基于神经网络的涡轮排气背压估计方法与流程

本发明涉及一种能够估计涡轮排气背压大小的方法，属于发动机机参数估计领域。

背景技术：

为了提高发动机输出动力，同时提升燃油燃烧效率，涡轮增压技术在乘用车中已被广泛使用。在涡轮增压发动机控制技术中，涡轮排气背压是非常重要的指标，它影响着增压器的工作效率和发动机整体的输出性能，由于涡轮排气歧管存在着很大的波动性和干扰，涡轮排气背压并不适合采用传感器进行测量。

为了得到排气背压且降低成本，目前最广泛使用的方法是采用经验公式和map图表结合进行估算，但这一方法的精确度取决于map标定的精细程度，而细化标定会带来巨大的工作量。

因此提出一种能够准确的估算涡轮排气背压的方法是十分必要且有意义的。

技术实现要素：

本发明目的是为了解决涡轮排气背压难以测量的问题，本发明提出一种基于神经网络模型的排气背压估计方法。该方法不增加额外的系统零部件和传感器，只需设计一组包含工况全面且易于实验操作的转速和加速踏板开度数据，通过一次发动机台架实验，对负荷、排气背压和空燃比数据进行采集，将设计的输入数据和采集的输出数据进行处理并构建神经网络模型，运用该神经网络模型能够对汽油机排气背压进行准确的实时估计。

本发明解决技术问题采用如下技术方案：一种基于神经网络的涡轮排气背压估计方法，其包括：

s10、采集加速踏板开度和发动机转速，并作为输入激励数据；

s20、根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据；

s30、对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理；

s40、构建神经网络模型；

s50、根据实际车辆的加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压。

可选的，所述神经网络模型的输入层选为3层，分别为发动机转速、负荷和空燃比；中间层选为包含15个神经元；输出层选为1层，为涡轮排气背压；在训练神经网络模型时，第一层与第二层之间的传递函数为对数激励函数，第二层与第三层之间的传递函数为线性激励函数，训练算法采用梯度下降法。

可选的，神经网络的输出层yp表示为：

其中，p为样本点个数，n为输入层的总层数，upi为第i个输入层第p个样本输入，vki表示神经网络的第k个中间层与第i个输入层之间的权值，q为中间层的总层数，ωk表示第k个中间层与输出层之间的权值，而f(.)为传递函数，线性传递函数的表达式为：

对数传递函数的表达式为：

可选的，假设采集的输出数据为tp，则全局误差函数e如下式所示：

可选的，s10中，激励输入数据为：转速从800转/分开始以200转/分为步长升至5000转/分，且每升高一个步长，转速稳定运行18s，在这稳定运行的18s内，加速踏板开度从0.1开始以0.1为步长升至1，在从1开始以0.1为步长降至0.1，每个开度持续1s；在转速上升阶段，加速踏板保持0.1开度不变。

可选的，s30具体为：通过下式对转速、负荷、空燃比和排气背压数据进行归一化：

其中，xmax为该数据中最大的值，xmin为该数据中最小的值，xi为该数据第i个量，yi为xi经过归一化后的值。

本发明具有如下有益效果：本发明的方法区别于传统的测量方法，在不额外增加系统零部件或传感器，能够根据工况条件通过神经网络模型可靠的估计出涡轮排气背压，从而省去了传感器硬件费用和标定环节，降低了成本，节约了人力和时间，缩短了控制器的开发周期。

附图说明

图1为神经网络建模过程图；

图2为台架实验输入数据图。

图3为台架实验输出数据图。

图4为归一化后的神经网络模型输入输出数据图。

图5为一组随机验证工况。

图6为验证对比图。

具体实施方式

下面结合实施例及附图对本发明的技术方案作进一步阐述。

实施例1

本实施例提供了一种基于神经网络的涡轮排气背压估计方法，尤其是应用于汽油机的一种基于神经网络的汽油机涡轮排气背压估计方法，包括：

s10、采集加速踏板开度和发动机转速，并作为输入激励数据。

在本发明的基于神经网络的涡轮排气背压估计方法，需要建立神经网络模型。在建立神经网络模型的过程中，需要设计输入激励数据，将输入激励数据作用于发动机台架，产生激励输出数据，将输入激励数据和激励输出数据进行归一化并得到神经网络模型。

本实施例中，所需要建立的神经网络模型输入为：转速，扭矩和空燃比，因为这三个参数直接决定了发动机的工况，同时也决定了涡轮增压器的工作情况；神经网络模型的激励输出数据则为需要估计的涡轮排气背压。

由于在做台架实验时，空燃比与负荷不能直接控制其大小，故采用控制加速踏板开度的方法来间接采集空燃比和负荷，因此，本实施例的输入激励数据为：加速踏板开度和发动机转速；激励输出数据为：空燃比，负荷和涡轮排气背压。

为了能够更好的反应汽油机排气背压特性，所设计的激励输入数据必须全面且方便测量和操作，设计的输入数据为：转速从800转/分开始以200转/分为步长升至5000转/分，且每升高一个步长，转速稳定运行18s，在这稳定运行的18s内，加速踏板开度从0.1开始以0.1为步长升至1，在从1开始以0.1为步长降至0.1，每个开度持续1s；在转速上升阶段，加速踏板保持0.1开度不变。

s20、根据加速踏板开度和发动机转速进行发动机台架实验，采集和记录负荷、空燃比和涡轮排气背压数据。

本实施例中，为建立神经网络模型，需要将输入激励数据和激励输出数据进行关联，为此，需要采集和记录负荷、空燃比和涡轮排气背压数据。

s30、对转速、负荷、空燃比和涡轮排气背压数据进行归一化处理。

由于转速、负荷、空燃比和排气背压等数据的数量级差异过大，这样的数据会导致建立的神经网络模型失真，故需要对数据进行归一化处理，从而排除因各个数据数量级不同而导致估计不准确的问题。

具体地：使所有的数据在区间[-1,1]内，归一化公式如下所示：

其中，xmax为该数据中最大的值，xmin为该数据中最小的值，xi为该数据第i个量，yi为xi经过归一化后的值。将转速、负荷、空燃比和排气背压四种数据都按照上述公式进行归一化处理。

s40、构建神经网络模型

所述神经网络模型的输入层选为3层，即发动机转速、负荷和空燃比；中间层选为包含15个神经元；输出层选为1层，即涡轮排气背压。

在训练神经网络模型时，第一层与第二层之间的传递函数为对数激励函数，第二层与第三层之间的传递函数为线性激励函数，训练算法采用梯度下降法。

神经网络的输出层yp可以表示为：

其中，p为样本点个数，n为输入层的总层数，upi为第i个输入层第p个样本输入，vki表示神经网络的第k个中间层与第i个输入层之间的权值，q为中间层的总层数，ωk表示第k个中间层与输出层之间的权值，而f(.)为传递函数，线性传递函数的表达式为：

对数传递函数的表达式为：

设采集的输出数据为tp，那么全局误差函数e如下式所示：

采用梯度下降法求解全局误差函数e计算出权值矩阵ωk、vki，即完成可以估算涡轮排气压力的神经网络模型训练。

s50、根据加速踏板开度、发动机转速和上述神经网络模型预估涡轮排气背压。

为了验证神经网络模型的准确性，在发动机台架随机采集一段数据。将该组随机数据输入给训练完毕的神经网络模型，对比输出结果如图5所示。

通过本实施例的神经网络模型，可以有效的估算涡轮排气背压的数值，通过输出数据对比可以发现，基于神经网络的汽油机涡轮排气背压估计方法具有良好的精度。

以上实施例的先后顺序仅为便于描述，不代表实施例的优劣。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。