内燃机神经网络建模与优化控制方法研究

《内燃机神经网络建模与优化控制方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要实现更高效、更清洁的燃烧，是两大世界性问题一一能源和环境问题对内燃机提出的永远要求。而如何更加高效的在满足曰益严苛的排放法规的同时，尽可能的降低燃油消耗量，是人们对内燃机控制提出的最直接问题。本文针对上述问题，以车用汽油机为研究对象，提出了一种基于神经网络的内燃机优化：控制方法。局部线性化模型树(LOLIMOT)一一是一种扩展的RBF神经网络方法，与其它神经网络方法相比，该方法的训练时间很短(10～l80S)，并且无需事先确定隐层的个数，而是根据精度的需要，在训练过程中确定神经网络的规模，避免了神经网络训练过程中的拟合过度问

2、题。本文用LOLIMOT神经网络方法建立了汽油机参数喷油脉宽、点火提前角、转速和节气门开度与经济性、排放和扭矩共四项指标之间的关系模型。与汽油机常规的物理模型相比，神经网络方法可以避开汽油机燃烧过程尚不清楚的中间环节和目前测试技术方面的困难，建立起我们所关心的目标与汽油机易测参数之间多输入、多输出、强耦合、非线性的关系。考虑到多层前向神经网络的输入输出关系只是一种静态非线性映射，缺乏动态特性与行为，本文在对神经网络的训练中引入了输入输出反馈以体现其动态性。以往基于MAP(控制参数表)的控制方法，为解决汽油机燃油消耗和排放指标互相矛盾

3、的问题，不得不采取过程复杂、工作量巨大的台架实验的方法。本文在上述汽油机燃油消耗、排放和扭矩模型的基础上，运用罚函数法得到最佳的控制量设置，可以很方便地解决燃油消耗和排放指标的折衷优化问题。本文通过仿真实验，检验了汽油机神经网络模型和优化工具的有效性。关键词：废气排放控制；车用汽油机；神经网络；建模；优化垒星!三坠兰!ABSTRACTAdvancedenginecontrolsystemsrequireaccuratedynamicmodelsofthecombustionprocess，whicharesubstantiallyn

4、onlinear，uncertainandtime—delayed，Onemeansofaddressingthisproblemistodevelopapproachesbasedonartificialneuralnetworksthatarecapableofmodelinghighlynonlinearsystems．Theaimofthispaperistopresentthenonlinearmathematicalmodelsofexhaustgasformationsachievedwithcertainneural

5、networkarchitecture，namely10cal1inearradialbasisfunctionnetwork(LOLIMOT)fordesignpurpose，ThemostmarkedcharacteristicOftheLOLIMOTiSthatthetimeforidentificationisSOshortastessthan3minutes，AfterintroducingthespecialLOLIMOT，theprocessofbuildingadequatedynamicenginemodelsis

6、discussedindetail．Theseneuro-modelsarethenintegratedintoanupper-levelemissionoptimizationtoolthatcalculatesacostfunctionforexhaustversusconsumption／torque，Thetoolisusedtodetermineoptimalenginesettingsincludingthestartangelofignition0，injectionpulseandthevalve-openingra

7、tiovalve,，inordertoobtainthepropercompromisebetweenthelegallimitswithregardtopollutantemissionsandfuelconsumption，Computersimulationresultsforexhaustgases，fuelconsumptionandtorquemodelsareobtainedandanalyzed．Moreover，ansimulationisdonetotesttheeffectoftheoptimalsetting

8、，thestartangelofignition挣．KeyWords：exhaustandfuelconsumptionmodeling；optimizationneural—network；gasolineengineII独创性声明