复杂工况下HCCI发动机燃烧正时控制系统技术方案

本发明专利技术涉及一种复杂工况下HCCI发动机燃烧正时控制系统，属于发动机控制技术领域。本发明专利技术首先以进气门关闭正时θIVC、发动机转速N、燃料当量比φ为输入，发动机燃烧正时估计值

Combustion Timing Control System of HCCI Engine under Complex Conditions

【技术实现步骤摘要】
复杂工况下HCCI发动机燃烧正时控制系统
本专利技术属于均质充气压燃(HomogeneousChargeCompressionIgnition,HCCI)发动机在复杂工况下的燃烧正时控制领域，具体涉及均质充气压燃发动机黑箱模型的建立和复杂工况下发动机燃烧正时控制器的设计。
技术介绍
全球汽车数量的持续增加给环境和能源带来巨大压力，为了缓解环境压力，相关部门对汽车发动机尾气排放进行了严格规定。面对严格的规定标准，普通的汽油发动机和柴油发动机很难达到相关要求。均质充气压燃(HomogeneousChargeCompressionIgnition,HCCI)是一种公认的发动机新型燃烧方式，它综合了汽油发动机和柴油发动机的特点，具有高热效率、低排放、构造易实现、高燃油利用率等优点。HCCI发动机技术可满足规定的汽车尾气排放标准，是未来发动机技术发展的方向。为了充分发挥HCCI发动机的优点，需要把燃料燃烧50％的曲轴转角()控制在上止点前3CAD至8CAD的范围内。由于缺乏直接触发HCCI的燃烧机制，的控制成为HCCI发动机最主要的技术难点。目前主要的控制方法包括进气热管理，可变压缩比控制，可变阀门正时控制等。其中，可变阀门正时控制由于具有易于实现和控制灵活的特点，应用更为广泛。由于HCCI发动机无法直接测量，需要建立精确的模型进行估计。目前主要的模型包括：化学动力学模型、黑箱模型、灰箱模型。建立化学动力学模型需要许多参数，而发动机有很多参数无法用传感器进行直接测量，只能用观测器进行估计。建立模型使用的参数估计值会使得模型的误差更大。神经网络具有很强的函数逼近能力，自学习能力，广泛用于处理各种非线性问题。ELMAN神经网络是一种具有局部记忆和反馈的递归神经网络，其输出取决于输入和前一时刻的输出。考虑到发动机上一循环的状态也会对下一循环造成影响，采用ELMAN神经网络建立HCCI发动机黑箱模型。基于ELMAN神经网络的黑箱模型相比于其它黑箱模型，更能够体现发动机实际的工作状态，预测结果更符合实际，能够起到很好的模拟效果。考虑到实际中的车辆发动机时常处于变工况的环境下，转速的频繁变化造成气缸内热扰动，燃烧正时波动大。传统的PID控制器、模型预测控制器、滑膜控制器等可实现恒定工况下的HCCI发动机燃烧正时控制，复杂工况下的控制效果差。因此，需要对复杂工况下的HCCI发动机控制问题进一步的研究。神经网络具有很强的非线性映射能力，可利用神经网络模拟输入与输出之间的非线性函数，建立神经网络控制器，实现复杂工况下的HCCI发动机燃烧正时控制。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种复杂工况下HCCI发动机燃烧正时控制系统，首先建立ELMAN神经网络黑箱模型对HCCI发动机燃烧正时进行估计；其次，设计BP神经网络控制器，根据发动机转速和期望的燃烧正时角度调整进气门关闭正时，实现复杂工况下HCCI燃烧正时的控制。为达到上述目的，本专利技术提供如下技术方案：首先建立ELMAN神经网络HCCI黑箱模型，以进气门关闭正时θIVC、发动机转速N、燃料当量比φ为输入，发动机燃烧正时估计值为输出，输入层包含输入向量的3个神经节点，承接层包含由自连接反馈因子a构建的2个神经元节点，隐含层包含隐含层神经元激励函数为Sigmoid函数f(·)的4个神经元节点，输出层包含由输出层神经元激励函数为纯线性函数g(·)构建输出向量y的1个神经元节点，其中，输入层神经元到隐含层神经元之间的连接权值wI2,隐含层神经元到承接层神经元之间的连接权值wI1，输出层神经元到隐含层神经元之间的连接权值wI3，网络训练学习算法为Levenberg-Marquardt算法。更进一步地，根据公式x(t)＝f(wI1xc(t)+wI2u(t-1))计算隐含层神经元节点的第t步输入信号x(t)；根据公式xc(t)＝axc(t-1)+x(t-1)计算承接层神经元节点的第t步输入信号xc(t)；根据公式y(t)＝g(wI3x(t))计算输出层神经元节点的第t步输入信号y(t)。其次，建立复杂工况下的BP神经网络控制器，以发动机转速N和期望的燃烧正时角度为输入变量，进气门关闭正时θIVC为控制输出，建立三层BP神经网络，通过燃烧正时估计值与期望的燃烧正时角度之间的误差ek来调整BP神经网络中的链接权值，让神经网络进行学习，直至误差ek小于设定误差阈值。其中，输入层神经元节点2个，隐含层神经元节点3个，输出层神经元节点1个，隐含层的激励函数为偏置为νj，输入层到隐含层的连接权值为wij；输出层的激励函数为ψ(·)，偏置为ν，隐含层到输出层的连接权值为wj；根据公式计算隐含层第j个神经元节点的输出信号Oj；根据公式计算输出层神经元节点的输出信号y，通过输出向量实现对HCCI发动机的点火正时调控。本专利技术的有益效果在于：本专利技术首先考虑到实际中HCCI发动机燃烧正时不可测量，建立了ELMAN黑箱模型对燃烧正时进行估计；由于传统控制器在恒定工况下的控制效果好，在复杂工况下存在误差大、稳定性差等问题；设计BP神经网络控制器，可根据发动机转速控制进气门关闭正时，使得系统实际输出燃烧正时能够跟踪理想的燃烧正时，从而实现复杂工况下的HCCI发动机燃烧正时的控制。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为ELMAN神经网络HCCI发动机黑箱模型；图2为BP神经网络结构图；图3为复杂工况下HCCI发动机燃烧正时控制图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利技术的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。本专利技术利用ELMAN神经网络建立了可精确估计燃烧正时的HCCI发动机黑箱模型，设计了BP神经网络控制器，根据发动机转本文档来自技高网...

【技术保护点】
1.复杂工况下HCCI发动机燃烧正时控制系统，其特征在于：包括ELMAN神经网络HCCI发动机黑箱模型和BP神经网络控制器；所述ELMAN神经网络黑箱模型对HCCI发动机燃烧正时进行估计；所述BP神经网络控制器根据发动机转速和期望的燃烧正时角度调整进气门关闭正时，实现复杂工况下HCCI燃烧正时的控制；ELMAN神经网络黑箱模型包含输入层、隐含层、承接层、输出层共四层，以进气门关闭正时θIVC、发动机转速N、燃料当量比φ作为输入层，发动机燃烧正时估计值

【技术特征摘要】
1.复杂工况下HCCI发动机燃烧正时控制系统，其特征在于：包括ELMAN神经网络HCCI发动机黑箱模型和BP神经网络控制器；所述ELMAN神经网络黑箱模型对HCCI发动机燃烧正时进行估计；所述BP神经网络控制器根据发动机转速和期望的燃烧正时角度调整进气门关闭正时，实现复杂工况下HCCI燃烧正时的控制；ELMAN神经网络黑箱模型包含输入层、隐含层、承接层、输出层共四层，以进气门关闭正时θIVC、发动机转速N、燃料当量比φ作为输入层，发动机燃烧正时估计值为输出；其中，输入层包含输入向量的3个神经节点，承接层包含由自连接反馈因子a构建的2个神经元节点，隐含层包含隐含层神经元激励函数为Sigmoid函数f(·)的4个神经元节点，输出层包含由神经元的激励函数g(·)构建输出向量y的1个神经元节点；输入层神经元到隐含层神经元之间的连接权值wI2,隐含层神经元到承接层神经元之间的连接权值wI1，输出层神经元到隐含层神经元之间的连接权值wI3，网络训练学习算法为Levenberg-Marquardt算法。2.根据权利要求1所述的复杂工况下HCCI发动机燃烧正时控制系统，其特征在于：根据公式x(t)＝f(wI1xc(t)+wI2u...

【专利技术属性】
技术研发人员：郑太雄，张良斌，杨新琴，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50