一种基于学习算法的喷油量波动补偿控制方法与流程

本发明的目的是针对高压燃油共轨系统多次喷射造成喷油量不精确问题提出一种油量补偿控制方法，具体涉及一种基于学习算法的喷油量波动补偿控制方法，属于汽车发动机控制技术。

背景技术：

随着排放法规的日益严格，提升车辆内燃机的燃烧效率和改善尾气排放迫在眉睫。高压燃油共轨系统是直喷发动机性能提升的核心技术，能实现不同的喷油模式，在保证燃油经济性的情况下可通过提高喷射次数能够有效改善尾气排放效果。研究表明，预喷能够降低nox，并改善柴油机的震动和噪声；后喷则能够有效降低颗粒物(pm)的排放。然而在多次喷射过程中，由于前一次喷射针阀关闭时的水击效应，使得共轨系统液压油路内部产生燃油压力波动，进而导致后续喷射油量的波动，喷油量的不精确直接造成混合气配比改变，燃烧不充分，排放性能下降。而且喷油量波动的幅度会随着针阀落座速度的提高而增加，尤其针对电磁阀式喷油系统，油量波动的影响问题更为突出。

针对此类型问题国内外主要提出的解决方案是通过实验标定各工况下的修正map，通过查表插值的方法来实现对油量的修正。上述策略是一种纯工程方案，不仅需要大量的标定实验，而且不同发动机型号的可移植性差，也不适用于燃烧控制性能的正向开发。本发明提出的喷油量波动补偿控制策略可基于仿真平台构建，降低了对实验工况的遍历标定要求，在确定波动影响因子的基础上，通过一定的激励数据样本即可构建喷油脉宽修正值的自学习系统，其中自学习系统基于遗传算法优化理论与bp神经网络方法实现。为了描述本发明所提策略的适用性和有效性，以amesim仿真软件中搭建的喷油器模型为研究实例，通过仿真技术给出控制性能验证结果。

技术实现要素：

本发明所要解决的技术问题是：以一次预喷加一次主喷为例，通过分析两次喷射中预喷射导致的轨压衰减震荡波动，确定影响因子，对其设计基于自学习的喷油量补偿算法策略，实现对主喷脉宽的修正。本发明提出的喷油量波动补偿控制策略可基于仿真平台构建，降低了对实验工况的遍历标定要求，在确定波动影响因子的基础上，通过一定的激励数据样本即可构建喷油脉宽修正值的自学习系统，其中自学习系统基于遗传算法优化理论与bp神经网络方法实现。

为达到本发明的目的，可以通过如下技术过程实现：

一种基于学习算法的喷油量波动补偿控制方法，包括以下步骤：

步骤一、以柴油机电磁阀喷油系统为研究对象，对系统喷油的瞬态过程进行分析，借助amesim仿真软件搭建电磁阀喷油器仿真模型，通过仿真模型分析主喷油量波动影响因素；

步骤二、基于lm-bp神经网络算法的波动特性自学习：通过所述步骤一分析确定主预喷时间间隔、预喷脉宽、轨压大小是主喷油量波动的三个影响因子，基于lm-bp神经网络构建波动影响因子与喷油量修正值之间的网络关系；

步骤三、通过遗传算法对lm-bp神经网络初始权值阈值进行优化，通过一定数量的样本训练得到主喷脉宽修正因子的预测模型；

步骤四、通过所述步骤三得到的预测模型，获得补偿油量修正值，并通过查喷油脉宽map，插值得到主喷脉宽补偿值，对主喷脉宽进行补偿，进行修正并减小喷油量波动。

步骤五、通过amesim喷油系统校验所设计补偿策略的实时性、可行性和合理性。

综上，由于采用了上述的技术方案，本发明带来的有益效果是：

1.本发明为高压燃油共轨系统提供了一种具有自学习能力的喷油量补偿控制策略，具有明确的工程应用价值。

2.本发明的发明内容不仅适用于该系统，同样可推广于车辆系统中需要基于大量数据进行标定和工况多变难以精确建模的控制系统设计中，具有可移植性和普适性。

附图说明

图1为本发明多次喷射油量补偿方案的整体结构图；

图2为100mpa轨压下不同预喷脉宽时喷油量波动曲线；

图3为150mpa轨压下不同预喷脉宽时喷油量波动曲线；

图4为遗传算法优化bp神经网络流程图；

图5为ga-lm-bp神经网络对喷油波动样本点的拟合效果图；

图6为100mpa轨压下喷油量补偿效果图；

图7为150mpa轨压下喷油量补偿效果图。

具体实施方式

以下结合技术方案和附图详细阐述本发明的具体实施方式。

在一个喷射周期中，同一喷油器的相邻两次喷射时间间隔很短时，前一次喷射引起的共轨管内压力波动会导致后一次喷射的油量出现偏差。为了分析影响喷油量波动的影响因素，并降低喷油量波动对发动机燃烧产生的影响，本发明所提出的多次喷射油量补偿方案框图如图1所示，经过一系列的仿真试验与分析，确定主预喷时间间隔、预喷脉宽、轨压值对油量波动产生影响的规律，采用有自学习能力的遗传算法bp神经网络对该规律进行训练学习，得到补偿策略中的油量修正值，并通过查喷油脉宽map，插值得到主喷脉宽补偿值，进行修正并减小喷油量波动。下面对实施过程进行详细阐述。

(1)油量波动因素分析

为了分析喷油量波动的影响因素，在amesim中搭建的电磁阀喷油器模型中进行了下述仿真试验设计：

1)当发动机转速为5000r/s，设定轨压为100mpa时，保持主喷脉宽1.5ms恒定不变，主喷提前角固定，通过改变主预喷时间间隔在2ms～8ms范围变化，间隔步长为0.2ms，进行了预喷脉宽分别为0.2ms、0.3ms、0.4ms的喷油量波动试验，结果见图2，图中纵轴表示目标喷油量分别为82.4mm3、88.1mm3、93.8mm3时的实际喷油量波动值。可以看出，当固定预喷脉宽时，主喷波动量随两次喷射的时间间隔呈周期性波动变化形式，并存在一定的衰减性。当不同预喷相同主喷时，喷射油量波动幅度随预喷脉宽增大而增大。

2)改变设定轨压为150mpa，保持发动机转速5000r/s、主喷脉宽1.5ms不变，重复上述试验，如图3所示，得到预喷脉宽分别为0.2ms、0.3ms、0.4ms的喷油量波动曲线对比图，可以看出油量波动受轨压大小影响。

综上所述，主喷油量波动影响因素有主预喷时间间隔、预喷脉宽、轨压值。

(2)基于lm神经网络算法的波动特性自学习

主预喷时间间隔、预喷脉宽、轨压大小是导致喷油量波动的三个重要影响因子，且每种组合对应一个喷油量波动值。考虑到油量波动为离散性、非线性、且数据带标签的特点，可以采用监督学习中的bp神经网络设计油量波动值预测机制，对主喷脉宽进行补偿。

bp神经网络由输入层、隐含层、输出层构成，是按误差反向传播训练的多层前馈网络，通过一个目标函数最小化进行训练，在本问题中，目标函数选取是：

式中：yi—目标喷油波动量；yi′—实际的喷油波动量输出；p—训练样本数目；w—学习的权值和阈值向量；ei(w)—喷油波动量学习误差，i—第i个样本，

权重系数采用传统的梯度下降法进行调整

其中，η为学习速率，学习权值会顺着与误差梯度相反的方向变化，直到误差达到最小值。这种bp神经网络的训练时间较长，迭代次数也比较多，具有陷入局部最小值的缺点。针对上述问题，本文采用阻尼最小二乘算法(leverbergmaquardt，lm)对网络进行训练，并克服这些缺陷。它是梯度下降和高斯-牛顿法的结合，也可以称为是高斯-牛顿法的改进形式，该算法兼具局部快速收敛特性和全局搜索特性。在lm方法中，权值增量δw计算公式如下：

δw＝[j^t(w)j(w)+μi]^-1j^t(w)e(w)(3)

式中，i-单位矩阵；μ—定义的学习率；e(w)为喷油波动量学习误差，j(w)—jacobian矩阵，即：

设w^k表示第k次迭代的权值和阈值所组成的向量，新的权值和阈值所组成的向量w^k+1，则可通过如下式子进行计算：

w^k+1＝w^k+δw(5)

从(3)式可看出，如果比例系数μ＝0，则为高斯—牛顿法；如果μ取值很大，则lm算法接近梯度下降法，每迭代成功一步，则μ减小一些，这样在接近误差目标的时候，逐渐与高斯—牛顿法相似。但是，与其他训练算法相比，lm算法需要大量内存，因此其更适用于训练权值和阈值数目不超过几百的神经网络。根据本文待解问题的特征，可以选用lm算法作为bp神经网络预测模型的训练方法。

lm算法计算步骤为：

s1：给出训练最大迭代次数n，以及初始化权值向量w(0),令k＝0,μ＝μ0；

s2：计算网络输出和误差指标函数e(w^k)；

s3：按式(4)计算jacobian矩阵j(w^k)；

s4：分别按式(3)、(5)、(1)计算δw、w^k+1、e(w^k+1)；

s5：若e(w^k+1)<e(w^k)转到s6；否则不更新权值，令w^k+1＝w^k，μ＝μ*10，跳到s4；

s6：判断迭代次数是否达到n，如果达到，算法停止；否则令k＝k+1,μ＝μ/10，跳到s2。

(3)基于遗传算法的lm-bp神经网络优化

bp神经网络的权值和阈值对神经网络的训练效果影响较大，而且是无法准确获取的。针对这个问题，采用遗传算法优化来得到最佳的初始权值和阈值。遗传算法是一种面向全局的优化搜索人工智能算法，且具有鲁棒性强的优势。

基于遗传算法(ga)优化lm-bp网络主要分为三部分：网络拓扑结构的确定、ga优化初始权值和阈值、更新权值和阈值后的网络进行预测。具体的实现流程如图4所示：

s1：确定lm-bp神经网络拓扑结构，初始化权值和阈值。

s2：种群初始化。任意产生lm-bp神经网络的初始权值和阈值向量xi，，创建初始种群px＝{x1,x2,…,xn}，n是种群大小，并使用实数对种群个体进行编码。

s3：计算种群适应度值。将lm-bp神经网络训练的误差定义为适应度函数，染色体的适应度

越小成为下一代的概率就越大。

其中，f是适应度函数，dp是p节点的理想值；yp是p节点的预测值；k是适应度系数，取值区间是[0,1]。

s4：形成“交配池”。个体被选择的概率和适应度大小就是成正比的，形式如下：

s5：从上面的“交配池”中选择任意两个染色体进行交叉操作。通过比较父、子染色体适应度函数的大小。如果求得的适应度是减少的，则继续保留父染色体，否则就用子染色体替换父染色体

s6：从“交配池”中以相应的概率任意选择一个染色体进行变异操作，生成子染色体。如果子染色体的适应度大于父染色体，则保留子染色体。否则就是保留父染色体。

s7：一旦迭代次数达到最大值，就得到最优权值和阈值，否则跳转到s3，继续进行优化。

s8：采用上面ga优化得到权值和阈值参数对网络的训练样本进行学习，从而得到lm-bp神经网络预测模型。

s9：将测试样本集输入到lm-bp神经网络预测模型，对预测准确率进行验证，预测准确率达到要求就结束，否则跳到s1进行重复执行。

(4)通过lm-bp神经网络预测模型，获得补偿油量修正值，并通过查喷油脉宽map，插值得到主喷脉宽补偿值，对主喷脉宽进行补偿，减小喷油量波动。

(5)控制效果验证

根据上述方法设计了基于遗传算法lm-bp神经网络的喷油量补偿策略，首先针对本模型三个特征输入的情况确定网络的拓扑结构，考虑模型的复杂性，经过试验分析，当网络结构为三层、隐含层神经元个数为20个时，能达到期望要求。将输入特征(主预喷时间间隔、预喷脉宽、轨压)输入到油量补偿神经网络模型中，得到的拟合曲线与实际曲线对比情况如图5所示，可以看出拟合效果较好，平均拟合误差小于0.6。应用给出的测试数据，固定发动机转速5000r/s和主喷脉宽1.5ms，改变三个特征值对预测模型进行测试，数据对比表如表1所示，可以看出平均预测误差小于2，具有一定的预测效果。最后将该喷油量补偿算法放入在amesim中搭建的电磁阀喷油器模型中进行了仿真验证。如图6所示为当轨压为100mpa时(训练数据)，针对预喷脉宽分别为0.2ms、0.3ms、0.4ms下的油量修正效果，能够看出对多次喷射油量不精确问题可以进行有效控制，控制误差<1。如图7所示，当设定轨压为150mpa(测试数据)，针对不同预喷脉宽情况，可以对多次喷射油量不精确进行较有效控制，控制误差<2。该喷油量补偿策略能有效降低喷油波动。

表1ga-lm-bp神经网络对测试样本点训练的数据对比表