复杂工况下HCCI发动机燃烧正时控制系统的制作方法

本发明属于均质充气压燃(Homogeneous Charge CompressionIgnition,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。

背景技术：

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(HomogeneousCharge CompressionIgnition,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。

技术实现要素：

有鉴于此，本发明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，本发明提供如下技术方案：

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w^I2,隐含层神经元到承接层神经元之间的连接权值w^I1，输出层神经元到隐含层神经元之间的连接权值w^I3，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(w^I1xc(t)+w^I2u(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(w^I3x(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。

本发明的有益效果在于：本发明首先考虑到实际中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。

本发明的其他优点、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，或者可以从本发明的实践中得到教导。本发明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

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，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发明的实施方式，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发明的其他优点与功效。本发明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，在没有背离本发明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发明的基本构想，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，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。

本发明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；在本发明的描述中，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发明和简化描述，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，不能理解为对本发明的限制，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。

本发明利用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，根据发动机转速和理想燃烧正时对HCCI发动机燃烧正时进行控制。本发明保证了黑箱模型的精确性，实现了复杂工况下燃烧正时跟踪理想输出的控制。

ELMAN神经网络HCCI发动机黑箱模型的建立如下。

选择影响HCCI发动机燃烧正时的三个主要可控变量发动机转速N、燃油当量比φ、进气门关闭正时θIVC作为神经网络的输入向量U＝(U1，U2，U3)，燃烧正时θ^mCA50作为输出y，建立如附图1所示的ELMAN神经网络，隐含层包含4个神经元节点，隐含层的激励函数选用Sigmoid函数f(·)；承接层包含2个神经元节点，自连接反馈因子为a；输出层激励函数为纯线性函数；网络训练学习算法为Levenberg-Marquardt算法。

ELMAN神经网络的数学模型如下：

x(t)＝f(w^I1xc(t)+w^I2u(t-1)) (1)

xc(t)＝axc(t-1)+x(t-1) (2)

y(t)＝g(w^I3x(t)) (3)

其中，x(t)表示隐含层单元第t步输出，xc(t)表示承接层单元第t步的输出，u(t-1)表示输入层单元第t-1步输出，y(t)表示输出层单元的输出值，w^I1，w^I2，w^I3分别表示承接层与隐含层，输入层与隐含层，隐含层与输出层之间的连接权矩阵，a为自连接反馈因子，其范围为0＜a＜1，f(x)多取为sigmoid函数，公式为：

g(x)多取为线性函数，即：

y(t)＝w^I3x(t) (5)

ELMAN神经网络模型需要大量的实验数据对模型的权值进行训练，以拟合输入和输出之间的非线性关系，需对发动机进行相关变量的数据采集。由于采集的变量数据的数量级和单位大小存在不同，在进行神经网络训练前，需要对收集的数据进行归一化处理。为此，令：

式中：为j个实验输入对应的数据，为数据中的最小值，为数据中的最大值，xj为归一化后的第j个输入数据，为实验测量得到的θCA50数据，为数据中的最小值，为数据中的最大值，y为归一化后的θCA50数据。

ELMAN神经网络的学习算法如下。

假设系统在第k步的实际输出为yd(k)，则ELMAN神经网络的误差修正函数为：

将E(k)对隐含层到输出层的权值w^I3求偏导，得：

令得：

将E(k)对输入层到隐含层的权值w^I2求偏导，得：

令得：

类似地，对隐含层到承接层的连接权值w^I1求偏导，得：

上式中：

不考虑xc(k)对连接权w1jl得依赖，则：

f′j(·)xc,l(k)＝fj′(·)xi(k-1)+a·f′j(·)xc,l(k)(16)

代入上式中，得：

由可以得出ELMAN的学习算法：

其中η1，η2，η3分别是w^I1，w^I2，w^I3的学习步长。

为了检测预测模型的准确性，选择相关系数ρ和均方差δ作为检测指标。

复杂工况下的BP神经网络控制器设计如下。

传统控制器可实现恒定工况下对HCCI发动机燃烧正时的精确控制，但在复杂工况下的控制效果差。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。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，建立复杂工况下的BP神经网络控制器。利用传统控制器在各种不同转速工况下进行控制实验，可得到关于转速、燃烧正时和进气门关闭正时相关变量的数据。利用得到的数据对BP神经网络进行训练，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。此时，BP神经网络控制器能够使系统的实际输出跟踪理想输出，实现复杂工况下的HCCI发动机燃烧正时控制。

图2为复杂工况下HCCI燃烧正时控制的BP神经网络结构模型，输入信号U1为发动机转速，U2为理想的燃烧正时，隐含层包含4个神经元节点(j＝1，2，3，4)，表示隐含层的激励函数，νj表示隐含层的神经元阀值，输入层到隐含层的连接权值为wij；输出向量为y，输出层的激励函数为ψ(·)，神经元阀值为ν，隐含层到输出层的连接权值为wj。在输入向量的向前传播过程中，根据各层神经元的阀值和连接权值，分别计算隐含层和输出层的输入输出信号。获得输出层的输出向量y，通过输出向量实现对复杂工况下HCCI燃烧正时的调控。

隐含层第j个神经元节点的输出信号Oj为：

输出层神经元节点的输出信号y为：

在误差反向传播过程中，从输出层反向计算每一层的误差，根据梯度下降算法更新各层的连接值和阀值，使网络的实际输出尽可能地接近期望输出。

设训练样本集合包含P个训练样本，网络对P个训练样本的总误差函数为：

式中E表示所有的样本误差累加和；d^(p)和y^(p)分别表示输入训练样本为P时，输出层神经元节点的期望输出和实际输出。

根据梯度下降算法逐层更新网络的连接权值和阀值，隐含层到输出层的连接权值修正量Δwj，输出层阀值修正量Δν，输入层到隐含层的连接权值修正量Δwij，隐含层阀值的修正量Δνj。

隐含层到输出层的连接权值调整公式为：

输出层阀值调整公式为：

输入层到隐含层的连接权值调整公式：

隐含层阀值调整公式为：

又因为：

最后得出公式：

wj(k+1)＝ηδOj+wj(k) (35)

ν(k+1)＝ηδ+ν(k) (37)

wij(k+1)＝ηδjU+wij(k) (39)

νj(k+1)＝ηδj+νj(k) (41)

其中η为学习速率，k为训练次数，δ和δj分别表示输出层和隐含层的误差信号。

图3为复杂工况下HCCI发动机燃烧正时控制图。

本发明首先考虑到实际中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。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。