本发明专利技术请求保护一种基于线性模型和滑模控制器的HCCI发动机燃烧正时控制方法。根据离散非线性模型选择多元线性回归方法对状态方程的各个参数进行拟合，得到线性离散系统的状态方程。利用BP神经网络设计了黑箱模型对线性后的模型进行误差的修正。黑箱模型以HCCI发动机线性模型预测得到的燃烧正时、进气歧管温度Tman、进气歧管压力Pman和燃油当量比φ为输入，修正后的燃烧正时θCA50为输出。利用该黑箱模型和实际HCCI发动机的理想燃烧正时信号，通过二分查找方法查找得到对应线性模型的理想燃烧正时信号。并利用该理想燃烧正时信号以及线性化后的模型，设计了带卡尔曼滤波器的离散滑模控制器。本发明专利技术保证线性模型预测燃烧正时的精度和燃烧正时跟踪理想输入的快速准确性。
【技术实现步骤摘要】
本专利技术属于均质压燃（HomogenousChargeCompressionIgnition,HCCI)发动机 燃烧正时控制领域，具体涉及均质压燃发动机燃烧正时模型的线性化处理和燃烧正时控制 方法的设计。
技术介绍
均质压燃发动机综合了火花点火发动机和压燃式发动机的优势，具有高的燃油利 用率，低的氮氧化物和微粒排放等优点 ，较传统发动机可提高燃油利用率15-20%，降低 氮氧化物排放90-98%，以及降低微粒排放接近于100% 。 为了充分发挥HCCI发动机的优点，需要将燃料燃烧50 %时对应的曲轴角度（燃烧 正时：θω5。）控制在上止点附近很窄的范围内（一般为3CAD-8CAD)。目前，关于实现HCCI 的方法主要包括：进气热管理，外部废气循环，可变压缩比 ，双燃料混合M，可变阀门 正时等。其中，可变阀门正时由于具有易于实现和控制灵活的特点，应用更为广泛。 然而，由于HCCI发动机缺少直接诱发混合气燃烧的机制，导致燃烧正时信号不易 直接获取，使得HCCI发动机燃烧正时难以控制。为此，一些学者提出利用非线性离散化学 动力学模型来预测燃烧正时，并基于此模型设计了燃烧正时控制算法。如文献设计了 气门升程为输入的基于非线性观测器的控制器，文献设计了以燃油质量和排气阀关 闭正时为输入的自适应反馈控制器，文献设计了以阀门关闭正时和燃油质量为输入 的模型预测控制器。需要指出的是，该模型存在复杂积分项，求解比较耗时，使得预测的燃 烧正时很难满足实时性。 因此，为了保证燃烧正时预测的实时性，以及线性控制器的设计和使用，可以对模 型进行线性化处理，并根据线性模型来设计线性控制器。目前关于非线性离散模型线性化 处理的方法主要有两种：反馈线性化方法 和泰勒展开方法，这两种方法都需要将非 线性表示为xk+1=F(xk，uk)形式，从而得到具体的非线性函数F。而HCCI发动机模型是根 据发动机的每一循环的工作过程总结出来的，使得模型为分段模型，从而导致其非线性关 系F很难得到。因此，HCCI发动机模型很难使用上述两种方法对其进行线性化处理。 此外，线性化后的模型较实际HCCI发动机是存在一定的误差的，大多数的文献对 该误差都直接进行了忽略，使得线性化后的模型的精确度不高，最终导致该模型使用到实 际中时误差较大。因此，为了保证模型精度，需要对线性化后的模型进行修正。由于离散非 线性模型线性化较为复杂，所以针对HCCI发动机离散线性状态方程设计的控制器相对较 少。 综上，针对现有HCCI发动机模型线性化及控制方法存在的不足，需要采用一种更 为合理且易实现的方法对HCCI发动机模型进行线性化处理，并设计一种线性误差修正方 法对线性模型存在的误差进行修正。在此线性模型的基础上，设计一种离散线性控制算法 对燃烧正时进行控制，以使得燃烧正时能够很好地对期望燃烧正时进行跟踪。
技术实现思路
本专利技术的目的是利用线性模型对HCCI发动机的燃烧正时进行控制，以确保燃烧 正时控制的实时性和精确性。 为了实现上述目的本专利技术的技术方案如下： 基于线性模型和滑模控制器的HCCI发动机燃烧正时控制方法，包括：建立HCCI发 动机离散非线性燃烧正时模型，并得到N组随ΘIve变化的TS(]e、PS(]e、ΘeA5。的数据；所述TSQC、 Ρι、θω5。和θ ?的含义分别为，HCCI发动机起燃时刻缸内气体温度TS(K、起燃时刻缸内气 体压力PS(K和燃烧正时曲轴角θω5。，进气门关闭正时曲轴角0IVC; TS(K、PS(^Pθω5。作为HCCI发动机线性模型的状态变量，ΘITC作为HCCI发动机线 性模型的输出，则线性化后的状态方程表示为 根据已获得的Θ IVC、TS(K、PS(K、θω5。数据，利用多元线性回归的方法对参数av匕， i= 1，2, 3,j= 1，2, 3进行估计，最终得到离散的状态方程 xk+1 = Ax k+Buk 其中 x =T u= 其中A为系统矩阵，B为输入矩阵； 将进气歧管温度T_、进气歧管压力P_、燃油当量比Φ作为干扰因素加入所述 HCCI发动机线性模型得到 其中F为干扰项矩阵，同理F矩阵中的匕，i= 1，2, 3,j= 1，2, 3通过多元线性回归方 法进行估计得到； 利用BP神经网络建立一个黑箱模型对所述加入干扰因素的HCCI发动机线性模型 误差进行修正，从而使预测的燃烧正时与实际的燃烧正时相近；该黑箱模型是以加入干扰 因素的HCCI发动机线性模型预测得到的燃烧正时、进气歧管温度T_、进气歧管压力 Ρ_和燃油当量比Φ为输入，修正后的燃烧正时θω5。为输出的三层ΒΡ神经网络模型。 具体优选实施例，HCCI发动机离散非线性燃烧正时模型选取起燃时刻缸内气体温 度Τι、起燃时刻缸内气体压力Pi和燃烧正时曲轴角θω5。作为模型状态，进气门关闭正时 曲轴角作为模型控制输入，Θeto。作为模型输出；因此，HCCI发动机呙散非线性燃烧正 时模型为： xk+1=F(xk,uk+1)yk+1=Cxk+1 其中，x= 〇 进一步，所述BP神经网络的隐含层激活函数为Tan-Sigmoid函数，输出层激活函 数为纯线性函数，网络训练算法为Levenberg-Marquardt算法。 更进一步，本专利技术还包括用二分查找法来查找得到HCCI发动机线性模型对应的 理想燃烧正时信号θ^5?;根据不断变化的线性模型的燃烧正时范围的上界或下界来快速查 找线性模型对应的理想燃烧正时信号；给定实际HCCI发动机的理想燃烧正时信号私50， 以及可以得到对应HCCI发动机线性模型的燃烧正时的一个大致范围θ:。]，然后 利用该范围的上下界求取平均值，即= 作为黑箱模型对应的输 入，从而得到对应实际HCCI发动机线性模型的燃烧正时;如果，大于θ~^5()，则令θ二=啦_;否则，令e; 然后继续查找，直到达到迭代的上限或者已经达到目标 燃烧正时θ~^5()，此时的θ&5?便是HCCI发动机线性模型对应的理想燃烧正时Θ&。。 本专利技术的优先实施例中，HCCI发动机线性模型的输出经过卡尔曼滤波器滤波后 得到输出估计值和状态估计值全:;基于该估计值，以期望的0么 5()和(^45(1作为输入，ΘIVC 作为输出设计基于指数趋近率的离散滑模控制器，并对HCCI发动机线性模型进行控制。 所述卡尔曼滤波器为 式中，无为最优状态估计量；y为实际输出值；f为根据上一循环最优的估计状态 量预测得到的当前循环状态量；L为卡尔曼增益；戶为对应预测状态f的协方差；R为测量 噪声f的协方差；I为单位矩阵；t为迭代周期数，A为系统矩阵，B为输入矩阵，F为干扰项 矩阵，C为输出矩阵，w为包含燃油当量比Φ、歧管温度T_和压力P_在内的噪声矩阵。 所述离散滑模控制器得到的控制律1^为 式中，为理想燃烧正时；s为离散滑模面；为卡尔曼滤波器估计得到的 HCCI发动线性模型预测的燃烧正时；Cl为大于零的常数。 其中，离散滑模面选取为 本专利技术具有以下优点： (1)利用线性回归方法对状态方程中矩阵的未知参数进行估计，避免了非线性关 系F的难以获得的问题。 (2)利用黑箱模型和二分查找方法对线性模型预测的误差进行修正，提高了线性 模型预测燃烧正时的精度。 (3)设计了基于指数趋近率本文档来自技高网...
【技术保护点】
基于线性模型和滑模控制器的HCCI发动机燃烧正时控制方法，其特征在于：建立HCCI发动机离散非线性燃烧正时模型，并得到N组随θIVC变化的TSOC、PSOC、θCA50的数据；所述TSOC、PSOC、θCA50和θIVC的含义分别为，HCCI发动机起燃时刻缸内气体温度TSOC、起燃时刻缸内气体压力PSOC和燃烧正时曲轴角θCA50，进气门关闭正时曲轴角θIVC；TSOC、PSOC和θCA50作为HCCI发动机线性模型的状态变量，θIVC作为HCCI发动机线性模型的输出，则线性化后的状态方程表示为Tsoc,k+1Psoc,k+1θCA50,k+1=a11a12a13a21a22a23a31a32a33Tsoc,kPsoc,kθCA50,k+b1b2b3θIVC,k]]>根据已获得的θIVC、TSOC、PSOC、θCA50数据，利用多元线性回归的方法对参数aij，bi，i＝1,2,3，j＝1,2,3进行估计，最终得到离散的状态方程xk+1＝Axk+Buk其中x＝[TSOC PSOC θCA50]Tu＝[θIVC]AB=H1TX(XTX)-TH2TX(XTX)-TH3TX(XTX)-T=HX(XTX)-T]]>H=Tsoc,2Psoc,2θCA50,2Tsoc,3Psoc,3θCA50,3.........Tsoc,NPsoc,NθCA50,N]]>X=Tsoc,1Psoc,1θCA50,1θIVC,1Tsoc,2Psoc,2θCA50,2θIVC,2............Tsoc,N-1Psoc,N-1θCA50,N-1θIVC,N-1]]>其中A为系统矩阵，B为输入矩阵；将进气歧管温度Tman、进气歧管压力Pman、燃油当量比φ作为干扰因素加入所述HCCI发动机线性模型得到xk+1＝Axk+Buk+Fw其中w＝[Tman Pman φ]TF=f11f12f13f21f22f23f31f32f33]]>F为干扰项矩阵，同理F矩阵中的fij，i＝1,2,3，j＝1,2,3通过多元线性回归方法进行估计得到；利用BP神经网络建立一个黑箱模型对所述加入干扰因素的HCCI发动机线性模型误差进行修正，从而使预测的燃烧正时与实际的燃烧正时相近；该黑箱模型是以加入干扰因素的HCCI发动机线性模型预测得到的燃烧正时进气歧管温度Tman、进气歧管压力Pman和燃油当量比φ为输入，修正后的燃烧正时θCA50为输出的三层BP神经网络模型。...
【技术特征摘要】
【专利技术属性】
技术研发人员：郑太雄，潘松，杨新琴，陶炬，徐浩，陈瑶，李玲，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。