发动机的断缸模式实现方法、系统及车辆与流程

本发明涉及汽车技术领域，特别涉及一种发动机的断缸模式实现方法、系统及车辆。

背景技术：

发动机工作于面工况区间，其转速和负荷范围很广，低负荷率下燃油经济性较差，而随着油耗法规愈发的严格，对于多缸数大排量发动机，降低油耗的需求愈发迫切。断缸技术可以在发动机部分负荷时关闭某个或某几个气缸，为保证发动机功率不变，需要提升工作气缸的负荷率，从而提高发动机的机械效率，降低泵气损失，提升燃油经济性。

断缸控制的关键是何时断缸，关闭哪些气缸，断缸时间和关闭哪些气缸将直接影响发动机运转的平稳性、乘客的舒适性、各气缸磨损的均匀性、整机的可靠性，还影响到燃油经济性的改善效果。

现有断缸模式的常见实现方式是在发动机部分负荷工况，停止某些特定气缸的工作，不能根据工况变化精确调整断缸时间以及工作缸和停止缸的选择，进而影响断缸的经济性；另外，工作缸和停止缸通常是固定的，容易造成气缸间工作的不均匀性，影响整机的可靠性。

技术实现要素：

有鉴于此，本发明旨在提出一种发动机的断缸模式实现方法，该方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

为达到上述目的，本发明的技术方案是这样实现的：

一种发动机的断缸模式实现方法，包括以下步骤：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；获取车辆的运行参数，根据所述运行参数判断是否进入断缸模式；如果是，则将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量； 以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。

进一步的，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：

其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。

进一步的，所述根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，具体包括：

对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：

其中，所述c为所述sigmoid函数的系数；

将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；

获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；

当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。

进一步的，从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：

其中，所述η为权值修正的学习率，0<η<1，所述w_ij为第i个输入层至第j个隐含层的连接权值；

通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：

其中，所述μ为阈值修正的学习率，0<μ<1，所述θ_j是第j个隐含层单元的连接阈值；

通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：

其中，所述v_ji为第i个隐含层至第j个输出层的连接权值。

进一步的，所述车辆的运行参数包括：发动机转速信号、发动机扭矩信号、油门踏板信号、档位信号、车速信号和冷却液温度信号。

相对于现有技术，本发明所述的发动机的断缸模式实现方法具有以下优势：

本发明所述的发动机的断缸模式实现方法，结合了小波分析和人工神经网络控制，可以对发动机的断缸系统进行精确的实时控制，神经网络具有自适应、自学习的能力，可以克服控制对象的不确定性和时变性，用较少的试验数据作为样本对网络进行训练，利用小波分析可以使神经网络具有更快的学习和收敛速度，提升控制的实时性。该方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

本发明的另一目的在于提出一种发动机的断缸模式实现系统，该系统在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

为达到上述目的，本发明的技术方案是这样实现的：

一种发动机的断缸模式实现系统，包括：训练样本获取模块，用于选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；训练模块，用于根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；判断模块，用于获取车辆的运行参数，并根据所述运行参数判断是否进入断缸模式；控制模块，在所述判断模块判断进入断缸模式时，将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量，以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。

进一步的，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数 目通过如下公式得到，所述公式为：

其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。

进一步的，所述训练模块用于：

对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：

其中，所述c为所述sigmoid函数的系数；

将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；

获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；

当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。

进一步的，所述训练模块从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：

其中，所述η为权值修正的学习率，0<η<1，所述w_ij为第i个输入层至第j个隐含层的连接权值；

通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：

其中，所述μ为阈值修正的学习率，0<μ<1，所述θ_j是第j个隐含层单元的连接阈值；

通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：

其中，所述v_ji为第i个隐含层至第j个输出层的连接权值。

所述的发动机的断缸模式实现系统与上述的发动机的断缸模式实现方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的再一个目的在于提出一种车辆，该车辆结在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

为达到上述目的，本发明的技术方案是这样实现的：

一种车辆，设置有如上述实施例所述的发动机的断缸模式实现系统。

所述的车辆与上述的发动机的断缸模式实现系统相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的发动机的断缸模式实现方法的流程图；

图2为本发明实施例所述的发动机的断缸模式实现方法中神经网络的示意图；

图3为本发明实施例所述的发动机的断缸模式实现方法中神经网络自学习过程示意图；

图4为本发明实施例所述的发动机的断缸模式实现方法中断缸模式控制示意图；

图5为本发明实施例所述的发动机的断缸模式实现系统的结构框图。

附图标记说明：

500-发动机的断缸模式实现系统、510-训练样本获取模块、520-训练模块、530-判断模块和540-控制模块。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

图1是根据本发明一个实施例的发动机的断缸模式实现方法的流程图。如图1所示，根据本发明一个实施例的发动机的断缸模式实现方法，包括以下步骤：

步骤S101：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况。

具体地说，可以通过采集少量的试验数据，映射大量的未知的运转工况。例如：选取p个不同的发动机转速，对每个转速以预先设定的q种断缸模式进行负荷特性试验，一共采集p*q个样本作为学习样本。对于这p*q个样本，记录下相应的发动机转速、输出扭矩以及随曲轴转角的扭矩波动情况，将这些数据存入发动机控制单元，作为小波神经网络的训练样本。需要说明的是，试验实测数据越多，样本库越充实，覆盖工况越广，后期对于小波神经网络的训练效果越好。

步骤S102：根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络。

如图2所示，在本发明的一个实施例中，小波神经网络包括输入层、隐含层和输出层，其中，输入层具有n个输入节点，输出层具有m个输出节点，n和m为正整数，隐含层的节点数目通过如下公式得到，公式为：

其中，k为隐含层的节点数，β为1至10之间的任意一个常数。

具体地说，输入层的输入参数为经过小波变换之后的相应的传感器信号，包括发动机转速、扭矩、变速箱档位、车速等。隐含层是内部信息处理层，其通过信息的正向传播和误差的反向传播，调节相应的系数，以达到实际输出与期望输出相符的目的。输出层的输出参数为断缸数目和断缸次序，控制目标是提升燃油经济性的同时，提升全缸模式和断缸模式切换前后动力输出的均匀性。采用上述的训练样本作为该小波神经网络的学习样本，建立输入参数与输出参数之间的函数关系。

具体的，输入模式向量为，

X_a＝(x₁,x₂,...,x_n),a＝1,2,...,n；

对应的输出模式向量为，

Y_b＝(y₁,y₂,...,y_m),b＝1,2,...,m；

该神经网络结构便是如图2所示的n输入和m输出的非线性映射。

另外，根据神经元模型的原理，则有：

其中，s_j是第j个隐含层的输入，w_ij是第i个输入层至第j个隐含层的连接权值，θ_j是第j个隐含层的连接阈值。按照模式顺传播的思路，得出输出层各单元的输入，

其中，l_j是第j个输出层的输入，v_ji是第i隐含层至第j个输出层的连接权值，γ_j是第j个输出层的连接阈值。神经网络(即小波神经网络)通过调整以上两个公式中的连接权值和连接阈值来实现控制过程。

在介绍完本发明实施例的小波神经网络的结构之后，以下详细介绍对该小波神经网络的训练过程。

具体而言，根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，具体包括：

1、对训练样本进行归一化处理，其中，通过sigmoid函数对训练样本进行归一化，sigmoid函数为：

其中，c为sigmoid函数的系数。

2、将归一化处理后的一组训练样本输入小波神经网络进行正向传播。

3、获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据实际扭矩波动差值和期望的扭矩波动差值进行比较。

4、当实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过小波神经网络对误差进行反向传播，以对小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至实际扭矩波动差值和期望的扭矩波动差值之间的误差小于第一误差阈值时，得到训练完成的小波神经网络。其中，第一误差阈值指允许的误差，可根据经验确定。

在以上描述中，从输出层作为起始到输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，可以通过如下公式对小波神经网络中输入层至隐含层之间的连接权值进行修正，公式为：

其中，η为权值修正的学习率，0<η<1，w_ij为第i个输入层至第j个隐含层的连接权值；

通过如下公式对小波神经网络中隐含层的连接阈值进行修正，公式为：

其中，μ为阈值修正的学习率，0<μ<1，θ_j是第j个隐含层单元的连接阈值；

通过如下公式对小波神经网络中隐含层至输出层之间的连接权值进行修正，公式为：

其中，v_ji为第i个隐含层至第j个输出层的连接权值。

更为具体地说，如图3所示，小波神经网络的训练过程(即自学习过程)可以概括为几个阶段，如数据预处理、样本选择、正向传播、误差计算、误差反向传播。

数据预处理：

从网络训练开始，给各输入分量以同等的地位，通过上述的sigmoid函数将输入数据归一化到0～1间变化，降低网络权值的调整范围，减轻网络训练时的难度。

样本选择：

从预处理后的训练样本集中选取一组数据，输入到神经网络，由神经网络计算出其输出值。

正向传播：

正向传播过程是按照如图2所示的箭头方向的传播的过程，当学习过程开始时，从输入层经各中间隐层向输出层传播，在输出层的各神经元获得网络的输入响应。

误差分析：

误差分析环节中针对的是模式切换前后曲轴的输出扭矩波动的分析，其中，扭矩波动信号可由电磁转速传感器和测速齿盘测得。扭矩波动过大，易形成共振，影响整机性能与动力性能，造成车内乘客舒适性的下降。在本环节中，实际的扭矩波动值是模式切换前采集的扭矩波动值与模式切换后采集的扭矩波动值的差值的绝对值，将该差值与设定好的期望的扭矩波动的差值相比较。

理想的情况下，即未发生断缸/全缸的模式切换时，发动机保持同一模式工作时，两次采集扭矩波动值，其差值是零，即整车性能与动力性能未发生变化，车内乘客的舒适性未发生变化。

对于节点j，实际输出与期望输出的误差定义为，

其中，和o_j分别是节点j的期望输出和实际输出。

设定ε为指定的允许误差，若m个输出节点的实际输出均满足该样本的相应的m个期望输出，即E_j≤ε,j＝1,2,...,m，则学习过程结束，进行所控制参数的输出。否则，若E_j>ε,j＝1,2,...,m则进入误差反向传播过程。

误差反向传播：

从输出层起始到输入层，通过调整每一层神经元的权值和阈值，进行误差反向传播；人工神经网络通过调节每个神经元的权值来存储“新知识”，在误差反向传播过程中，系数调节的原则是，按照上述的误差的负梯度来修改权值w，并按照上述的公式进行阈值的修正即可。

网络训练依此步骤重复执行，在执行的过程中，根据实际输出和期望输出之间的差值来调节权值和阈值，使实际输出愈来愈接近期望输出，从而完成小波神经网络的训练。

步骤S103：获取车辆的运行参数，根据运行参数判断是否进入断缸模式。其中，车辆的运行参数包括但不限于：发动机转速信号、发动机扭矩信号、油门踏板信号、档位信号、车速信号和冷却液温度信号。

对于在线控制阶段，断缸控制系统需考虑到发动机的各种复杂工况下的工作情况，怠速工况或转速过低时，断缸会引发整机剧烈振动，需全缸模式工作；发动机冷启动或冷却液温度过低时，燃油汽化不完全，此时需全缸工作，保证燃烧稳定；急加速工况，为满足整机的功率需求，需全缸模式工作，保证良好的动力性能；而档位信号、油门踏板信号等均与车辆的行驶工况直接相关，也需将它们作为是否进入断缸模式的充分条件。

如图4所示，首先根据传感器的信号(包括发动机转速信号、发动机扭矩信号、油门踏板信号、档位信号、车速信号、冷却液温度信号等)，判断出发动机和车辆的实际运行工况，为避免影响发动机正常运行，在暖机、怠速、加/减速、转速过低/过高等工况下均不进入断缸模式，根据采集的传感器信号，首先设定一个与这些运行工况相对应的控制区间(包括转速区间、扭矩区间、车速区间、冷却液温度区间等)，判断发动机是否在此区间工况运行：若在此区间工况运行，则保持原机正常模式工作；若不在此区间工况运行，则认为符合断缸模式的基本要求，进入控制系统的下一环节。由控制系统对断缸模式的具体参数进行控制。

步骤S104：如果是，则将车辆的运行参数输入训练完成的小波神经网络，以根据车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据断缸模式信号得到工作气缸的进气流量和喷油量。

步骤S105：根据断缸模式信号、工作气缸的进气流量和喷油量对发动机的断缸过程进行控制。

具体而言，在符合断缸模式时，输入参数通过小波信号分析环节进行小波变换，小波变换的特点是运算速度快，有利于发动机控制单元的实时处理。小波变换之后的参数进入神经网络控制系统，计算得到输出参数，输出参数包括2个变量，为断缸数目和断缸次序。其中，断缸数目是指停止的工作气缸数目，断缸次序是指确定断缸数目后，各个气缸(喷油器)工作的时间序列，如断缸数目为2时，确定具体是对哪两个缸停止工作。更为具体地，是通过 神经网络控制系统，根据所处发动机工况，选择合适的断缸数目，根据模式切换前后扭矩波动变化最小的原则，选择合适的断缸次序。再根据输出的断缸模式信号，得出断缸模式下工作气缸的进气流量，对配气相位进行相应的控制，并对喷油量进行相应的控制，完成整个断缸过程的控制。

根据本发明实施例的发动机的断缸模式实现方法，结合了小波分析和人工神经网络控制，可以对发动机的断缸系统进行精确的实时控制，神经网络具有自适应、自学习的能力，可以克服控制对象的不确定性和时变性，用较少的试验数据作为样本对网络进行训练，利用小波分析可以使神经网络具有更快的学习和收敛速度，提升控制的实时性。该方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

图5是根据本发明一个实施例的发动机的断缸模式实现系统的结构框图。如图5所示，根据本发明一个实施例的发动机的断缸模式实现系统500，包括：训练样本获取模块510、训练模块520、判断模块530和控制模块540。

其中，训练样本获取模块510用于选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况。训练模块520用于根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络。判断模块530用于获取车辆的运行参数，并根据所述运行参数判断是否进入断缸模式。控制模块540用于在所述判断模块判断进入断缸模式时，将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量，以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对发动机的断缸过程进行控制。

在本发明的一个实施例中，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：

其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。

在本发明的一个实施例中，训练模块520用于：

对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：

其中，所述c为所述sigmoid函数的系数；

将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；

获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；

当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。其中，第一误差阈值指允许的误差，可根据经验确定。

训练模块520从输出层作为起始到输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：

其中，所述η为权值修正的学习率，0<η<1，w_ij为第i个输入层至第j个隐含层的连接权值；

通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：

其中，所述μ为阈值修正的学习率，0<μ<1，所述θ_j是第j个隐含层单元的连接阈值；

通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：

其中，所述v_ji为第i个隐含层至第j个输出层的连接权值。

根据本发明实施例的发动机的断缸模式实现系统，结合了小波分析和人工神经网络控制，可以对发动机的断缸系统进行精确的实时控制，神经网络具有自适应、自学习的能力，可以克服控制对象的不确定性和时变性，用较少的试验数据作为样本对网络进行训练，利用小波分析可以使神经网络具有更快的学习和收敛速度，提升控制的实时性。该系统在保证断 缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

需要说明的是，本发明实施例的发动机的断缸模式实现系统的具体实现方式与本发明实施例的发动机的断缸模式实现方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，不做赘述。

进一步地，本发明的实施例公开了一种车辆，该车辆包括了上述实施例所述的发动机的断缸模式实现系统。该车辆结合了小波分析和人工神经网络控制，可以对发动机的断缸系统进行精确的实时控制，神经网络具有自适应、自学习的能力，可以克服控制对象的不确定性和时变性，用较少的试验数据作为样本对网络进行训练，利用小波分析可以使神经网络具有更快的学习和收敛速度，提升控制的实时性。在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

另外，根据本发明实施例的车辆的其它构成以及作用对于本领域的普通技术人员而言都是已知的，为了减少冗余，不做赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。