（动力机械及工程专业论文）神经网络在煤层气发动机控制中的应用.pdf

神经网络在煤层气发动机控制中的应用摘要将先进的控制理论用于煤层气发动机控制系统中，对于改善煤层气发动机的动力性能和捧放性能具有非常重要的意义。相关传感器响应特性和控制算法的研究，是煤层气发动机控制系统分析和设计过程中的重要研究内容，是建立系统控制仿真模型和开发、优化设计电控单元的前提。为有效地设计空燃比前馈控制器，研究了热线式空气质量流量( m a f ) 传感器动态非线性建模方法。根据静、动态标定数据分别建立了热线式m a f 传感器的参数模型和线性神经网络非参数模型，并对模型进行验证，结果表明神经网络模型精度明显高于参数模型，且可以将流量突增和流量突减两种工作模式下的特性统一于一通用模型，与参数模型相比神经网络模型更适合用于发动机控制系统仿真模型中。利用煤层气发动机实验数据，基于模块化的设计思想在m a t l a b s i m l i n k的环境中初步建立了煤层气发动机的平均值模型。建模过程采用机理分析和实验辨识相结合的方法，在建模对象非线性强烈时，为提高辨识精度，利用了具有强非线性逼近能力和高度自学习能力的神经网络辨识模型参数。通过仿真实验对模型进行检验的结果表明，经参数整定和神经网络校正后的系统模型能对发动机稳态及动态输出的趋势和范围作出准确预测。提高空燃比的控制精度是改善发动机性能的关键，文中借鉴汽油机的空燃比控制策略提出了基于神经网络的煤层气发动机空燃比前馈一反馈控制策略。前馈控制由权值可调的r b f 神经网络实现，反馈控制由常规p i d 控制器实现。仿真结果表明该方法具有很好的控制效果。最后，分别采用基于b p 网络整定的p i d 控制算法、c m a c ( c e r e b e l l a r w o d e la r t i c u l a t i o nc o n t r o l l e r ) 与p i d 复合控制算法以及神经网络预测控制算法对煤层气发动机的转速控制策略进行了研究，结果表明神经网络预测控制算法比其他两种方法的控制效果更好，为试验台架检测系统的改进和电控节气门的开发提供了理论基础。关键词：煤层气发动机：热线式m a f 传感器；神经网络；建模；空燃比控制；转速控制a p p l i c a t i o no fn e u r a ln e t w o r k st oc o a l - b e dm e t h a n ee n g i n ec o n t r o ls y s t e ma b s t r a c ta p p l i c a t i o no fa d v a n c e dc o n t r o lt h e o r yt oc o a l b e dm e t h a n e ( c b m ) e n g i n ec o n t r o ls y s t e mi sv e r yi m p o r t a n ta n ds i g n i f i c a n t ，b e c a u s ei tc a nw e l li m p r o v ec b me n g i n e sp o w e rp e r f o r m a n c ea n de m i s s i o np r o p e r t i e s s t u d yo nc o r r e s p o n d i n gc h a r a c t e r i s t i c sf o rr e l a t e ds e n s o r sa n da i r f u e l r a t i oc o n t r o ls t r a t e g i e so fc b me n g i n ei s i sa ni m p o r t a n tt a s ki na n a l y s i sa n dd e s i g n i n gp r o c e s so fc b me n g i n ec o n t r o ls y s t e m ，i tl a y st h eg r o u n d w o r kf o rt h ed e s i g na n ds i m u l a t i o no ft h ee n g i n ee l e c t r o n i cc o n t r o ls y s t e m t h en o n l i n e a rd y n a m i cm o d e l i n gm e t h o d sf o rah o tw i r et y p em a s sa i rf l o w( m a f ) s e n s o rw e r es t u d i e db a s e do nt h ee x p e r i m e n td a t ai no r d e rt od e s i g ne f f i c i e n t l yt h ee n g n ea i rf u e lr a t i of e e d f o r w a r dc o m r o l l e ri ne l e c t r o n i c a l l yc o n t r o l l e du n i t t h ep a r a m e t r i ca n dl i n e a rn e u r a ln e t w o r kn o n - p a r a m e t r i cm o d e lw e r ee s t a b l i s h e da n dv a l i d a t e d ，t h er e s u l t ss h o wt h a tt h en e u r a ln e t w o r kn o n p a r a m e t r i cm o d e li sm o r ea c c u r a t et h a np a r a m e t r i cm o d e l ，a n dc a nc o r r e c t l yd e s c r i b et h ed y n a m i cc h a r a c t e r i s t i c so ft h es e n s o ri nb o t hp o s i t i v ea n dn e g a t i v ew o r k i n gm o d ew i t ho n em o d e l ，s oi ti sb e t t e rt h a np a r a m e t r i cm o d e lw h e nt h e ya r eu s e df o rs i m u l a t i o ns u b - m o d e li ne n g i n ec o n t r o ls y s t e m b a s e do nt h em o d u l a rd e s i g nc o n c e p t ，i n i t i a l l ye s t a b l i s h e dt h ea v e r a g ec o a l b e dm e t h a n ee n g i n em o d e li nm a t l a b s i m u l i n ke n v i r o n m e n tu s i n ge x p e r i m e n t a ld a t ao b t a i n e do nc b me n g i n ee x p e r i m e n tb e n c h t h ec o m b i n a t i o no fm e c h a n i s ma n dt e s t i n gm o d e l i n gm e t h o dw a sa d o p t e di nt h ep r o c e s s t oi m p r o v ei d e n t i f i c a t i o na c c u r a c yn e u r a ln e t w o r kw h i c hh a ss t r o n gn o n l i n e a ra p p r o x i m a t i o na b i l i t ya n dah i g hd e g r e eo fl e a r n i n ga b i l i t yw a su s e dt oi d e n t i f ym o d e lp a r a m e t e r t h es i m u l a t i o nr e s u l t so ft h em o d e lv a l i d a t i o ns h o wt h a tt h es y s t e mm o d e la f t e rs e t t i n gp a r a m e t e r sa n dn e u r a ln e t w o r kc o r r e c t i o nc a nb a s i e l l yp r e d i c t i v et h ee n g i n eo u t p u tt r e n da n dr a n g ei nb o t hs t e a d y s t a t ea n dd y n a m i cs t a t e t h ea i r - f u e lr a t i oc o n t r o lp r e c i s i o ni st h ek e yf a c t o ro fi m p r o v i n ge n g i n ep e r f o r m a n c e ,t h en e u r a ln e t w o r kb a s e df e e d f o r w a r d - f e e d b a c kc o n t r o ls t r a t e g yf o rt h ec o a l b e dm e t h a n ee n g i n ea i r - f u e lr a t i ow a sp r o p o s e di nv i e wo ft h eg a s o l i n ee n g i n ea i r - f u e lr a t i oc o n t r o ls t r a t e g y f e e d - f o r w a r dc o n t r o lw a sp e r f o r m e db yt h ea d j u s t a b l ew e i g h t sn e u r a ln e t w o r k s ，a n df e e d b a c kc o n t r o lw a sc o m p l e t e db yt h ec o n v e n t i o n a lp i dc o n t r o l l e r t h es i m u l a t i o n5r e s u l t ss h o wt h a tp r o p o s e dm e t h o dh a sb e t t e rc o n t r o le f f e c tt h a nt h a to n l yu s i n gp i dc o n t r o l l e r f i n a l l y ，k i n d so fm e t h o d sw e r es t u d i e di n c l u d i n gb p n e t w o r kb a s e dt u n i n gp i dc o n t r o la l g o r i t h m , c m a c - p i dc o n t r o la l g o r i t h ma n dn e u r a ln e t w o r kp r e d i c t i v ec o n t r o la l g o r i t h mf o rc o a l b e dm e t h a n ee n g i n es p e e dc o n t r 0 1 t h es t u d yr e s u l t ss h o wt h a tp r e d i c t i v ec o n t r o li sm o r es u i t a b l ef o rs p e e dc o n t r o la l g o r i t h n l ，w h i c hi sh e l p f u lt oi m p r o v et e s t i n ga n dm e a s u r e m e n ts y s t e mo nt e s tb e n c ha n dt od e v e l o pe l e c t r o n i cc o n t r o lt h r o t t l e k e yw o r d s ：c b me n g i n e ；h o tw i r et y p eo fm a fs e n s o r ；n e u r a ln e t w o r k s ；m o d e l i n g ；a i r f u e lr a t i oc o n t r o l ；s p e e dc o n t r o l6插图清单图2 - 1 热线式空气质量流量传感器标定装置图6图2 - 2h a m m e r s t e i n 模型框图7图2 3 线性神经网络动态模型结构9图2 - 4 热线式传感器静态模型输出与实验输出比较1 0图2 - 5 各种方法模型参数估计过程1 0图2 - 6 ( a ) 正阶跃响应不同模型f o e 值随阶次的变化1 1图2 - 6 ( b ) 负阶跃响应不同模型f o e 值随阶次的变化1 l图2 - 7 ( a ) 利用不同正阶跃响应实验数据的建模效果1 2图2 - 7 ( b ) 利用不同负阶跃响应实验数据的建模效果1 3图2 8 ( a )正阶跃跃响应数据建模，同向激励下非建模数据对模型验证1 3图2 8 ( b )负阶跃跃响应数据建模，同向激励下非建模数据对模型验证1 4图2 - 9 ( a )用各区间非建模数据对正阶跃工作模式下分段模型的验证1 5图2 - 9 ( b )用各区间非建模数据对负阶跃工作模式下分段模型的验证1 6图2 - 1 0 ( a ) 正阶跃模式局部模型的权重函数1 7图2 1 0 ( b ) 负阶跃模式局部模型的权重函数1 8图2 - 1 1 ( a ) 正阶跃响应复合模型的验证结果1 8图2 - 1 1 ( b ) 负阶跃响应复合模型的验证结果1 9图2 - 1 2 ( a )线性神经网络模型的建模效果与验证效果2 0图2 - 1 2 ( b )线性神经网络建模误差及模型验证误差2 0图2 - 1 3 ( a )线性神经网络模型的建模效果与验证效果2 l图2 - 1 3 ( b )线性神经网络模型建模误差与验证误差2 2图2 - 1 4 ( a )正阶跃响应数据建模，负阶跃响应数据验证模型2 3图2 1 4 ( b )正阶跃数据建模及负阶跃数据验证模型误差2 3图2 - 1 5 ( a )负阶跃响应数据建模，正阶跃响应数据验证模型2 4图2 - 1 5 ( b )负阶跃数据建模及正阶跃数据验证模型误差2 4图3 - 1 煤层气发动机实验装置图2 7图3 - 2 空气燃气混合模型2 9图3 - 3 节气门流量系数与节气门开度的关系3 0图3 - 4 节气门前后压差与节气门开度和进气歧管压力的关系3 l图3 - 5 节气门处混合气流量模型3 l图3 - 6 充量系数与歧管压力及转速之间的关系3 3图3 _ 7 进气歧管平均值模型3 4图3 - 8 动力输出子模型3 7图3 _ 9 预混合进气系统仿真模型3 7图3 _ l o 平均值发动机模型3 8图3 - 1 1 煤层气发动机仿真模型框图3 8图3 1 2 ( a ) 稳态工况1 的仿真结果3 9图3 1 2 ( b ) 稳态工况2 的仿真结果3 9图3 1 2 ( c ) 稳态工况3 的仿真结果，4 0图3 1 2 ( d ) 稳态工况4 的仿真结果4 0图3 1 2 ( e ) 稳态工况5 的仿真结果4 0图3 1 3 ( a )空载、1 8 0 0 r m i n 时稳态工况的仿真结果4 l图3 1 3 ( b )负载标称功率1 5 k w 、1 8 0 0 r m i n 时稳态工况的仿真结果4 1图3 一1 4 负载标称功率1 5 k w 、节气门开度从1 0 变化到3 8 5 时动态工况的仿真结果4 l图3 1 5 负载标称功率3 o k w 、节气门开度从1 5 变化到3 8 时动态工况的仿真结果4 2图3 - 1 6 带校正环节的预混合进气系统仿真模型4 3图3 1 7 校正后的节气门突变工况仿真结果4 3图3 一1 8 节气门开度7 1 、负载标称功率从3 k w 变化到0 时动态工况的仿真结果。，。，。4 4图3 一1 9 节气门开度1 4 9 、负载标称功率从3 9 k w 变化到0 9 k w 时动态工况的仿真4 4图3 2 0 校正后的负载突变工况仿真结果4 5图4 - 1 发动机空燃比反馈控制系统框图4 8图4 - 2 基于观测器的空燃比控制框图4 9图4 - 3 基于模糊的空燃比控制框图5 0图4 4 基于神经网络的空燃比控制框图5 1图4 - 5 基于神经网络的空燃比前馈一反馈控制框图5 2图4 - 6 发动机线性神经网络建模和模型验证效果图5 3图4 7r b f 神经网络结构5 4图4 _ 8 煤层气发动机空燃比p i d 控制框图5 7图4 - 9 ( a ) 负载功率1 5 k w 节气门开度1 1 - 3 0 时发动机的实际响应5 8图4 9 ( b ) 负载功率1 5 k w 节气门开度1 1 - - 3 0 时p i d 控制下的控制流量5 8图4 - 9 ( c )负载功率1 5 k w 节气门开度1 1 - - 3 0 时前馈一反馈控制下的控制流量5 8图4 1 0 ( a ) 负载功率3 k w 节气门开度1 5 一3 7 时发动机的实际响应5 8图4 1 0 ( b ) 负载功率3 k w 节气门开度1 5 一3 7 时p i d 控制下的控制流量5 9图4 - l o ( c ) 负载功率3 k w 节气门开度1 5 一3 7 时前馈一反馈控制下的控制流量5 9图4 - 9 ( d )负载功率1 5 k w 节气门开度1 1 - - 3 0 时空燃比控制效果比较6 0图4 - 1 0 ( d ) 负载功率3 k w 节气门开度1 5 一3 7 时空燃比控制效果比较6 0图4 - 1 1 ( 8 ) 负载功率1 5 k w 节气门开度5 0 一2 3 时发动机的实际响应6 1图4 - 1 1 ( b ) 负载功率1 5 k w 节气门开度5 0 一2 3 时p i d 控制下的控制流量6 l图4 - 1 1 ( c ) 负载功率1 5 k w 节气门开度5 0 - - 2 3 时前馈一反馈控制下的控制流量6 1图4 一1 2 ( a ) 负载功率3 k w 节气门开度5 7 一1 5 时发动机的实际响应6 1图4 1 2 ( b ) 负载功率3 k w 节气门开度5 7 一1 5 时p i d 控制下的控制流量6 2图4 - 1 2 ( c ) 负载功率3 k w 节气门开度5 7 一1 5 时前馈一反馈控制下的控制流量。6 ：图4 1 1 ( d ) 负载功率1 5 k w 节气门开度从5 0 忙2 3 时空燃比控制效果比较6 2图4 - 1 2 ( d ) 负载功率3 k w 节气门开度从5 7 一1 5 时空燃比控制效果比较6 3图5 一l ( a ) 转速一节气门线性建模效果6 6图5 一l ( b ) 转速一节气门线性模型验证6 6图5 - - 2 转速一节气门线性神经网络建模及模型验证：6 6图5 - 3b p 网络结构6 6图5 - 4 基于b p 网络整定的p i d 转速反馈控制框图6 8图5 - 5c m a c 网络结构图7 1图5 - 6c m a c 与p i d 复合控制结构框图7 2图5 - 7 转速的神经网络模型预测控制框图7 4图5 - 8 节气门开度和实测转速响应7 6图5 9b p 网络整定p i d 参数结果7 6图5 - 1 0 三种控制效果比较7 7表格清单表1 - 1 预混点燃式煤层气发动机技术参数。4表2 - 1 基于不同算法模型的m s e 和a p e 1 2表2 - 2 ( a ) 正阶跃数据与相应模型计算的传感器性能指标比较1 6表2 - 2 负阶跃数据与相应模型计算的传感器性能指标比较表2 - 3 ( a ) 正阶跃响应线性神经网络模型不同阶次下的m s e 1 6表2 3 负阶跃响应线性神经网络模型不同阶次下的m s e 2 1表2 - 4 ( a ) 正阶跃响应两种模型m s e 比较2 2表2 - 4 ( b ) 负阶跃响应两种模型m s e 比较一2 2表3 - 1 稳态工况仿真的基本参数3 9表4 - 1 控制仿真各工况所对应的p d 参数。5 9独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得金月墨王些太堂或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：砂7 谬军签字日期：弦刁奉钿。日学位论文版权使用授权书本学位论文作者完全了解金壁王些盔堂有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权金目巴王些盍堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。( 保密的学位论文在解密后适用本授权书)学位论文作者签名：9 雩珲签字嗍寸月l o 日学位论文作者毕业后去向：工作单位：通讯地址：导师签名：签字日期：三哕年么月p 日电话：邮编：致谢本论文的研究是在导师滕勤副教授的悉心关怀与精心指导下完成的。三年的研究生学习过程中，导师在学业上对我谆谆教导，在生活上给我无微不至的关怀，使我得以顺利地完成学业。导师严谨求实的治学态度、宽厚待人的气度，值得我一生去学习。值此论文完成之际，谨向滕勤副教授致以衷心的感谢和崇高的敬意。同时左承基、刘一鸣、钱叶剑、孙军、程晓章、路苏君等老师在学习和生活上都给了我不少关心和帮助，在此向他们表示诚挚的谢意。在论文所需的实验工作中，得到了谈健老师和杨瑜、陈利明师兄的大力支持和帮助，在此深表感谢! 同时王馨、王震华、王优生、陈斌、田丰、马标、邢登军等同学在学习和生活上为我提供了很大的便利，在此一并表示感谢l感谢父母的养育之恩和教诲! 感谢所有亲人对我的一贯支持和鼓励l感谢我成长道路上的每一位老师! 感谢所有关心和帮助过我的人!作者：王雪翠2 0 0 7 0 6第一章绪论1 1 研究背景及意义在能源危机日益严重和生态环境不断恶化的今天，合理地开发利用代用燃料，在发动机上实现高效、低污染的燃烧，己成为能源与环境研究中一个十分重大和紧迫的研究课题。在众多代用燃料中，作为世界上继煤和石油之后第三大能源的气体燃料，以其独特的优势占有极其重要的地位。可用于发动机的气体燃料种类很多，如天然气、液化石油气、煤层气、二甲醚、生物质气、氢气、炼焦煤气、沼气、垃圾气等，但从资源保障和燃料价格等方面来看，作为汽油代用品的天然气、液化石油气、煤层气、生物质气和作为柴油代用品的二甲醚倍受青睐。其中，煤层气是新型气体能源中增长最快的能源之一。煤层气( c o a lb e dm e t h a n ec b m ) 俗称瓦斯，是一种形成于煤层又储集于煤层中的与煤伴生的可燃气体。它是一种非常规天然气，以吸附或游离的方式储存于煤体或孔隙之中，其主要成分是c h 4 ，其中c h 4 一般占8 0 以上，c o ：和n ：一般占1 2 0 ，而重烃、c 0 、s o 。、h s 等一般含量很少。煤层气的主要成分与天然气相似，是最现实的接替常规天然气的后备资源u 1 。我国煤层气资源丰富，埋深在2 0 0 0 m 以内的预测资源量为3 0 一3 5 万亿m 3 ，与常规天然气预测资源量( 3 8万亿n 1 3 ) 相当，列世界第三位。预计到2 0 1 0 年煤层气产量有可能达到1 0 0 亿m 3 ，形成较为完善的煤层气产业体系。经过几十年的开采，我国大多数煤矿都将或部分已经转入深水平开发，隐患越来越大，2 0 世纪9 0 年代以来，煤矿瓦斯爆炸事故已呈现逐渐上升趋势。实际煤层开采过程中，为排除矿井坑道的安全隐患，通常采用通风或井下抽排的方式将其作为煤矿开采的副产物白白排放到大气中，或者直接在井上燃烧，这样不仅浪费了人力物力财力，同时造成了资源浪费及由于煤层气的直接排放而产生比c o 。更为严重的温室效应0 1 ( 约为c 0 ：的2 0 6 0 倍) 。因此开发利用煤层气对于充分利用能源，改善我国能源结构，减少煤矿瓦斯灾害，保护全球环境，都具有极为重要的意义。煤层气的主要成份c h 。燃烧时火焰无烟无色，生成物是水和二氧化碳，高温下还会发生裂解反应，因此煤层气的理化特性非常适合作为发动机的燃料，具有燃烧热效率高，排放污染低的效果。因此研制燃用煤层气发动机解决能源危机，同时合理开发利用煤层气资源是一个十分迫切的课题。但是我国地域辽阔，各地煤层气分布不一，煤层气含量有一定的差别，在煤炭的开采过程中，煤层气抽放浓度将进一步下降( c 地含量为4 0 7 5 ) ，而且浓度变化范围较大。因此，控制燃气与空气的混合比是煤层气发动机的关键技术之一。显然，机械式控制装置无法适应这种发动机动力性、经济性和排放均衡优化这一复杂的控制要求。电子控制技术则是实现混合气空燃比精确控制的重要手段，因此，煤层气发动机电控技术的研究具有非常重要的意义。1 2 气体燃料发动机电控技术国内外研究现状在发动机技术的研究过程中，发动机的控制技术是难度最大、最为复杂的研究内容之一，气体燃料发动机的控制也不例外。鉴于现阶段压缩天然气( c o m p r e s s e dn a t u r a lg a s ，c n g ) 和液化石油气( l i q u e f i e dp e t r o l e u mg a s ，l p g )的获取相对容易，国内外气体燃料发动机电控技术的研究主要围绕c n g 和l p g 展开，内容主要包括燃气供给系统和电控单元的研制、实验研究、系统建模与控制理论的应用研究等。目前，国外气体燃料发动机普遍采用电子控制方式，先后经历了电控混合器方式、电控单点喷射方式和电控多点喷射方式，使气体燃料汽车不论在动力性和经济性方面都有显著的提高，而且在排放性能方面列入“绿色汽车”行列。如日本丰田公司研制的l p g 单燃料发动机1 g g p e ，日本本田公司的c i v i c 系列天然气汽车都能达到既保持良好的汽车性能，又能满足严格的排放标准。同时国外对气体发动机的稀薄燃烧技术进行了广泛和深入的研究，并认为这是未来的发展方向。近年来，国外许多燃气汽车生产商和发动机制造商，都在其最新的产品中采用发动机燃气多点顺序喷射技术和与之相关的高速电磁阀、专用催化剂等配套技术。国内关于气体燃料发动机的理论研究与研制方面起步较晚，与国外相比，我国燃气发动机技术水平落后主要体现在发动机的改装技术、燃气供气装置的设计、制造、匹配和电控系统的开发与应用水平上。目前除- 4 , 部分车辆燃气发动机是进口产品外，大部分仍是燃气汽车的第一代产品，即在原有柴油机和汽油机上采用机械控制混合器。这种改装带来的最大问题是改装后燃气汽车不能充分体现气体燃料的清洁特性。国家实施“中国汽车清洁行动以来，国内企业、科研机构高等院校和相关单位承担国家清洁汽车关键技术攻关与产业化项目，取得了一定成果，主要涉及几个方面；双燃料发动机及其供应系“、燃气发动机的排放睛1 、燃气发动机的电控喷射技术以及有关燃气发动机动力性改善的研究”。但不可否认目前我国燃气汽车的排放控制和动力性能恢复等问题仍然没有锟到很好地解决，依然是当前的研究重点，且发动机电控单元的开发，控制系统可靠性，鲁棒性等方面也需要进一步研究与完善。目前我国一些研究机构和科研院校正在开发具有自主知识产权的燃气电喷技术的发动机。i 3 课题来源及主要研究内容本课题主要来源于国家自然科学基金项目“火花点火式发动机燃用变组分煤层气应用基础研究”的继续研究，主要以开发煤层气发动机电控系统为目的。在本实验室前期对煤层气发动机的研究基础上哺9 1 “”，本课题拟将视理分析和实验辨识相结合的方法应用于煤层气发动机系统建模和控制方法的研究上。以燃用模拟煤层气的火花点火式发动机为研究对象，着重研究适合该发动机的建模方法，通过计算机仿真与实验数据的比较，验证模型的有效性。将神经网络这一先进控制理论应用于煤层气发动机的空燃比和转速控制，为电控单元的开发提供方法上的依据。1 4 基于神经网络的控制系统1 4 1 神经网络的发展及特点神经网络( n e u r a ln e t w o r k s ，简称n n ) 是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力系统。与人脑能以惊人的速度解释感觉器官传来的含糊不清的信息相似，神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理。神经弼络自2 0 世纪4 0 年代发展至今已先后出现了：感知器神经网络、线性神经网络、b p 神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、e l m a n 神经网络、h o p f i e l d 网络等多种典型网络形式，而每一种网络又在实际发展需求的推动下形成了多种学习算法，如多年来最受人们青睐的b p网络由于原始梯度下降法的收敛速度较慢、易出现局部极值等问题，理论界通过引入惯性项、引入动量项、变尺度法、变步长法等手段发展了多种改进b p 算法。到2 0 世纪8 0 年代神经网络的理论研究取得了突破性进展，其应用也倍受各界人士的关注，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、c a d c a m 等方面都有重大的应用实例。1 4 2 神经网络在控制系统中的作用控制目的在于通过确定适当的控制量输入，使得系统获得期望的输出特性。传统的基于模型的控制方式，是根据被控对象的数学模型及对控制系统要求的性能指标来设计控制器，并对控制规律加以数学解析描述；模糊控制是基于专家经验和领域知识总结出若干条模糊控制规则，构成描述具有不确定性复杂对象的模糊关系，通过被控系统输出误差及误差变化和模糊关系的推理合成获得控制量，从而对系统进行控制。这两种控制方式都具有显式表达知识的特点，而神经网络不善于显式表达知识，但它具有很强的逼近非线性函数的能力，即非线性映射能力。把神经网络用于控制正是利用它这个独特优点。由于神经网络具有参数自学习自调整的功能，基于神经弼络的控制器能随着工况不同调整控制参数，所以神经网络控制主要可以解决复杂的非线性、不确定性、不确知系统在不确定、不确知环境中的控制问题，使控制系统稳定性好，鲁棒性强，具有满意的动静态特性。而气体燃料发动机与汽油机和柴油机一样，也是一个多输入多输出系统，具有很强的非线性和扰动性，其工作时的各种参数随着输出功率、转速、环境状况的变化而变化，该系统呈现出不确定性、关联性、复杂性。显然将神经网络这一先进的控制理论用于煤层气发动机控制中有很大的潜力，它在控制中的作用可分为以下几种：( 1 ) 在基于精确模型的各种控制结构中充当对象的模型；( 2 ) 在反馈控制系统中直接起控制器的作用；( 3 ) 在传统控制系统中起优化计算作用；( 4 ) 在与其他智能控制方法和优化算法，如模糊控制、专家控制及遗传算法等相融合中，为其提供非参数化对象模型、优化参数、推理模型及故障诊断等。表1 1 预混点燃式煤层气发动机技术参数发动机型式四冲程、水冷蒸发式、火花点火、单缸卧式缸径d 行程s ( 肌所)d = 9 5 s = 1 1 5压缩比1 1 5 ：1连杆长度( 聊研)l = 2 1 0活塞排量( ，)0 8 1 51 2 小时功率( k w )6压缩间隙( m m )1 5标定转速( r m i n )1 5 0 0燃烧室型式涡流室式配进气门开上止点前1 7 0燃气管长度内径气关下止点后4 3 0l f = 1 9 9 硎d r = 2 5 埘肌相开下止点前4 3 0空气管长度内径位排气门关上止点后1 7 0l - 1 7 9 册d = 4 0 m 聊1 5 改装后的煤层气发动机介绍本文研究的对象是由$ 1 9 5 柴油机改装成的煤层气发动机。在改装时保持原机的基本结构不变，如曲轴连柄机构、配气机构、机体、缸盖、冷却系统、润滑系统及发动机主要配件附件等，通过合理设计和选择改制的零部件，达到高性能和低成本的改制目的。改制或设计主要体现在以下五个方面：( 1 ) 由于燃气进气压力的稳定性对发动机性能的影响较大。为避免改装后的燃气进气系统可能产生的压力波动，设计了一端带橡皮膜的稳压箱，燃气经压力调节器稳压后，由进气口充入稳压箱，出气口流出的燃气经管道流入气体混合器，管道上设置多种传感器以检测发动机控制所需的各种参数。( 2 ) 进气系统方面，拆去原机供油系统，采用进气管内混合。为此增加了混合气形成装置即混合器，燃气与空气在混合器中混合之后通过节气门流入发动机燃烧室。燃气与空气阀门分别控制燃气和空气流量，e c u 通过两台步进电机改变阀门开度实行空燃比控制。( 3 ) 点火系统方面，加装了蓄电池火花点火系统。( 4 ) 调速系统方面，通过杠杆机构使原机调速器位移能作用在节气门上，随转速变化的调速信号由油量拉杆引出，通过球一铰组合件作用于直角臂，将水平位移转化为垂直位移，再由杠杆机构使混合器节气门手柄绕节气门轴作上下转动带动节气门旋转，使气流流通截面积改变以达到控制混合气进入气缸流量的目的。( 5 ) 工作时发动机可带动发电机发电，用发电机作为发动机的负载，不但可以调节发动机的负荷，更重要的是便于进行负载突变实验，避免采用价格昂贵的发动机动态测功4设备。改造后的火花点火s 1 9 5 单缸煤层气发动机主要技术参数见表l i 。1 6 论文结构本论文共6 章，即：第l 章一一绪论第2 章一一热线式m a f 传感器动态特性的非线性建模方法第3 章一预混合式煤层气发动机仿真模型第4 章一一煤层气发动机空燃比的神经p i d 控制第5 章一一基于神经网络的煤层气发动机转速控制第6 章一一总结与展望第一章介绍了选题背景意义、课题来源及主要内容，给出了研究试验用煤层气发动机的结构并对本研究中的主要工具神经网络作了简单介绍，最后给出论文结构。第二章在静、动态标定实验的基础上，利用系统辨识理论，主要研究了用于进气量测量的热线式空气流量传感器的动态非线性建模方法，包括分段h a m m e r s t e i n 模型、基于赋权重插值的复合模型以及线性神经网络模型，并对各种模型进行验证和比较分析。第三章介绍了煤层气发动机的实验装置和实验过程，利用实验数据初步建立了煤层气发动机的平均值模型，并在m a t l a b s i m u l i n k 的环境中得以实现，包括空气燃气混合子模型、节气门处混合气流量子模型、进气歧管子模型和动力输出子模型。对于诸如煤层气发动机充量系数非线性较强且对发动机性能影响大的环节，采用神经网络来辨识。为证明平均值模型的准确性，对发动机实验工况进行模拟，并对结果加以分析。第四章分析了基于p i d 的经典控制理论、现代控制理论和智能控制在发动机空燃比控制中应用的发展及特点，提出了煤层气发动机基于r b f 神经网络和p i d的前馈一反馈控制策略。第五章指出了发动机转速控制的目的和意义，利用线性神经网络建立了节气门开度与转速之间的关系模型。分别采用基于b p 网络整定的p i d 控制算法、c m a c 与p i d 复合控制算法以及神经网络预测控制算法对煤层气发动机的转速控制策略进行了研究。第六章对全文进行总结及展望。5第二章热线式空气质量流量传感器的动态非线性建模研究2 1 概述在负荷信息直接传感方式的发动机控制系统中，热线式空气质量流量( m a f )传感器作为前馈控制环节的关键部件，其动态性能直接影响瞬态空燃比的控制精度。但是，由于对热线式m a f 传感器呈现出的变化特性缺乏了解，因丽其动态特性在发动机电子控制器( e e c ) 的控制策略中并未被充分考虑，以至于在存在大的进气脉动时，无法准确地测量平均进气量“。热线式m a f 传感器的动态建模，有助于精确预测气缸充气量和合理设计空燃比前馈控制器。e l b e r th e n d r i c k s 等在开发基于模型的第二代控制策略时就指出，尽管热线式m a f 传感器的响应较快，但在控制系统中仍然不能忽略其响应时间，系统模型中应该反映出传感器的特性。r b e nm r a d 等提出用时变自回归滑动平均( t a r m a x ) 模型预测热线式m a f 传感器未来的响应，以改善气缸充气量的估计精度“。但模型实际上反映的是m a f 传感器输出电压与节气门位置和转速传感器输出之间的函数关系，传感器的动态响应除了与作为激励的节气门开度变化有关外，还包含有进气管空气流动的过渡过程，且由于利用在特定发动机上的实测数据，所建模型与发动机结构及工况有关。t a k e b i k ok o w a t a r i 等人针对发动机在低速、大负荷工况下，线圈( b o b b i n ) 热线式m a f 传感器的输出值低于实际值的情况，通过建立传感器动态模型并求出其逆模型，研究了一一种信号处理方法，来校正测量误l 蓍压妻 i 蓍蒹l 誊霉ii 蠢频h 毫嚣l差 1 ”。f 三等正土= r为了建立一种不依赖发动机刘曩鎏h 粪差h 葜h 嫠h 赞卜结构和工况的m a f 传感器动态数学口垃j 鬯j删倒凹詈模型，使其尽可能准确地描述传感阿南订陌事呆i 一面畜习喜器的动态特性并具有良好的通用也型也到也到“性，以便为设计e c u 中抗混叠滤波图2 - 1热线式空气质量流量传感器标定装置器和动态测量误差校正算法提供依。据，以及将模型用于控制系统仿真实验，本章基于静、动态校准实验数据，对预混式气体发动机实验中用到的热线式m a f 传感器的动态非线性建模问题进行了研究。值得一提的是，由于实验用发动机为单缸机，进气需求量小，所以将原商品化传感器的口径( 6 0 m m ) 改装为较小的口径( 2 5 m m ) ，故流量测量范围不大。2 2 热线式m a f 传感器静、动态标定实验传感器静、动态标定实验装置示意图如图1 所示。管路内空气流由交流变频电机带动高压风机运转产生，容积为2 m 3 的稳压罐用于消除流体的脉动，层流流量计与热线式空气质量流量传感器串联连接，稳态流量由l c l - 1 4 0 层流流量计配合补偿微压计测量，传感器稳态输出电压由m s 8 0 5 0 数字多用表测量。利用变频器调节风机转速逐点改变管道内的空气流量，在流量为0 2 4 4 4 1 2 9 s的工作范围内，测量得到3 9 对静态输入输出数据。虬叵r 社图2 - 2h a m m e r s t e i n 模型框图为了模拟节气门快速变化所产生的瞬态空气流动和形成高信噪比的持续激励信号，热线式m a f 传感器阶跃响应实验选择在流量传感器动态校准实验台上进行，并专门设计了快速三通开关阀。当传感器所在通道关闭时，旁通气道处于开启状态；而当主流道打开时，旁通气道同时关闭，阀门动作始点由磁电式传感器测量。为使激励能激发传感器的全部模态，充分考虑实验信号的幅值和频率分布，利用多幅值阶跃响应实验得到1 7 组阶跃响应数据。传感器动态响应信号和触发信号( 开关阀动作始点信号) 由t d s 3 0 1 4 b 数字存储示波器采集，采样频率为2 5 0 0 h z ，采样点数为1 0 0 0 。为消除高频干扰，动态实验数据经2 阶b u t t e r w o r t h 滤波器进行了滤波处理。2 3 建模原理2 3 1h a m m e r s t e i n 模型根据非线性动态系统分解定理，当输入信号能量有限时，连续泛函所表征的非线性动态系统总可以分解为一个线性动态系统和一个非线性即时系统“。因此，块联模型是目前建立非线性模型的有效途径，其最简单的形式就是r a m m e r s t e i n 模型。如图2 - 2 所示，h a m m e r s t e i n 模型由一个静态非线性函数与一个线性动态模块串联构成。图中，“( f ) 为输入信号，x ( f ) 是经过静态非线性函数f ( u ) 变换得到的中间变量， ( f ) 为脉冲响应函数，y ( f ) 为系统输出，v ( ，) 为输出端附加噪声。静态非线性环节用多项式( 2 - 1 ) 表示：x 渺= 厂【甜】= 甜何+ h 2 渺+ 0 雄9 何( 2 1 )，吒，为回归系数。动态线性环节和扰动部分可以用a r x ( 带外生输入的自回归) 模型( ( 2 2 式) 、或0 e ( 输出误差) 模型( ( 2 - 3 ) 式) 和b j ( b o x - j e n k i n s ) 模型( ( 2 - 4 ) 式) 描述：a ( q 1 抄( ) = g “b ( q 。) 工( t ) + p ( 七)f 9 一y ( k ) _ q “器x ”e ( k )( 2 - 3 )y ( k ) _ q “端x ( k ) + 剿e ( k )( 2 - 4 )中，除b ( q 1 ) 外，a ( q 。) 、c ( q 。) 、d ( q 。1 ) f ( q 。) 均为首1g , g a 式，f ( 七) 为测量噪声。以a r x 模型为例，由式( 2 - 1 ) 和( 2 - 2 ) 可得：a ( q 1 ) y ( j ) = g “8 ( q _ 1 ) i 杰r l u ( k ) l + e ( k )( 2 5 )模型参数的估计采用两步辨识法，先利用静态标定数据辨识非线性环节的模型参数，构造与动态激励幅值对应的标准阶跃信号，作用于非线性模型，再利用中间变量z o ) 和实测的传感器动态数据，辨识动态线性环节的模型参数。2 3 2 基于分段h a m m e r s t e i n 模型的复合模型基于块连接的模型由线性模块简单扩展而成，当传感器的动态非线性较为强烈时，只能精确描述其有限工作范围中的特性。为此，可采用复合模型法“”，即将传感器的工作范围分解成若干个工作区域，每一工作区域内的系统性能用一个局部模型来描述，然