专利名称：电子节气门的自学习逆模型控制方法
技术领域：
本发明属于汽车发动机电子节气门的控制技术领域，特指一种电子节气门的自学习逆模型控制方法。
背景技术：
在汽车发动机中，节气门的作用是通过一定角度的开关来控制发动机的进气流量，直接影响到发动机的燃烧过程，决定发动机的运行工况。在实际操作中，驾驶员往往操作加速踏板来控制节气门开度。然而，加速踏板和节气门的连接方式有两种刚性连接和柔性连接。传统油门采用刚性连接，即通过拉杆或拉索传动连接加速踏板和节气门的机械连接方式，因此节气门开度完全取决于加速踏板的位置，即驾驶员的操作意图，但从动力性和经济性角度来看，此时发动机难以处于最佳运行工况，而且驾驶员的误操作也给安全稳定性带来一定的隐患。因此，刚性连接逐渐被柔性连接方式所取代。柔性连接方式取消了传统的机械连接，通过电控单元控制节气门快速精确的定位，因此又称为电子节气门。电子节气门具有以下主要优点精确控制节气门开度、集成多种控制功能、节约成本、车辆行驶可靠性优良、提高操纵稳定性和乘坐舒适性。
因而，研究电子节气门的控制成为汽车电子控制技术中提高燃油经济性、降低排放、提高稳定性、改善操控性能的一种重要方式。随着高效节能环保汽车运行控制与车辆主动控制理论和技术的发展，电子节气门取代传统节气门已是必然趋势，将给汽车工业的发展带来重要影响。
电子节气门结构由电机、变速箱、回位弹簧、位置传感器、阀盘、驱动电路等组成，如附图1所示。电子节气门是一个非线性控制对象，在节气门传动机构中存在着固有的一些非线性问题，如阀片运动过程中的粘性摩擦和滑动摩擦、复位弹簧的非线性特性、减速齿轮装置中的轮齿间隙。同时，电子节气门还存在时变情况，使得控制器的设计更加复杂。因此，需要有优良的控制方法对其实施控制，以获得良好的控制效果。
发明内容
本发明所要解决的技术问题是提供一种电子节气门的自学习逆模型控制方法，以对电子节气门这一复杂的被控对象获得良好的控制效果。
为实现上述目的，本发明的技术方案为 一种电子节气门的自学习逆模型控制方法，其特征在于，采用第一径向基函数神经网络作为辨识器对电子节气门进行模型辨识；采用第二径向基函数神经网络作为逆模型器对电子节气门进行控制； 第一径向基函数神经网络为一个具有输入层、隐含层、输出层的三层神经网络结构，第一径向基函数神经网络的输入层包括5个节点，分别是y(k-1)、y(k-2)、y(k-3)、u(k)、u(k-1)，所述的y(k)表示电子节气门的状态量，即气门开度角θ，u(k)表示电子节气门的输入控制量，k表示采样的时刻；第一径向基函数神经网络的输出层为一个节点，即辨识的状态量
第二径向基函数神经网络的输出直接作为电子节气门的输入控制量，第二径向基函数神经网络为一个具有输入层、隐含层、输出层的三层神经网络结构，第二径向基函数神经网络的输入层包括5个节点，分别是yd(k)、y(k-1)、y(k-2)、y(k-3)、u(k-1)，所述的yd(k)为期望的状态量，即期望的电子节气门开度角；第二径向基函数神经网络的输出层为一个节点，即u(k)； 第一径向基函数神经网络和第二径向基函数神经网络均先经过离线学习，再进行在线学习；所述的在线学习为采用梯度算法调整第一径向基函数神经网络和第二径向基函数神经网络权值；第二径向基函数神经网络的权值在线调整表示为 yu(k)估计为 其中k表示时刻，WC(k+1)表示k+1时刻的第二径向基神经网络权值；η为学习率；EC(k)表示设定的误差函数，eC(k)表示控制误差，yu(k)为输出状态量对于控制输入的敏感度、bC(k)表示第二径向基神经网络参数；WIT表示第一径向基神经网络权值，bI(k)表示第一径向基神经网络参数，σ为宽度参数。
所述的离线学习为根据现场样本数据，采用模糊K均值聚类算法来确定第一径向基函数神经网络和第二径向基函数神经网络的中心及宽度参数，采用梯度下降法调整网络权值。
本发明具有的有益效果 与现有技术相比，本发明的优点就在于 1、由于采用了一种基于RBF神经网络的自学习逆模型控制方法，能够较好地克服电子节气门控制中的非线性、时变难题，达到较好的控制效果； 2、由于采用了一种自学习方式来调整优化RBF神经网络参数，从而可以较快地学习训练RBF神经网络，而且控制性能也较好。
具体控制效果参见实施例1和附图。
图1是电子节气门结构示意图； 图2是本发明的作为辨识器的第一RBF神经网络的离线学习； 图3是本发明的作为逆模型控制器的第二RBF神经网络的离线学习； 图4是本发明中控制器的在线学习； 图5是本发明的实施流程； 图6是本发明中控制器的控制效果仿真。其中a，b，c和d图分别为阶跃响应曲线、阶跃响应误差、坡度响应曲线和坡度响应误差
图中标号说明1-汽车电池，2-电子节气门，3-变速箱，4-阀盘，5-回位弹簧，6-流入的空气，7-位置传感器，8-电机，9-驱动电路。
具体实施例方式 实施例1 以下将结合附图和具体实施例对本发明做进一步详细说明。
1、确定控制器的结构。
RBF神经网络是在借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络模型，具有最优逼近和全局逼近的特性，是非线性建模与控制中的一种有效工具。RBF神经网络通常定义为空间中任意一点x到某一中心ci之间的欧几里得距离的单调函数。这里常用的径向基函数为Gaussian函数，其形式为 其中为ci核函数中心；σ为核函数的宽度参数，表示基函数的径向作用范围；||·||表示欧几里得距离。
在本发明中采用一个径向基函数(RBF)神经网络作为辨识器，用于建立电子节气门的非线性模型，由附图2所示。这里用作辨识器的第一RBF神经网络(即RBF神经网络1)为一个三层的神经网络结构，即输入层、隐含层、输出层。用作辨识器的第一RBF神经网络的结构具体为根据电子节气门的特性，RBF神经网络的输入层包括5个节点，分别是y(k-1)、y(k-2)、y(k-3)、u(k)、u(k-1)，这里的y(k)表示电子节气门的状态量，即气门开度角θ，u(k)表示电子节气门的输入控制量，k表示采样的时刻；RBF神经网络的隐含层设定为8个节点；第一RBF神经网络的输出层为一个节点，即辨识的状态量y(k)。
在该控制器中采用另外一个径向基函数(RBF)神经网络作为逆模型器，其输出直接作为电子节气门的输入控制量，由附图3所示。这里用作逆模型控制器的第二RBF神经网络(即RBF神经网络2)为一个三层的神经网络结构，即输入层、隐含层、输出层，其结构具体为第二RBF神经网络的输入层包括5个节点，分别是yd(k)、y(k-1)、y(k-2)、y(k-3)、u(k-1)，这里的yd(k)为期望的状态量，即期望的电子节气门开度角；第二RBF神经网络的隐含层设定为7个节点；第二RBF神经网络的输出层为一个节点，即逆模型控制量u(k)。
2、离线学习 离线学习中，首先采集的电子节气门输入输出变量的样本数据，随后调整这两个RBF神经网络的权值和参数。
RBF网络有3组可调参数隐含层基函数中心ci、核函数宽度σ、隐含层与输出层的连接权值wi。这里将采用模糊K均值聚类算法来确定RBF网络基函数的中心ci及相应的宽度参数σ，而网络权值wi的学习采用梯度下降法来修正，具体描述如下 2.1利用模糊K均值聚类算法确定基函数中心ci 步骤1随机选择h个样本值作为ci(i＝1，2，…，h)的初值，其它样本按该样本与中心ci的欧几里得距离远近归入某一类，从而形成h个子类ai，i＝1，2，…，h； 步骤2重新计算各子类中心ci的值 其中xk∈ai，si为子集ai的样本数。同时计算每个样本属于每个中心的隶属度为 其中xj，xk∈ai(3) U＝{uij∈
|i＝1，2，…，h；j＝1，2，…，S}(4) 步骤3确定ci是否在容许的误差范围内，若是，则结束；若不是，则根据样本的隶属度调整子类个数，转到步骤2继续。
2.2确定宽度参数σ 这里采用式(5)来估计宽度参数σ 基函数中心ci和宽度参数σ确定之后，隐含层执行的是一种固定不变的非线性变换，第i个隐节点输出定义为(m为隐含层节点个数) 2.3调节RBF网络的连接权值 在确定基函数中心ci和宽度参数σ之后，下面将调节隐含层与输出层的网络连接权值wi。首先，定义RBF网络权值调整的目标函数为 其中
是相对于输入xk的实际输出，y(xk)是相对于输入xk的期望输出，N为总样本数。对于RBF网络，参数的调整应能使网络在最小二乘意义下逼近所对应的映射关系，也就是使目标函数E达到最小。这里利用梯度下降法调整RBF网络隐含层与输出层的连接权值w，使目标函数E达到最小，而网络权值的调整量可表示为 其中η为学习率，为0到1间的正数。这样可以确定网络权值w的每步调整量为 其中bi(xk)的定义如式(6)所示。
而网络权值w的迭代修正公式可以表示为 wi←wi+Δwi，i＝1，2，…，m(10) 这样一来，整个RBF网络的输出表示为 这样，我们可以将第一RBF神经网络的输出表示为而第二RBF神经网络输出表示为其中OI(k)、OC(k)分别表示第一RBF神经网络、第二RBF神经网络的输出值，而bI(k)、bC(k)分别表示第一RBF神经网络、第二RBF神经网络的参数值，其定义如式(6)所示。
3、在线学习 离线学习完成后，就可以将该控制器应用于电子节气门的控制中，并根据实际的控制效果采用梯度学习算法在线调整这两个RBF神经网络权值，以达到满意的控制要求。附图4描述了控制器的在线学习示意图。
定义第一RBF神经网络的误差目标函数为 在第一RBF神经网络中，梯度可以表示为 这样，我们可以将第一RBF神经网络的权值在线调整表示为 其中η学习率。
同样地，定义第二RBF神经网络的误差目标函数为 在第二RBF神经网络中，梯度可以表示为 其中用于描述输出状态量对于控制输入的敏感度。
此时，我们可以将第二RBF神经网络的权值在线调整表示为 而考虑到第一RBF神经网络已经经过了离线学习，非常接近于电子节气门的非线性模型，因而yu(k)就可以估计为 图5描述了本发明的实施流程，而图6则是本发明中控制器的控制效果仿真，结果表明该控制器具有较好的性能，能够满足电子节气门控制的要求。
权利要求
1.一种电子节气门的自学习逆模型控制方法，其特征在于，采用第一径向基函数神经网络作为辨识器对电子节气门进行模型辨识；采用第二径向基函数神经网络作为逆模型器对电子节气门进行控制；
第一径向基函数神经网络为一个具有输入层、隐含层、输出层的三层神经网络结构，第一径向基函数神经网络的输入层包括5个节点，分别是y(k-1)、y(k-2)、y(k-3)、u(k)、u(k-1)，所述的y(k)表示电子节气门的状态量，即气门开度角θ，u(k)表示电子节气门的输入控制量，k表示采样的时刻；第一径向基函数神经网络的输出层为一个节点，即辨识的状态量
第二径向基函数神经网络的输出直接作为电子节气门的输入控制量，第二径向基函数神经网络为一个具有输入层、隐含层、输出层的三层神经网络结构，第二径向基函数神经网络的输入层包括5个节点，分别是yd(k)、y(k-1)、y(k-2)、y(k-3)、u(k-1)，所述的yd(k)为期望的状态量，即期望的电子节气门开度角；第二径向基函数神经网络的输出层为一个节点，即u(k)；
第一径向基函数神经网络和第二径向基函数神经网络均先经过离线学习，再进行在线学习；所述的在线学习为采用梯度算法调整第一径向基函数神经网络和第二径向基函数神经网络权值；第二径向基函数神经网络的权值在线调整表示为
yu(k)估计为
其中k表示时刻，WC(k+1)表示k+1时刻的第二径向基神经网络权值；η为学习率；EC(k)表示设定的误差函数，eC(k)表示控制误差，yu(k)为输出状态量对于控制输入的敏感度、bC(k)表示第二径向基神经网络参数；WIT表示第一径向基神经网络权值，bI(k)表示第一径向基神经网络参数，σ为宽度参数。
2.根据权利要求1所述的电子节气门的自学习逆模型控制方法，其特征在于，所述的离线学习为根据现场样本数据，采用模糊K均值聚类算法来确定第一径向基函数神经网络和第二径向基函数神经网络的中心及宽度参数，采用梯度下降法调整网络权值。
全文摘要
本发明公开了一种电子节气门的自学习逆模型控制方法，该控制器的组成结构包括2个部分1)采用一个径向基函数神经网络作为辨识器，建立电子节气门的非线性模型；2)采用另外一个RBF神经网络作为逆模型控制器，得到合适的控制量。这里的2个RBF神经网络采取了一种自学习策略，包括离线学习和在线学习两个环节离线学习中，2个RBF神经网络根据现场样本数据，调整优化网络权值参数；离线学习完成后，再采用一种在线学习算法调整优化这两个RBF神经网络权值参数，控制性能达到要求。本发明能克服电子节气门控制中的非线性、时变等难题，提高控制的效果和性能。
文档编号G05B13/02GK101630144SQ200910044150
公开日2010年1月20日 申请日期2009年8月18日 优先权日2009年8月18日
发明者王耀南, 袁小芳, 辉 张, 吴亮红 申请人:湖南大学