用于内燃机的控制装置以及控制方法与流程

本发明涉及一种用于内燃机的控制装置以及控制方法。

背景技术：

通常，在对内燃机的控制量给出目标值的情况下，用于内燃机的控制装置被配置为通过反馈控制来确定用于内燃机的控制输入，使得控制量的输出值符合所述目标值。然而，在许多实际的内燃机控制的情况下，对内燃机的状态量存在各种硬件或控制约束。在不满足这些约束的情况下，可能发生硬件故障和控制性能的下降。除输出值符合目标值的能力之外，满足约束的能力也是内燃机控制所要求的重要性能之一。

基准调节器是满足该要求的有效装置。基准调节器设置有对包括受控对象和反馈控制器的闭环系统(反馈控制系统)建模的预测模型，并且通过使用该预测模型来预测施加有约束的状态量的未来值。然后，基于状态量的预测值和施加在状态量上的约束来修改对内燃机的控制量的目标值。

在公开号为2013-084091的日本专利申请和公开号为2004-084845的日本专利申请中已经描述了将基准调节器应用于内燃机控制的相关技术。与该相关技术相关的控制装置设置有反馈控制器和基准调节器。反馈控制器通过反馈控制来确定致动器(可变容量涡轮的可变喷嘴和节流阀)的操作量，使得内燃机的特定状态量(增压压力和填充效率)的实际值变得更接近目标值。基准调节器通过使用将与反馈控制相关的闭环系统的动态特性建模为“死区时间加二阶振动系统”的预测模型来预测特定状态量的未来轨迹，并且修改目标值使得满足该约束。

技术实现要素：

在上述的基准调节器中，执行了使用预测模型的在线计算。这是因为内燃机安装在车辆上，并且随着特定状态量的目标值由于车辆的操作状态和操作条件而时刻变化，为了满足约束，目标值的修改必须基于在线计算而不是基于离线计算。然而，安装在车辆上的控制装置的计算容量没有使用预测模型的在线计算所要求的计算量那么大。相应地，在车载控制装置中实现使用预测模型的在线计算的情况下，控制装置上的计算负荷可能变大。

随着特定状态量的未来轨迹的预测的范围扩大，控制装置上的计算负荷增加。关于这一点，在上述控制装置中，使用预测模型对特定状态量的未来轨迹的预测的范围被设定为预测模型的死区时间与二阶振动系统的振动周期的一半的和。这是有利的，因为仅在必要时才执行用于预测特定状态量的未来轨迹的计算。然而，在设定的预测时间内的预测可能导致预测精度的下降和对目标值的保守修改。

本发明提供一种用于内燃机的控制装置和控制方法，利用该控制装置和控制方法，减少了加到使用预测模型执行在线计算的控制装置的计算负荷，并且可以精确地执行对目标值的修改。

本发明的第一方面涉及一种用于内燃机的控制装置，所述控制装置被配置成通过操作致动器来控制所述内燃机的特定状态量。所述控制装置包括：反馈控制器，其被配置为通过反馈控制来确定所述致动器的操作量，使得所述状态量的实际值变得更接近目标值；以及基准调节器，其被配置为修改所述状态量的所述目标值，使得满足施加在所述状态量上的约束。当所述状态量的每单位时间的变化量等于或小于上限值β时满足所述约束。所述基准调节器(34)被配置为：当衰减系数ζ和固有角频率ωn分别表示在闭环系统的动态特性被建模为死区时间加二阶振动系统的情况下的模型公式的衰减系数和固有角频率并且t1和t2被表达为时，将修改后的目标值计算为通过将2ζβ/ωn和中的一者与所述状态量的当前值相加而得到的值；并且所述基准调节器被配置为将所述修改后的目标值和原始目标值中较小的一者确定为所述状态量的最终目标值。

本发明的第二方面涉及一种用于内燃机的控制方法，其中通过操作致动器来控制所述内燃机的特定状态量。所述控制方法包括：通过反馈控制来确定所述致动器的操作量，使得所述状态量的实际值变得更接近目标值；以及修改所述状态量的所述目标值，使得满足施加在所述状态量上的约束。当所述状态量每单位时间的变化量等于或小于上限值β时满足所述约束。修改状态量的目标值包括：当衰减系数ζ和固有角频率ωn分别表示在闭环系统的动态特性被建模为死区时间加二阶振动系统的情况下的模型公式的衰减系数和固有角频率并且t1和t2被表达为时，将修改后的目标值计算为通过将2ζβ/ωn和中的一者与所述状态量的当前值相加而得到的值；以及将所述修改后的目标值和原始目标值中较小的一者确定为所述状态量的最终目标值。

所述状态量可以是设置在柴油发动机的排气通道中的柴油机颗粒过滤器的床层温度，并且所述致动器可以是将燃料添加到所述排气通道中的所述柴油机颗粒过滤器的上游的装置。

根据上述配置，可以减少加到使用表达为死区时间加二阶振动系统的预测模型执行在线计算的控制装置上的计算负荷，并且可以精确地执行对目标值的修改。

附图说明

下面将参照附图对本发明的示例性实施例的特征、优点以及技术和工业意义进行描述，其中相同的标号表示相同的元件，并且其中：

图1是图示用于柴油发动机的后处理系统的构造的示意图；

图2是图示ecu30中的用于柴油发动机的目标值符合性控制结构的图；

图3是图示由图2中的虚线包围的与反馈控制相关的闭环系统的模型的图；

图4是图示由图2中的虚线所包围的与反馈控制相关的闭环系统的动态特性的图；

图5是示出现有技术的基准调节器算法的问题的图；

图6是示出在对dpf16的加热控制期间dpf床层温度的每单位时间的变化量的图；

图7是图示与基于等式(18)修改原始目标值的情况相关的数值模拟的结果的图；

图8是图示与未修改原始目标值的情况相关的数值模拟的结果的图；

图9是图示根据第一实施例的基准调节器算法的图；

图10是示出第一实施例的问题的图；

图11是图示等式(20)的绘制结果的图；

图12是图示与基于等式(23)修改原始目标值的情况相关的数值模拟的结果的图；以及

图13是图示根据第二实施例的基准调节器算法的图。

具体实施方式

在下文中，将参照附图描述本发明的实施例。在附图中，相同的附图标记将用于指代相同的元件，并且将省略重复的描述。本发明不限于下述实施例。

首先，将参照图1至图9对本发明的第一实施例进行描述。

根据第一实施例的控制装置控制用于安装在车辆上的内燃机的后处理系统。图1是图示用于内燃机的后处理系统的构造的示意图。图1所示的后处理系统设置有作为内燃机的柴油发动机10、设置在柴油发动机10的排气通道12中的柴油氧化催化剂(doc)14和柴油机颗粒过滤器(dpf)16、设置在排气口18中的燃料添加装置20以及设置在dpf16的下游的温度传感器22。doc14是将排气中所包含的烃(hc)和一氧化碳(co)通过氧化转化成水(h2o)和二氧化碳(co2)的催化剂。dpf16是收集排气中所含的颗粒成分的过滤器。燃料添加装置20被构造成将燃料添加到doc14的上游。温度传感器22被配置成测量dpf16的床层温度(下文中也称为“dpf床层温度”)。

图1所示的后处理系统还设置有电子控制单元(ecu)30。ecu30设置有随机存取存储器(ram)、只读存储器(rom)、作为微处理器的中央处理单元(cpu)，等等(此处全部没有示出)。基准调节器算法的程序(稍后描述)存储在ecu30的rom中。

通常，柴油发动机中所使用的燃料和润滑剂含有硫，因此由于燃料的燃烧而产生了硫化合物(sox)。当在柴油发动机10中产生sox时，所产生的sox被吸附到dpf16上，并且降低了dpf16的收集功能。在第一实施例中，通过ecu30执行对dpf16的加热控制，使得能够恢复收集功能。具体地，对dpf16的加热控制是通过将燃料从燃料添加装置20添加到排气系统而将dpf床层温度升高到300℃至700℃范围的温度的控制。对dpf16的加热控制允许sox从dpf16脱附并释放到大气中。

当在对dpf16的加热控制期间的dpf床层温度的每单位时间的变化量(以下也称为“床层温度梯度”)较大时，从dpf16脱附的sox的浓度暂时地增加，并且脱附的sox以可见状态(即，以白烟状态)释放到大气中。在第一实施例中，约束(上限值β(degc/sec))被施加到对dpf16的加热控制期间的床层温度梯度上，从而防止了白烟。

ecu30设置有控制结构，该控制结构使dpf床层温度符合目标值同时将对dpf16的加热控制期间的床层温度梯度保持在上限值β或上限值β以下。该控制结构是图2所示的目标值符合性控制结构。如图2所示，目标值符合性控制结构设置有目标值设定表(map)32、基准调节器(rg)34和反馈控制器36。

当给出指示柴油发动机10的运转条件的外来输入d时，目标值设定表32输出作为控制量的dpf床层温度的目标值r。外来输入d包括经过dpf16的排气流量(质量流量)和dpf16上游处的排气温度。在外来输入d中所包括的这些物理量可以是测量值或估计值。

基准调节器34通过在线计算来修改dpf床层温度的目标值，使得满足各种硬件或控制约束。具体地，当给出dpf床层温度的目标值r时，基准调节器34修改目标值r使得满足与床层温度梯度相关的约束，并输出dpf床层温度的修改后的目标值g。在图2中，作为控制输入或控制输出信号的约束信号z是指床层温度梯度。如上所述，上限值β被施加在床层温度梯度z上。

当从基准调节器34给出了dpf床层温度的修改后的目标值g时，反馈控制器36获取从温度传感器22输出的dpf床层温度的当前值y，并且基于修改后的目标值g与当前值y之间的偏差e通过反馈控制来确定待给与受控对象38的控制输入u。在第一实施例中，所述受控对象是后处理系统，因此，燃料添加装置20的操作量(即，由燃料添加装置20添加到排气系统的燃料的量)被用作控制输入u。反馈控制器36的规格不受限制，并且已知的反馈控制器可以用作反馈控制器36。例如，比例积分反馈控制器可以用作反馈控制器36。

图3是图示由图2中的虚线所包围的与反馈控制相关的闭环系统的模型的图。图4是图示该闭环系统的动态特性的图。如图3所示，该闭环系统模型被配置为预测模型，所述预测模型当dpf床层温度的目标值r(原始目标值r或修改后的目标值g)被输入时输出dpf床层温度y。在该预测模型中，闭环系统的动态特性被建模为如图4所示的“死区时间加二阶振动(二阶滞后)系统”。该预测模型通过使用图3所示的传递函数g(s)而表达为以下模型公式(1)。

y＝g(s)r(1)

具体地，等式(1)中的g(s)被表达为下面的等式(2)。在等式(2)中，“s”表示微分算子，“ζ”表示衰减系数，“ωn”表示自然角频率，并且“l”表示死区时间。

在下文中，将参考图5对现有技术的基准调节器算法的问题进行描述。如同第一实施例，该算法通过使用对闭环系统的动态特性建模的预测模型的在线计算以有限次数重复未来目标值预测。然而，在现有技术的该算法中，除了使用预测模型的未来目标值预测之外，还执行使用修改后的目标值的候选作为变量搜索目标函数的最优值，因此，施加在ecu上的计算负荷趋于增加。另外，在对目标函数的最优值的搜索在有限次数内被中止的情况下，可以以保守方式执行目标值修改。

本申请的发明人考虑到该问题，并且发现可以通过数学未来预测在线地计算最优修改后的目标值。图6是示出本申请中应当注意的床层温度梯度的图。从图6可以明显看出，在闭环系统的动态特性被建模为死区时间加二阶振动(二阶滞后)系统的情况下，死区时间对床层温度梯度没有贡献。这表明在床层温度梯度的计算中可以忽略死区时间，并且可以仅基于二阶滞后特性来确定床层温度梯度。

在等式(2)中，二阶滞后特性被表达为ωn²/s²+2ζωns+ωn²，并且死区时间特性被表达为e^-ls。在床层温度梯度仅利用二阶滞后特性来表达的情况下，等式(1)可以被表达为等式(3)。

当基于t1＝-1/p1和t2＝-1/p2进一步修改等式(3)时，得到了等式(4)p1和p2是在等式(3)的右手侧的分母为0的情况下关于s的二次方程式(s²+2ζωns+ωn²＝0)的解。

当将等式(5)中所示的反拉普拉斯变换公式应用于等式(4)时，得到了指示床层温度梯度的等式(6)。

在床层温度梯度最大化(达到最大梯度)的情况下，等式(6)的时间微分值为零，因此通过对等式(6)的两侧时间微分得到了等式(7)。

为了满足等式(7)，等式(7)的右手侧的括号中的值可以是零。相应地，得到了等式(8)。

当进一步修改等式(8)时，得到了等式(9)和等式(10)。

在开始对dpf16的加热控制之后使床层温度梯度最大化所花的时间tmax可以被表达为关于t修改了等式(10)的等式(11)。

当使用等式(11)来组织等式(6)时，得到了等式(12)。

在时间tmax处，等式(12)的右手侧的分母的系数被最大化，因此，床层温度梯度相对于单位阶跃响应的最大值g1max可以被表达为等式(13)。另外，关于等式(12)的右手侧的r，在时间tmax处满足等式(14)，从而得到等式(15)。在等式(14)中，tdpf^ref表示dpf床层温度的目标值，并且tdpf表示dpf床层温度。

当在时间tmax处的床层温度梯度等于或小于上限值β时，满足上述约束。换句话说，在满足该约束的情况下满足表达式(16)。

当对dpf床层温度的目标值tdpf^ref组织表达式(16)时，得到了表达式(17)。

相应地，当基于从等式(17)得到的等式(18)来修改dpf床层温度的目标值时，理论上满足了与床层温度梯度相关的约束。在等式(18)中，表示dpf床层温度的修改后的目标值，并且tdpf表示当前dpf床层温度。

将参照图7和图8对基于等式(18)的目标值修改的效果进行描述。图7是图示与基于等式(18)修改原始目标值的情况相关的数值模拟的结果的图。图8是图示与未修改原始目标值的情况相关的数值模拟的结果的图。通过使用等式(1)的模型公式，假设当前dpf床层温度tdpf为a1并且上限值β为b1(a1和b1各自为固定值)，通过在时刻0输入dpf床层温度的目标值来预测dpf床层温度的未来值(在模拟周期中目标值是恒定的)，并且从预测的未来值来预测床层温度梯度，来执行图7和图8中的数值模拟。

在a2(固定值)在时刻0作为dpf床层温度的目标值输入(图8)的情况下，床层温度梯度的预测值超过上限值β，并且与约束冲突。在tdpf+β/g1max(＝a1+b1/g1max)在时刻0作为dpf床层温度的目标值输入(图7)的情况下，床层温度梯度的预测值等于或小于上限值β并且满足约束。这意味着在基于等式(18)的目标值修改中满足了与床层温度梯度相关的约束。

图9是图示根据第一实施例的基准调节器算法的图。在第一实施例中，当执行图9所示的对pdf16的加热控制时，dpf床层温度的原始目标值和dpf床层温度的修改后的目标值中较小的一者被确定为最终目标值修改后的目标值被计算为通过将β/g1max与当前dpf床层温度tdpf相加而得到的值(等式(18))。

在第一实施例中，可以基于使用如上所述在数学上得到的等式(18)的在线计算，在满足与床层温度梯度相关的约束的同时，修改dpf床层温度的目标值。利用基于等式(18)的目标值修改，无须执行参考图5所描述的未来目标值预测和对目标函数的最优值的搜索，因此可以极大地减少施加在ecu30上的计算负荷。

根据第一实施例，如上所述，在对dpf16的加热控制期间的床层温度梯度保持在上限值β或上限值β以下。然而，即使当dpf16被doc14替换时，仍然可以实现与第一实施例的效果类似的效果。这是因为柴油发动机10中产生的sox可以被吸附到doc14上，当对doc14执行加热控制时sox从doc14脱附，当在加热控制期间doc14的床层温度的每单位时间的变化量大时，从doc14脱附的sox的浓度暂时地增大，并且脱附的sox以白烟状态释放到大气中。该修改示例也可以类似地应用于第二实施例(稍后描述)。

在第一实施例中，用于柴油发动机的后处理系统已经被描述为受控对象。然而，即使在能够将与反馈控制相关的闭环系统的动态特性建模为死区时间加二阶振动(二阶滞后)系统的另一系统是受控对象的情况下，仍然可以建立与第一实施例的基准调节器算法类似的基准调节器算法。这种系统的一个示例是通过反馈控制来确定致动器(可变喷嘴、节流阀和可变容量涡轮增压器(variablecapacityturbo)的egr阀)的操作量以使得发动机状态量(增压压力、填充效率以及egr率)的实际值变得更接近目标值的系统。假定上限值被施加在状态量的每单位时间的变化量上。该修改示例也可以类似地应用于第二实施例(稍后描述)。

在下文中，将参照图10至图13对本发明的第二实施例进行描述。如在第一实施例的描述中，第二实施例的以下描述假设用于柴油发动机的后处理系统是受控对象并且ecu30具有与第一实施例类似的目标值符合性控制结构。相应地，下面描述将集中于第二实施例与第一实施例的不同之处。

图10是示出第一实施例的问题的图。在图7所示的数值模拟中，假定在模拟期间dpf床层温度的目标值为恒定的。然而，在对dpf16的实际加热控制期间，由于dpf床层温度升高，目标值应该不断上升。图10示出了鉴于这一点执行的数值模拟的结果。在图10所示的数值模拟中，tdpf+β/g1max(＝a1+b1/g1max)在时刻0作为dpf床层温度的目标值被输入，然后每8ms修改该目标值

如图10所示，在床层温度的目标值在模拟期间dpf被修改的情况下，床层温度梯度的预测值超过上限值β并且与约束冲突约25％。当通过将反拉普拉斯变换公式应用于表示由于将β/g1max输入到图3所示的模型中所产生的输出的等式(19)而得到脉冲响应时，得到了与时间梯度相关的等式(20)，以便得到冲突量的最大值(最大冲突量)。

当对等式(20)的两侧进行时间微分而得到最大冲突量时，得到了等式(21)。然而，等式(21)的右侧的值总是为正，因此不能得到最大冲突量。

本申请的发明人进一步考虑了该问题并发现虽然不能得到冲突量的最大值，但是可以得到加热梯度的上边界值。图11是图示等式(20)的绘制结果的图。当得到等式(20)的限定值时，基于该结果得到了示出加热梯度的上边界值的等式(22)。

等式(22)是指在对dpf16的加热控制期间的床层温度梯度的上边界值是上限值β乘以ωn/2ζg1max。相应地，当基于等式(23)修改dpf床层温度的目标值时，满足了与实际响应时的床层温度梯度相关的约束，在等式(23)中，在对dpf床层温度的目标值修改时，等式(18)的β/g1max除以ωn/2ζg1max。

将参照图12描述基于等式(23)的目标值修改的效果。图12是图示了与基于等式(23)修改原始目标值的情况相关的数值模拟的结果的图。在图12的数值模拟中，tdpf+2ζβ/ωn(＝a1+2ζb1/ωn)在时刻0作为dpf床层温度的目标值输入，然后，如在图10的数值模拟中，每8ms修改该目标值

在如图12所示，a1+2ζb1/ωn在时刻0作为dpf床层温度的目标值输入的情况下，床层温度梯度的预测值等于或小于上限值β，并且满足约束。换句话说，这意味着在基于等式(23)的目标值修改中满足了与实际响应时的床层温度梯度相关的约束。

图13是图示根据第二实施例的基准调节器算法的图。在第二实施例中，如图13所示，在对dpf16的加热控制期间，dpf床层温度的原始目标值和dpf床层温度的修改后的目标值中的较小的一者被确定为最终目标值修改后的目标值被计算为通过将2ζβ/ωn与当前dpf床层温度tdpf相加而得到的值(等式(23))。

根据第二实施例，可以基于如上所述的使用等式(23)的在线计算，在满足与实际响应时的床层温度梯度相关的约束的同时，修改dpf床层温度的目标值。利用基于等式(23)的该目标值修改，无须执行参照图5描述的未来目标值预测和对目标函数的最优值的搜索，因此能够减少施加在ecu30上的计算负荷。