基于神经网络模型的空燃比非线性模型预测控制

基于神经网络模型的空燃比非线性模型预测控制

ID:28144585

大小:18.19 KB

页数:5页

时间:2018-12-08

基于神经网络模型的空燃比非线性模型预测控制_第1页
基于神经网络模型的空燃比非线性模型预测控制_第2页
基于神经网络模型的空燃比非线性模型预测控制_第3页
基于神经网络模型的空燃比非线性模型预测控制_第4页
基于神经网络模型的空燃比非线性模型预测控制_第5页
资源描述:

《基于神经网络模型的空燃比非线性模型预测控制》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。基于神经网络模型的空燃比非线性模型预测控制  摘要:采用基于径向基神经网络模型的非线性模型预测控制方法,被控对象选择火花塞点火发动机的空燃比高度非线性复杂系统,利用渐消记忆最小二乘法实现基于RBFNN的SI发动机AFR系统建模以及参数在线自适应更新。针对非线性模型预测控制中寻优问题,运用序列二次规划滤子算法对最优控制序列进行求解,并加入滤子技术避免了罚函数的使用。在相同的实验环境下,与PI控制算法和Volterra模

2、型预测控制方法进行仿真对比实验,结果表明,所提算法的控制效果明显优于其他两种方法。  关键词:非线性模型预测控制;空燃比;RBF神经网络模型;序列二次规划  中图分类号:TP273文献标识码:A  1引言为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。  目前,研究精确有效的空燃比

3、控制方法对降低汽车尾气污染物排放、提高燃油利用率以及发动机整体性能均有着重要意义。研究表明控制AFR在附近时发动机的动力输出和燃油消耗达到最佳平衡。目前三元催化器的使用是汽车的一场革命,三元催化器的工作效率直接影响着汽车尾气的排放,准确的控制AFR可以提高三元催化器的工作效率,研究显示,当控制AFR低于%时导致CO和HC的排放量急剧增加,当AFR高于+1%时NOx排放陡升50%。  研究汽车发动机AFR的控制精度的关键问题是如何解决发动机高度非线性问题。目前生产的电控单元使用查表与PI反馈回路控制器相结合来对AFR进行控制。这种方法对高度非线性的SI发动机系统达不到精确的控制,近些年对AFR

4、控制的研究中,Manzie[1]提出了一种径向基函数神经网络为基础的方法来解决燃料喷射控制的问题,并发现,该网络适用于估计进入气缸的空气质量流速。在此基础上,随后他又提出了模型预测控制方法对AFR进行控制研究,把RBFNN作为空气系统的观测器并且利用积极集的方法对模型预测控制算法进行二次规划求解。但是线性模型仅适用于围绕一个特定操作的小区域。而对于对发动机的控制要求而言,由于空气燃油摄入量都是非线性的,所以适用于小范围操作区域的控制方法达不到精确控制的效果。因此,研究一种在全部区域有效的非线性控制模型是有重要意义的。为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于

5、课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。  本文提出了一种基于RBFNN的AFR系统非线性模型预测控制方法。利用RBFNN对SI发动机AFR系统建模,具有参数在线自适应、辨识精度高结构简单等优点,但这类模型是属于一种“黑盒子模型”,其模型内部参数无法得到利用,这会导致该模型的控制算法的计算量相对较大。本文选用了只利用神经网络预测序列的SQP方法作为

6、模型预测控制的寻优算法,同时对算法进行了进一步的改进,在SQP算法中加入滤子,避免了使用罚函数时罚因子选取困难和求解子问题时不相容的问题。  计算技术与自动化XX年3月  第35卷第1期张英朋等:基于神经网络模型的空燃比非线性模型预测控制  2自适应神经网络模型    神经网络有三层,输入层、隐层、输出层,隐层包含许多隐层节点,每个隐层节点都有一个中心位置,通过‖x-cj‖来计算隐层节点中心位置和输入元素的欧几里德距离。x是神经网络的输入,cj是第j个隐层节点的中心位置。通过非线性激活函数φj产生隐层节点的输出,本文选取高斯函数作为激活函数:  φj=exp-cj‖2σ2j),  j=1,…

7、,nh,  其中σj为中心节点宽度,nh是中心的个数,由于神经网络输出层本质上是一个线性组合,所以神经网络模型t时刻的第i个输出是这个隐层节点输出的加权和:  i=∑nhj=1φjwji,i=1,…,q  其中w是输出层的权值;q是输出的个数。  训练方法为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。