基于RBF神经网络的电喷天然气发动机空燃比控制.pdf

第4 3 卷第3 期 2 0 1 4 年6 月 小型内燃机与摩托车 S M A L LI N T E R N A LC O M B U S T I O NE N G I N EA N DM O T O R C Y C L E V 0 1 4 3N o 3 J u n 2 0 1 4 测控技术 基于R B F 神经网络的电喷天然气发动机空燃比控制 任金霞何富江曹威锋 江西理工大学电气工程与自动化学院江西赣州3 4 1 0 0 0 摘要 电喷天然气发动机空燃比在工况突变时会剧烈波动 为提高控制精度 使用R B F 神经网络和前 馈P I D 控制算法相结合 由当前工况决定燃料基本喷射量 再由R B F 神经网络预测的空燃比信号传递 给P I D 控制器进行反馈调节 此外利用M a t l a b S in m l in k 软件进行仿真 建立了电喷天然气发动机空燃 比仿真模型 仿真结果表明 该控制方法在节气门及发动机转速突变的情况下 过渡时间较P I D 算法明 显减小 控制精度亦有提高 关键词 内燃机天然气发动机空燃比R B F 神经网络 中图分类号 T K 4 6 4文献标识码 A文章编号 1 6 7 1 0 6 3 0 2 0 1 4 0 3 0 0 6 9 0 4 R e s e a r cho nA ir F u e lR a t ioC o n t r o lo fE l e ct r o n C o n t r o l l e d C N G E n g in eB a s e do nR B FN e u r a lN e t w o r k s R e nJ in x ia H eF u j ia n g C a oW e if e n g S ch o o lo fE l e ct r ica lE n g in e e r in ga n dA u t o m a t io n J ia n g x i U n iv e r s it yo fS cie n cea n d T e ch n o l o g y G a n z h o u J ia n g x i 3 4 1 0 0 0 C h in a A b s t r a ct T h ea ir f u e lr a t ioo ft h ee l e ct r o n co n t r o l l e dC N Ge n g in eiso fv o l a t il it yw h e nt h eco n d it io nch a n g e d T oim p r o v et h ea ccu r a cyo ft h es y s t e m w eu s eR B Fn e u r a ln e t w o r k sa n df e e d t b t v a r dP I Dco n t r o la l g o r it h m t o g e t h e r T h ein j e ct io na m o u n to ff u e lisd e cid e db yt h ecu r r e n tco n d it io n s a n dt h eR B Fn e u r a ln e t w o r kisu s e d t op r e d ictt h es ig n a lo fa ir f u e lr a t iot h e nd e l iv e rt oP I Dco n t r o l l e rt oa d j u s tt h ea ir f u e lr a t io A l s ow eu s eM a t l a b S in m l in ks o f t w a r et os im u l a t ea n de s t a b l is ha na ir f u e lr a t ioo ft h ee l e ct r o n co n t r o l l e dC N G e n g in em o d e l T h es im u l a t io nr e s u l t ss h o wt h a tw h e nt h ee n g in es p e e da n dt h et h r o t t l em u t a t e dt h eco n v e r g e n cet im es ig n if i ca n t l yd e cr e a s e sb yu s in gt h isco n t r o la l g o r it h m a n dco m p a r e dw it hP I Da l g o r it h m t h ea ccu r a cyisa l s oim p r o v e d K e y w o r d s I Ce n g in e CN Ge n g in e A ir f u e lr a t io R B Fn e u r a ln e t w o r k s 引言 天然气作为发动机的理想燃料 在经济性和排放 性方面都优于汽油 电喷天然气发动机的动力性与空 燃比紧密相关 此外电喷天然气发动机的三元催化转 化器的转化效率和空燃比密切联系 其经济性 排放性 受空燃比的影响非常大 因此 对空燃比的精确控 制 1 对发动机性能提高有着积极的影响 目前空燃比的精确控制是国内外的研究热点 用 于控制的方法也有很多 如基于模型的控制方法 自适 应控制算法 模糊算法等 本文采用R B F 神经网络和 常规P I D 控制算法相结合的空燃比控制方法 针对天 然气发动机的延迟 采用R B F 神经网络对空燃比进行 作者简介 任金霞 1 9 7 0 一 女 副教授 硕士 主要研究方向为智能优化算法 7 0小型内燃机与摩托车第4 3 卷 预测 2 3 而后将预测的空燃比信号传递给P I D 控制 器控制燃气量 从而实现空燃比的实时闭环控制 并 利用M a t l a b S im u l in k 软件建立R B F 神经网络电喷天 然气发动机的仿真模型 4 在工况突变的各个情况下 进行仿真实验 1影响电喷天然气发动机产生延迟的 凼素 电喷天然气发动机空燃比控制就是控制缸内混合 气浓度 目前的空燃比传感器只能安装在排气管内而 不是直接监测混合气浓度 因此会造成空燃比控制系 统的延迟 其延时包括混合气形成过程的传播延迟 混合气体点燃的着火延迟 燃烧完成后废气到氧传感 器的传播延迟 传感器的响应延迟 混合气体形成过程的传播延迟与发动机的转速 进气门及排气门的开度有关 由于天然气分子结构和物理特性比较稳定 因此 有着火慢的特点 我们记其着火延迟时间为 燃烧完成后废气到氧传感器的传播延迟t 与排 气管容积 排气管结构 氧传感器位置 排气温度 排气 压力等有关 空燃比传感器的响应延迟t 与发动机的工况参 数 发动机的结构以及传感器特性有关 2 前馈P I D 控制 发动机的空燃比受多种因素的影响 如节气门开 度 转速 负载 燃料喷射精度 响应时间等 P I D 闭环 控制能根据反馈实时调整喷气量 达到精确控制喷气 量的目的 图1 为电控喷射天然气发动机P I D 控制框图 由 图可知该系统分为前馈控制和P I D 闭环反馈两个 部分 图1 前馈P I D 的空燃比控制模型 前馈部分根据当前的转速和节气门开度决定基本 的燃料喷射量 闭环反馈部分在确定了P I D 参数后 通 过反馈得到的空燃比不断与设定的理想空燃比1 6 7 进行比较 偏差进入P I D 控制器 根据偏差调节喷气 量 不断重复使电喷天然气发动机空燃比不断逼近理 想空燃比 3 无延迟的空燃比控制 由于电喷天然气发动机是一个有延时的系统 对 空燃比精确控制造成困难 尤其在过渡工况下 转速及 节气门开度剧烈变化 传输延迟甚至会造成控制失调 因此本文采用了R B F 神经网络对空燃比进行无延迟 预测 3 1 无延迟控制模型 针对电喷天然气发动机空燃比传输延迟分析可 知 采用R B F 神经网络实现空燃比的预测 并经过延 时后与发动机空燃比信号比较并调节神经网络 当误 差被控制在所设定的范围之内时 神经网络的输出信 号即为无传输延迟的空燃比信号 用这个信号作为 P I D 控制器的反馈信号 由P I D 控制器控制燃料的喷 射量 即可实现对空燃比的实时控制 无延迟的空燃 比控制模型如下图所示 图2 无延迟的空燃比控制模型 3 2R B F 神经网络模型 R B F 神经网络是一种三层神经网络 具有学习速 度快 非线性逼近能力强 避免局部最优等特点 在训练之前 首先要确定R B F 网络的结构 在本 文中所采用的R B F 网络采用三输入单输出结构 隐含 层转换函数采用高斯函数 通过多次训练确定隐含层 最佳神经元个数为9 个 输入向量为 戈 厶 n 厶 0 厶 口 厶 1 1 式中n 厶 表示时发动机转速 0 厶 表示厶时节气门 开度 启 厶 表示厶时空燃比 R B F 的输出Y 厶 为厶时刻网络输出层神经元的 期望输出 在本文中来自空燃比传感器的输出信号 由于预测的是无传输延迟的空燃比信号 戈 厶 Y 厶 均为按时序输入输出数据 将常规P I D 控制模型的空 燃比传感器输出的反馈信号改为由神经网络输出的信 号即可调整为基于无传输延迟的空燃比控制模型 如 图3 所示 空燃比传感器的输出信号用于监督神经网 第3 期任金霞等 基于R B F 神经网络的电喷天然气发动机空燃比控制 7 1 络训练结果以达到在线预测无传输延迟的空燃比信号 的目的 R B F 网络结构如图4 所示 图3R B F 神经网络模型子图 当前空燃比 空燃比 隐含层 9 节点 图4R B F 网络结构 4 实验仿真分析 在天然气发动机运行时经常出现的是瞬态工况 即发动机的转速和负荷不断地变化 瞬态运行工况 也是发动机空燃比控制的难点 本文在瞬态工况中采 用上述空燃比闭环控制器 通过对空燃比进行精确控 制 防止发动机在瞬态工况下 排放性能变差 为了验证本文算法的效果 将两种算法在节气门 突变的情况下进行对比 如图5 所示 第一种算法是在P I D 的基础上加上 前馈控制 第二种是R B F 神经网络控制策略 在稳态 工况下两种控制策略都有小幅波动 但都在稳定范围 内 当节气门由2 0 突变至4 8 时 第一种算法在 3 2 5 秒后重新趋于稳定 且最大过量空气系数达到了 1 2 4 第二种算法达到稳态耗时约0 7 秒 最大过量空 气系数为1 1 2 由此可知本文使用的R B F 神经网络 算法比P I D 算法重新回到稳态的时间明显更少 且由 于对空燃比预测时充分考虑了系统延时 空燃比控制 误差也有效降低 如图6 所示 节气门开度突然从3 6 降低至2 8 时 发动机转速由原来的稳定在1 9 0 0 r r a in 在3S 内降 至1 2 0 0 r r a in 并保持稳定在1 2 0 0 r r a in 左右 R B F 神 经网络控制的空燃比在节气门突变后的0 8 s 内有剧 烈波动 之后也稳定在预设空燃比附近 图5 两种控制策略效果对比图 籁1 0 5 1 躐1 0 0 辐o 9 5 咖O 9 0 趔O 8 5 303 13 23 33 4 3 53 6 3 7 3 8 3 9 4 0 时间 s 图6 节气门突降转速及过量空气系数变化 图7 为节气门开度由2 8 升至3 6 时发动机转 速变化和过量空气系数变化情况 此时过量空气系数 目标值是1 由图可见 发动机转速在约2 8 s 后稳定 在1 9 0 0 r r a in 左右 空燃比系数也有大的波动 在1S 左右恢复稳态 由以上的分析可知 R B F 神经网络控制的空燃比 在工况突变时能够即快速又准确地恢复到初始给定 值 这说明在工况突变的过程中 前馈控制结合经过 R B F 神经网络预测的空燃比信号 通过P I D 闭环控 制 可以使发动机的空燃比随着工况变化的波动尽可 能的小 从而防止瞬态工况的排放性变差 如 加筋加m m m m m m m m m 舫 赵隶 J扩铲 影引 叭 o 射州n o 咖堵媳躲oH山 蛔趔媳普 岛 拍舛 勉如勰 一零一 越糸 扩梧加 2 m 一 口I 二一 蜊辱靠 7 2小型内燃机与摩托车第4 3 卷 堡3 6 嫠s 4 3 2 竖3 0 2 8 p 2 0 0 0 o1 5 0 0 倒 蛑1 0 0 0 辍1 2 举 勰 o 趔0 9 图7 节气门突升转速及过量空气系数变化 5 结论 本文分析了电喷天然气发动机产生延迟的因素 并建立R B F 神经网络电喷天然气发动机的仿真模型 在工况突变的各个情况下进行仿真实验 实验结果表 明 与普通P I D 算法相比 在瞬态工况下能有效缩短过 渡时间 降低了空燃比超调量 提高了系统瞬态工况下 的动态性能及空燃比控制精度 参考文献 1 孟嗣宗 郭少平 张文海 发动机精确空燃比控制方法的 研究 J 内燃机工程 1 9 9 9 2 7 0 7 5 2C l a r k eD W A p p l ica t io no fg e n e r a l iz e dp r e d ict iv eco n t r o lt o in d u s t r ia lp r o ce s s e s J I E E EC o n t r o l S y s t e mM a g a z in e 1 9 9 8 1 2 2 4 9 5 5 3 席裕庚 预测控制 M 北京 国防工业出版社 1 9 9 3 4 郑海兵 广义预测控制改进算法的仿真研究 D 大连 大连理工大学 2 0 0 8 5C l a r k eDW M o h t a d iC T u f t sPS G e n e r a l iz e dp r e d ict iv e co n t r o l p a r t I t h eb a s isa l g o r it h m J A u t o m a t ica 1 9 8 7 2 3 2 1 3 7 1 4 8 6 刘亚斌 刘雪田 肖文晖 基于改进E l m a n 神经网络的燃 气管网实时预测 J 系统工程学报 2 0 0 3 1 8 5 4 7 5 4 7 8 收稿日期 2 0 1 4 0 4 1 3 上接第6 8 页 强大准确的点火能量 改善怠速 中低速段发动机 燃烧 发动机能效提高 利于节能减排 降低污染排 放 使汽油机排放易于达到新标准 也利于控制发动 机高速段温升和排放 动力增强