一种基于RBF神经网络的内燃机冷却水流量智能控制方法技术

本发明专利技术公开了一种基于RBF神经网络的内燃机冷却水流量智能控制方法，该方法设计适用于内燃机水温预测的RBF神经网络模型，并使用测量获得的内燃机的温度数据集对设计的RBF神经网络模型进行训练和测试；通过RBF神经网络模型计算获得内燃机的水温预测温度，再计算预测温度与目标水温的温度差，根据温度差调控冷却水流量，对内燃机的运行温度进行温度补偿，从而使内燃机的运行水温实时处于目标水温区间内。本发明专利技术将现代电子信息技术应用到内燃机冷却循环系统的控制中，实现保证内燃机在任何气候环境下始终维持或接近最佳温度区间内工作，从而真正达到减少零件磨损加剧，减少尾气排放，改善内燃机工作方式，进而节能减排的目的。

【技术实现步骤摘要】
一种基于RBF神经网络的内燃机冷却水流量智能控制方法
本专利技术涉及一种基于RBF神经网络的内燃机冷却水流量智能控制方法。
技术介绍
节能减排不仅关系到国家的能源安全，而且可显著降低运输成本和车辆运维成本，影响大气污染防治成效，是国内外汽车行业发展的大趋势。节能减排与国家的能源安全息息相关，中国是石油消耗第二大国，有效降低内燃机燃油消耗已成为我国内燃机产业发展的重要趋势，也直接关系到我国能源安全战略。燃油占整个运输成本的30～50％，并且由于车辆发动机由冷启动造成的磨损率高达78％，因此节能减排可显著降低运输成本和节省车辆运维成本。节能减排还直接关系到大气污染防治的成效，节油与节能减排相辅相成，减少能源消耗必然会降低排放。另外节能减排是国内外汽车行业发展的大趋势，社会发展的亟需。近年来，在高档汽油轿车上，如奔驰车，宝马等，部分使用了新型电子节温器，目的也是对车辆循环系统进行更有效的控制，达到节能和减排的目的。大多数内燃机都有冷却循环系统，用于保障内燃机的正常工作环境，主要是温度环境。内燃机最佳的工作环境温度一般在：85℃～95℃之间。但事实上绝大多数内燃机却在机体水温低于85℃的情况下工作，尤其是柴油发动机一般都在50℃～75℃之间工作，这样就会使零件磨损加剧，尾气排放恶化，内燃机工作粗暴、功率下降、油耗增加。目前国际国内柴油车辆，主要采用节温器实现温度调节，而节温器有诸多不足之处：1)无法将内燃机水温控制在最佳工作温度范围内；2)不能将内燃机磨损程度降到最低；3)不能良好地控制内燃机水温，导致燃油燃烧不良，会不同程度地增加燃油消耗量；4)不能良好地控制内燃机工作温度，燃油燃烧不充分，会产生更多的废气及有毒气体，污染环境、危害人类身体健康；5)不能将内燃机水温控制在最佳工作范围内，冬季车内气温低，司机乘客感觉寒冷难忍。
技术实现思路
针对上述存在的问题，本专利技术提供一种基于RBF神经网络的内燃机冷却水流量智能控制方法。将现代电子信息技术，软件技术和传感器技术应用到内燃机冷却循环系统的控制中，利用RBF神经网络与一种新型内燃机流体控制阀相结合，对内燃机工作时产生的热量进行控制，实现保证内燃机在任何气候环境下始终维持或接近最佳温度区间内工作。具体技术方案如下：一种基于RBF神经网络的内燃机冷却水流量智能控制方法，包括步骤如下：步骤1：测量内燃机的温度数据并对该温度数据进行预处理，获得由水温和水温变化率组成的二维数据集，并将该二维数据集划分成训练集和测试集；步骤2：设计适用于内燃机水温预测的RBF神经网络模型；步骤3：使用步骤1中划分的训练集和测试集对步骤2中设计的RBF神经网络模型进行训练和测试，并通过RBF神经网络模型对内燃机的水温进行预测，获得内燃机运行下一时刻的预测温度步骤4：设定目标水温区间[T0,T1]，并计算步骤3中的预测温度与目标水温区间的温度差ΔT，其计算公式如下：式中，为预测温度；ΔT温度差；T0、T1分别为目标区间下、上限。根据温度差ΔT调控冷却水流量进行温度补偿，从而使内燃机运行水温实时处于目标水温区间内。作为优选的技术方案的，步骤1中，所述测量内燃机的温度数据为通过温度传感器测量，其为一段时间的内燃机运行水温数据；该数据长度固定为n，每次更新舍弃最开始数据，最后形成由水温和水温变化率组成的二维数据集，然后将该二维数据集进行归一化预处理后划分成训练集和测试集。划分方式为将固定长度为n的二维数据集中，前n-1列作为训练集，最后2列作为测试集；训练集两列一组进行处理，设定每次训练组数和训练次数。例如，n＝1、2、3、4、5……；测试时，1预测2、2预测3……。当n＝5，划分时，训练集为12、23、34，测试集为45。作为优选的技术方案的，步骤2中，所述适用于内燃机水温预测的RBF神经网络模型包括输入层、输出层、隐藏层三层神经网络；所述输入层设计为2维，分别为水温和水温变化率，输入层到隐藏层权值固定为1；所述输出层设计为1维，为下一时刻水温预测值，输出层神经元将隐藏层的RBF加权叠加；所述隐藏层设计为1层，其转换函数为径向基函数。所述RBF神经网络模型的神经网络映射公式为：式中：x∈Rn为输入量；fr(x)为输出量；Φ(·)为非线性转化函数；ωi为加权值，ω0为初始权值；ci∈Rn为第i个隶属度函数的中心；m为中心的个数；P为输入参数矩阵。作为进一步优选的技术方案的，所述非线性转化函数Φ(·)是高斯函数，其计算公式为：其中，u为差向量的模；δ为标准化常数。作为优选的技术方案的，步骤3中，所述对步骤2中设计的RBF神经网络模型进行训练具体操作如下：步骤3-1：随机初始化网络输入层与RBF层之间的权值ωij，设置初始学习率a(0)；其中，i＝1,···,n；j＝1,···,m；n表示输入层节点数，m表示RBF层节点数；步骤3-2：向网络输入x(t)；x(t)表示t时刻的n维输入向量；步骤3-3：计算输入节点到每一输出节点j之间的距离dj，其计算公式为：其中，ωij(t)表示t时刻的权值；并选择具有最小距离dj的节点j*为获胜输出节点；步骤3-4：对j*更新权值，更新权值的公式为：ωij(t+1)＝ωij(t)+a(t)*(xi(t)-ωij(t))其中，a(t)表示t时刻的学习率，它随t的增加不断减小，ωij(t+1)表示t+1时刻的权值；步骤3-5：设定阈值，对训练过程判断，如果ωij的变化量小于阈值，则训练过程结束，否则转到重复训练过程。作为优选的技术方案的，步骤3中，所述对步骤2中设计的RBF神经网络模型进行测试以测试为，以步骤1的中测试集为输入数据集，经过RBF神经网络模型计算得到内燃机下一时刻水温的预测期望值，即预测温度。作为优选的技术方案的，步骤4中，所述调控冷却水流量为通过步进电机控制内燃机冷却水的流体控制阀，控制冷却水流量进行温度补偿，使内燃机水温实时处于目标水温区间内。所述温度补偿方式为：当预测温度大于目标温度时，说明当前冷却水流量过小，通过步进电机调节冷却水流控制阀，增大流向散热器冷却水的流量，冷却水流量增大会降低内燃机温度，使内燃机温度降到目标温度区间，从而达到温度补偿的目的；当预测温度小于目标温度时，说明当前冷却水流量过大，通过步进电机调节冷却水流控制阀，减小流向散热器冷却水的流量，冷却水流量减小会增加内燃机温度，使内燃机温度升到目标温度区间，从而达到温度补偿的目的；当预测温度处于目标温度区间时，说明当前冷却水流量合理，通过步进电机调节冷却水流控制阀，维持流向散热器冷却水的流量，使内燃机温度恒定在目标温度区间，从而达到温度补偿的目的。本专利技术的有益效果是：本专利技术通过将现代电子信息技术，软件技术和传感器技术应用到内燃机冷却循环系统的控制中，利用RBF神经网络与一种新型内燃机流体控制阀相结合，对内燃机工作时产生的热量进行控制，能将内燃机工作水本文档来自技高网...

【技术保护点】
1.一种基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：包括步骤如下：/n步骤1：测量内燃机的温度数据并对该温度数据进行预处理，获得由水温和水温变化率组成的二维数据集，并将该二维数据集划分成训练集和测试集；/n步骤2：设计适用于内燃机水温预测的RBF神经网络模型；/n步骤3：使用步骤1中划分的训练集和测试集对步骤2中设计的RBF神经网络模型进行训练和测试，并通过RBF神经网络模型对内燃机的水温预测，获得内燃机运行下一时刻的预测温度；/n步骤4：设定目标水温区间，并计算步骤3中的预测温度与目标水温区间边界值的温度差，根据温度差调控冷却水流量进行温度补偿，从而使内燃机运行水温实时处于目标水温区间内。/n

【技术特征摘要】
1.一种基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：包括步骤如下：
步骤1：测量内燃机的温度数据并对该温度数据进行预处理，获得由水温和水温变化率组成的二维数据集，并将该二维数据集划分成训练集和测试集；
步骤2：设计适用于内燃机水温预测的RBF神经网络模型；
步骤3：使用步骤1中划分的训练集和测试集对步骤2中设计的RBF神经网络模型进行训练和测试，并通过RBF神经网络模型对内燃机的水温预测，获得内燃机运行下一时刻的预测温度；
步骤4：设定目标水温区间，并计算步骤3中的预测温度与目标水温区间边界值的温度差，根据温度差调控冷却水流量进行温度补偿，从而使内燃机运行水温实时处于目标水温区间内。


2.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：步骤1中，所述测量内燃机的温度数据为通过温度传感器测量，其为一段时间的内燃机运行水温数据；该数据长度固定为n，每次更新舍弃最开始数据，最后形成由水温和水温变化率组成的二维数据集，该二维数据集进行归一化预处理后划分成训练集和测试集。


3.根据权利要求2所述的基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：将固定长度为n的二维数据集中，前n-1列作为训练集，最后2列作为测试集；训练集两列一组进行处理，设定每次训练组数和训练次数。


4.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：步骤2中，所述适用于内燃机水温预测的RBF神经网络模型包括输入层、输出层、隐藏层三层神经网络；
所述输入层设计为2维，分别为水温和水温变化率，输入层到隐藏层权值固定为1；
所述输出层设计为1维，为下一时刻水温预测值，输出层神经元将隐藏层的RBF加权叠加；
所述隐藏层设计为1层，其转换函数为径向基函数。


5.根据权利要求4所述的基于RBF神经网络的内燃机冷却水流量智能控制方法，其特征在于：所述适用于内燃机水温预测的RBF神经网络模型的神经网络映射公式为：



式中：x∈Rn为输入量；fr(x)为输出量；Φ(·)为非线性转化函数；ωi为加权值，ω0为初始权值；ci∈Rn为第i个隶属度函数的中心；m为中心的个数；P为输入参数矩阵。


6.根据权利要求5所述的基于RBF神经网络的内燃机冷却水流量智能控制方法，...

【专利技术属性】
技术研发人员：丁继成，朱紫冬，闵弘，武光信，
申请(专利权)人：江苏隆信德科技有限公司，
类型：发明
国别省市：江苏;32