制问题的方法也被开发出来，这种方法不需要掌握系统的数学模型，但也有其不足之处：
(1)在动力系统控制领域，需要激励持续性来保证学习参数的收敛性，而确保系统轨迹持续激励的典型技术是引入被称作探测噪声的外源信号，若将其直接作用于输入通道，将带来不必要的振荡；
(2)该算法的优劣很大程度上取决于激活函数的选取，若选取不恰当的激活函数，将会大大延长系统收敛的时间。
发明内容
为解决上述技术问题，本发明提供一种基于无模型强化学习的内燃机起动控制策略，其加快了内燃机起动的响应时间，避免了系统的无界响应，提高了发动机转速的控制精度。
本发明通过如下技术方案实现：
一种基于无模型强化学习的内燃机起动控制策略，包括以下步骤：
步骤1、建立内燃机起动系统框图，用于确认被控系统的输入输出量及其对应关系；
步骤2、应用基于嵌入辅助轨迹的算法更新代价函数与控制策略；
所述的嵌入辅助轨迹的算法如下：
及
其中T1与T2为大于0的时间常数，且：
步骤3、应用带有自适应控制器的内燃机起动系统结构分析各个物理量之间的相互关系及算分与被控系统之间的联系；
步骤4、应用基于辅助轨迹的嵌入式神经网络算法通过迭代权重系数取代直接迭代控制策略与代价函数；
所述的基于辅助轨迹的神经网络算法如下：
其中
步骤5、设计速度模块的方框图。
进一步的，步骤1包括以下内容：
将节气门开度k、喷油量F和通过节气门的混合气体流率
(下文简称节气门后流率)设为内燃机起动系统(下文简称系统)的主要变量，其中k和F为控制量，
为上一时刻的混合气体流率。
由
可得到节气门前混合气体流率
(下文简称节气门前流率)，
若已知上一时刻的进入气缸的混合气体流率
(下文简称气缸流率)，
由
可得到歧管内压强p，
若已知上一时刻发动机转速ω，则由
可知当前气缸流率
继而可得到节气门后流率
由
可得到当前发动机转速ω。如图1所示。
进一步的，步骤2包括以下内容：
将系统输入设定为发动机转速ω与歧管内压强p，定义误差状态量
其中，ωd与pd为发动机转速与压强的设定值。
内燃机起动过程是典型的连续仿射非线性控制过程，系统满足：
其中f(x)是系统内部动力学方程，g(x)是输入量到状态量的动力学方程，u 为系统输入，令x＝[x1,x2]T。
设计一个辅助系统如下所示：
其中xa是辅助系统状态量，状态矩阵A是赫尔维茨矩阵，y是辅助系统输出，也是系统的辅助轨迹，该辅助轨迹将状态轨迹x(t)分成了两个不同的轨迹。
令增广系统的状态量X＝[xa1,xa2,x1-y1,x2-y2]，输出量Y＝[y1,y2, x1-y1,x2-y2]；则增广系统也可以表示为：
其中，
引入外部输入ua(t)，即输入通道的输入值更新为：
其中
为可迭代的控制策略，由此，增广矩阵可更新为：
由此式，联系增广系统，可以推得：
以及
以上两个式子即为更新后的基于嵌入辅助轨迹的算法，其中T1与T2为大于0 的时间常数，且：
进一步的，步骤3包括以下内容：
首先确定被控系统，即内燃机起动系统的输入与输出，根据步骤1与步骤2，确定被控系统的输入为节气门开度K与喷油量F，输出量为发动机转速ω与歧管内压强p的误差状态量x1与x2；其次确定基于嵌入辅助轨迹的算法的输入，根据步骤2，可以看出该输入为其嵌入的辅助轨迹y1、y2与x1-y1、x2-y2，此算法为反馈控制规律的核心；最后确定反馈控制规律的输入与输出，根据步骤1，确定其输入量为x1、x2，输出为更新后的控制策略μ1、μ2。如图2所示。
进一步的，步骤4包括以下内容：
将控制策略
与代价函数
用多项式来近似表示，即
其中ωi与vi分别是神经网络评价环节与表演环节的权重系数，Nc与Na 与是多项式的项数。
用此种方式近似后，可以得到控制策略与代价函数的近似误差分别为
其中，
由此可推得：
其中
以上ωi与vi的表达式即为基于辅助轨迹的神经网络算法，此方法通过迭代ωi与vi进而更新控制策略与代价函数，该算法采用递归最小二乘法来代替批处理最小二乘法，同时，该神经网络算法采用多隐藏层的形式来代替以往的单隐藏层。
进一步的，步骤5包括以下内容：
建立MAP函数，输入量设置为歧管内压强的设定值pd、节气门前流率的设定值
气缸流率的设定值
输出量设置为发动机转速的设定值ωd、节气门开度的设定值kd、喷油量的设定Fd，根据步骤3，控制算法的输入为x1、x2输出为更新后的控制策略μ1、μ2。如图3所示。
本发明还有一个目的是提供一种内燃机起动控制系统，包括
内燃机起动系统框图建立模块，用于确认被控系统的输入输出量及其对应关系；
基于嵌入辅助轨迹的算法模块，用于更新代价函数与控制策略；所述的嵌入辅助轨迹的算法如下：
及
其中T1与T2为大于0的时间常数，且：
带有自适应控制器的内燃机起动系统模块，用于分析各个物理量之间的相互关系及算分与被控系统之间的联系；
基于辅助轨迹的嵌入式神经网络算法模块，用于通过迭代权重系数取代直接迭代控制策略与代价函数；所述的基于辅助轨迹的神经网络算法如下：
其中
速度模块的方框图建立模块。
本发明还有一个目的是提供一种汽车，所述的汽车包含上述内燃机起动控制系统。
有益效果如下：
本发明提供的内燃机起动控制策略中首先建立内燃机起动系统框图，以明确被控系统的输入输出量及其对应关系；其次设计基于嵌入辅助轨迹的算法并将其应用，在此算法中引入的外部输入与内燃机系统分开，避免了系统的无界相应，同时引入了增广系统，使代价函数与控制策略可以通过迭代的方式来更新；然后设计了带有自适应控制器的内燃机起动系统结构，从全局的角度分析了各个物理量的相互联系及算法与被控系统之间的联系；再次，设计了基于辅助轨迹的嵌入式神经网络算法并应用，将无模型算法与神经网络算法结合起来，通过迭代权重系数取代上文中直接迭代控制策略与代价函数，可大大加快响应速度；最后设计了速度模块的方框图，更加详细地体现了输入量与控制量之间的联系，同时也能直观地体现控制策略的更新。
本发明将无模型强化学习技术应用到内燃机起动领域，加快了内燃机起动的响应时间；同时将外部输入与内燃机起动内部模型分离开来，避免了系统的无界响应；引入了前馈系统提高了发动机转速的控制精度。
附图说明
图1为内燃机起动系统框图；
图2为带有自适应控制器的内燃机起动系统结构；
图3为速度模块的方框图。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，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的前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
本实施例公开了一种基于无模型强化学习的内燃机起动控制策略
步骤1：建立内燃机起动系统框图；
步骤2：设计基于嵌入辅助轨迹的算法并应用；
步骤3：设计带有自适应控制器的内燃机起动系统结构；
步骤4：设计基于辅助轨迹的嵌入式神经网络算法并应用；
步骤5：设计速度模块的方框图；
建立内燃机起动系统框图过程如下：
结合图1，将节气门开度k、喷油量F和节气门后流率
设为系统的主要变量，其中k和F为控制量，
为上一时刻的混合气体流率。由
可得到节气门前流率
若已知上一时刻的气缸流率
由
可得到歧管内压强p，若已知上一时刻发动机转速ω，则由
可知当前气缸流率
继而可得到节气门后流率
由
可得到当前发动机转速ω。
设计基于嵌入辅助轨迹的算法并应用过程如下：
将系统输入设定为发动机转速ω与歧管内压强p，定义误差状态量
其中，ωd与pd为发动机转速与压强的设定值。
内燃机起动过程是典型的连续仿射非线性控制过程，系统满足：
其中f(x)是系统内部动力学方程，g(x)是输入量到状态量的动力学方程，u 为系统输入，令x＝[x1,x2]T；
设计一个辅助系统如下所示：
其中xa是辅助系统状态量，状态矩阵A是赫尔维茨矩阵，y是辅助系统输出，也是系统的辅助轨迹，该辅助轨迹将状态轨迹x(t)分成了两个不同的轨迹。
令增广系统的状态量X＝[xa1,xa2,x1-y1,x2-y2]，输出量Y＝[y1,y2, x1-y1,x2-y2]；则增广系统也可以表示为：
其中，
引入外部输入ua(t)，即输入通道的输入值更新为：
其中
为可迭代的控制策略，由此，增广矩阵可更新为：
联系增广系统得到更新后的基于嵌入辅助轨迹的算法：
及
以上两个式子即为更新后的基于嵌入辅助轨迹的算法，其中T1与T2为大于0 的时间常数，且：
设计带有自适应控制器的内燃机起动系统结构过程如下：
结合图2，首先确定被控系统，即内燃机起动系统的输入与输出，根据步骤 1与步骤2，确定被控系统的输入为节气门开度K与喷油量F，输出量为发动机转速ω与歧管内压强p的误差状态量x1与x2；其次确定基于嵌入辅助轨迹的算法的输入，根据步骤2，可以看出该输入为其嵌入的辅助轨迹y1、y2与x1-y1、x2-y2，此算法为反馈控制规律的核心；最后确定反馈控制规律的输入与输出，根据步骤 1，确定其输入量为x1、x2，输出为更新后的控制策略μ1、μ2。
设计基于辅助轨迹的嵌入式神经网络算法并应用过程如下：
将控制策略
与代价函数
用多项式来近似表示，即
其中ωi与vi分别是神经网络评价环节与表演环节的权重系数，Nc与Na是多项式的项数；
用此种方式近似后，可以得到控制策略与代价函数的近似误差分别为
其中，
由此可推得：
其中
以上ωi与vi的表达式即为基于辅助轨迹的神经网络算法，此方法通过迭代Nc与Na进而更新控制策略与代价函数，该算法采用递归最小二乘法来代替批处理最小二乘法，同时，该神经网络算法采用多隐藏层的形式来代替以往的单隐藏层。
设计速度模块的方框图过程如下：
建立MAP函数，输入量设置为歧管内压强的设定值pd、节气门前流率的设定值
气缸流率的设定值
输出量设置为发动机转速的设定值ωd、节气门开度的设定值kd、喷油量的设定Fd。根据步骤3，控制算法的输入为x1、x2输出为更新后的控制策略μ1、μ2。如图3所示。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于无模型强化学习的内燃机起动控制策略，其特征在于，包括以下步骤：
步骤1、建立内燃机起动系统框图，确认被控系统的输入输出量及其对应关系；
步骤2、应用基于嵌入辅助轨迹的算法更新代价函数与控制策略；
所述的嵌入辅助轨迹的算法如下：
其中T1与T2为大于0的时间常数，且：
步骤3、应用带有自适应控制器的内燃机起动系统结构分析被控系统中各个物理量之间的相互关系及控制量与被控系统各个物理量之间的联系；
步骤4、应用基于辅助轨迹的嵌入式神经网络算法通过迭代权重系数取代直接迭代控制策略与代价函数；
所述的基于辅助轨迹的神经网络算法如下：
其中
步骤5、设计速度模块的方框图。
2.如权利要求1所述的一种基于无模型强化学习的内燃机起动控制策略，其特征在于，步骤1所述的内燃机起动系统框图建立过程如下：
将节气门开度k、喷油量F和通过节气门的混合气体流率
设为内燃机起动系统，其中k和F为控制量，
为上一时刻的混合气体流率；
由
可得到节气门前混合气体流率
若已知上一时刻的进入气缸的混合气体流率
由
可得到歧管内压强p，
若已知上一时刻发动机转速ω，则由
可知当前气缸流率
继而可得到节气门后流率
由
可得到当前发动机转速ω。
3.如权利要求1所述的一种基于无模型强化学习的内燃机起动控制策略，其特征在于，步骤2所述的基于嵌入辅助轨迹的算法设计过程如下：
将系统输入设定为发动机转速ω与歧管内压强p，定义误差状态量
其中，ωd与pd为发动机转速与压强的设定值；
内燃机起动过程是典型的连续仿射非线性控制过程，系统满足：
其中f(x)是系统内部动力学方程，g(x)是输入量到状态量的动力学方程，u为系统输入，令x＝[x1,x2]T；
设计辅助系统如下所示：
其中xa是辅助系统状态量，状态矩阵A是赫尔维茨矩阵，y是辅助系统输出，也是系统的辅助轨迹，该辅助轨迹将状态轨迹x(t)分成了两个不同的轨迹；
令增广系统的状态量X＝[xa1,xa2,x1-y1,x2-y2]，输出量Y＝[y1,y2,x1-y1,x2-y2]；则增广系统也可以表示为：
其中，
引入外部输入ua(t)，即输入通道的输入值更新为：
其中
为可迭代的控制策略，由此，增广矩阵可更新为：
联系增广系统得到更新后的基于嵌入辅助轨迹的算法：
及
其中T1与T2为大于0的时间常数，且：
4.如权利要求1所述的一种基于无模型强化学习的内燃机起动控制策略，其特征在于，步骤3所述的带有自适应控制器的内燃机起动系统结构设计过程如下：
首先确定被控系统的输入为节气门开度K与喷油量F，输出量为发动机转速ω与歧管内压强p的误差状态量x1与x2；
其次确定基于嵌入辅助轨迹的算法的输入，该输入为其嵌入的辅助轨迹y1、y2与x1-y1、x2-y2，
最后确定反馈控制规律输入量为x1、x2，输出为更新后的控制策略μ1、μ2。
5.如权利要求1所述的一种基于无模型强化学习的内燃机起动控制策略，其特征在于，步骤4所述的基于辅助轨迹的嵌入式神经网络算法设计过程如下：
将控制策略
与代价函数
用多项式来近似表示，即
其中ωi与vi分别是神经网络评价环节与表演环节的权重系数，Nc与Na是多项式的项数；
得到控制策略与代价函数的近似误差分别为：
其中，
由此可推得：
其中
ωi与vi的表达式即为基于辅助轨迹的神经网络算法，通过迭代ωi与vi进而更新控制策略与代价函数。
6.如权利要求1所述的一种基于无模型强化学习的内燃机起动控制策略，其特征在于，步骤5所述的速度模块的方框图设计过程如下：
建立MAP函数，输入量设置为歧管内压强的设定值pd、节气门前流率的设定值
气缸流率的设定值
输出量设置为发动机转速的设定值ωd、节气门开度的设定值kd、喷油量的设定Fd，控制算法的输入为x1、x2输出为更新后的控制策略μ1、μ2。
7.一种内燃机起动控制系统，其特征在于：包括
内燃机起动系统框图建立模块，用于确认被控系统的输入输出量及其对应关系；
基于嵌入辅助轨迹的算法模块，用于更新代价函数与控制策略；所述的嵌入辅助轨迹的算法如下：
及
其中T1与T2为大于0的时间常数，且：
带有自适应控制器的内燃机起动系统模块，用于分析各个物理量之间的相互关系及控制量与被控系统之间的联系；
基于辅助轨迹的嵌入式神经网络算法模块，用于通过迭代权重系数取代直接迭代控制策略与代价函数；所述的基于辅助轨迹的神经网络算法如下：
其中
速度模块的方框图建立模块。
8.一种汽车，其特征在于：所述的汽车包含如权利要求7所述的控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211051698.0A CN115478948B (zh) | 2022-08-31 | 2022-08-31 | 基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211051698.0A CN115478948B (zh) | 2022-08-31 | 2022-08-31 | 基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115478948A true CN115478948A (zh) | 2022-12-16 |
| CN115478948B CN115478948B (zh) | 2023-10-17 |
Family
ID=84421738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211051698.0A Active CN115478948B (zh) | 2022-08-31 | 2022-08-31 | 基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115478948B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101235756A (zh) * | 2007-01-29 | 2008-08-06 | 株式会社电装 | 燃料喷射压力控制器 |
| WO2008136517A1 (en) * | 2007-04-27 | 2008-11-13 | Honda Motor Co., Ltd. | Electronic control unit for controlling fuel injection in expansion and/or exhaust strokes |
| CN101652550A (zh) * | 2007-02-15 | 2010-02-17 | Avl里斯脱有限公司 | 用于确定发动机特性参数的指示装置及方法 |
| CN101761403A (zh) * | 2010-03-04 | 2010-06-30 | 霸州市华威发动机技术有限公司 | 双燃料发动机燃气供给的控制方法和装置 |
| CN107014531A (zh) * | 2015-12-09 | 2017-08-04 | 通用电气公司 | 校准的涡轮发动机轴转矩感测 |
| CN109268159A (zh) * | 2018-09-18 | 2019-01-25 | 吉林大学 | 稀薄燃烧汽油机燃空比系统控制方法 |
-
2022
- 2022-08-31 CN CN202211051698.0A patent/CN115478948B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101235756A (zh) * | 2007-01-29 | 2008-08-06 | 株式会社电装 | 燃料喷射压力控制器 |
| CN101652550A (zh) * | 2007-02-15 | 2010-02-17 | Avl里斯脱有限公司 | 用于确定发动机特性参数的指示装置及方法 |
| WO2008136517A1 (en) * | 2007-04-27 | 2008-11-13 | Honda Motor Co., Ltd. | Electronic control unit for controlling fuel injection in expansion and/or exhaust strokes |
| CN101761403A (zh) * | 2010-03-04 | 2010-06-30 | 霸州市华威发动机技术有限公司 | 双燃料发动机燃气供给的控制方法和装置 |
| CN107014531A (zh) * | 2015-12-09 | 2017-08-04 | 通用电气公司 | 校准的涡轮发动机轴转矩感测 |
| CN109268159A (zh) * | 2018-09-18 | 2019-01-25 | 吉林大学 | 稀薄燃烧汽油机燃空比系统控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115478948B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR0160396B1 (ko) | 공연비제어장치 | |
| US5925089A (en) | Model-based control method and apparatus using inverse model | |
| JP4975158B2 (ja) | プラントの制御装置 | |
| US20030177766A1 (en) | System for controlling an operating condition of an internal combustion engine | |
| CN100465420C (zh) | 用于使带废气再循环的内燃机运行的方法和装置 | |
| CN110647052B (zh) | 一种变循环发动机模式切换自适应身份证模型构建方法 | |
| CN109268159A (zh) | 稀薄燃烧汽油机燃空比系统控制方法 | |
| CN113006955B (zh) | Egr阀全关闭控制方法、装置、计算机设备及存储介质 | |
| CN115478948A (zh) | 基于无模型强化学习的内燃机起动控制策略、控制系统及汽车 | |
| CN113279997B (zh) | 一种基于控制器模糊切换的航空发动机喘振主动控制系统 | |
| JP2011043156A (ja) | 制御装置 | |
| JPH11353006A (ja) | オンライン学習方法 | |
| Min et al. | Iterative learning control algorithm for feedforward controller of EGR and VGT systems in a CRDI diesel engine | |
| JP2001165001A (ja) | ディーゼルエンジンのｅｇｒ制御装置 | |
| JP2832423B2 (ja) | 内燃機関の排気ガス再循環装置 | |
| CN106795806A (zh) | 用于确定用于机动车的涡轮增压器的废气门的执行器的控制信号的方法 | |
| JP2832422B2 (ja) | 内燃機関の排気ガス再循環装置 | |
| CN111608816A (zh) | 提高再循环阀打开时的燃料量校正精度的方法和系统 | |
| JP2011043150A (ja) | 制御装置 | |
| JPH08210195A (ja) | ディーゼル機関の排気還流制御装置 | |
| CN109611227A (zh) | 一种柴油发动机空燃比动态的执行器开度控制方法 | |
| CN111677594B (zh) | 一种增压发动机空气系统的快速储气与供给控制方法 | |
| JPH1037753A (ja) | エンジンの過給圧制御装置 | |
| CN117028040A (zh) | 一种基于Q-learning的柴油机空气系统多变量自抗扰控制方法 | |
| Kwiatkowski et al. | LPV controller synthesis for charge control of a car engine-a hybrid evolutionary algebraic approach |
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 |