一种结合神经网络的STC发动机扭矩自适应控制方法

一种结合神经网络的stc发动机扭矩自适应控制方法
技术领域
1.本发明涉及发动机控制技术领域，更具体地说，它涉及一种结合神经网络的stc发动机扭矩自适应控制方法。


背景技术：

2.降低实际扭矩与目标扭矩之间的跟踪误差能够提高发动机工况转换的效率，提升发动机的动力性能、经济性能和排放性能。常见的pid控制易受系统老化变异和外界环境的不确定扰动的影响，自适应性不足，无法满足快速准确的跟踪控制且无法应对存在的大量非线性因素，而基于if-then规则的模糊控制相对比较耗时。


技术实现要素：

3.本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种结合神经网络的stc发动机扭矩自适应控制方法，能够在较快时间内实现高精度的扭矩控制。
4.本发明的技术方案是：一种结合神经网络的stc发动机扭矩自适应控制方法，包括以下步骤：
5.步骤s1.根据发动机的转速ne及对应的循环油量qc建立稳态扭矩模型；
6.步骤s2.获取发动机不同的转速ne、与各转速ne对应的循环油量qc、与各转速ne对应的瞬态进气压力p
t
与稳态进气压力ps的比值δ
p
，并建立数据集；将数据集输入到bpnn进行训练获得输出为扭矩系数δ
t
的瞬态扭矩系数模型；
7.步骤s3.结合稳态扭矩模型、瞬态扭矩系数模型建立扭矩估测器；
8.步骤s4.设定扭矩t；
9.步骤s5.发动机运行后，获取发动机当前的转速ne、油门开度n
t
、循环油量力qc、瞬态进气压力p
t
，并输入到扭矩估测器估计出当前的瞬态扭矩te；
10.步骤s6.根据自适应率所建立的瞬态扭矩te与设定扭矩t之间的关系，计算得到自适应系数k(t)；
11.步骤s7.将自适应系数k(t)输入到史密斯预估器，得到目标油门开度n
t1
，根据目标油门开度n
t1
控制发动机运行。
12.作为进一步地改进，稳态扭矩模型包括：
13.循环油量qc与发动机的转速ne、油门开度n
t
存在的关系qc＝g1＝f1(ne,n
t
)；
14.稳态扭矩ts与发动机的转速ne、循环油量qc存在的非线性函数关系ts＝g2＝f2(ne,qc)；
15.稳态进气压力ps与发动机的转速ne、循环油量qc存在的非线性函数关系ps＝g3＝f3(ne,qc)。
16.进一步地，瞬态扭矩系数模型包括：
17.根据瞬态进气压力p
t
计算出瞬态扭矩te＝f4(ne,qc,p
t
)；
18.瞬态扭矩te与稳态扭矩ts之间的比值
19.根据te＝f4(ne,qc,p
t
)和g6，可以得到δ
t
＝g5＝f5(ne,qc,δ
p
)。
20.进一步地，利用瞬态扭矩系数模型对δ
t
进行估计，进而通过g6得到瞬态扭矩te。
21.进一步地，建立稳态扭矩模型具体为：采用不同的发动机转速；然后选择合适的负荷率范围；并以一定的间隔递增，获取稳态扭矩ts、发动机的转速ne、循环油量qc的数据，建立数据集，根据数据集获得g1，g2，g3。
22.进一步地，数据集对于瞬态工作状态的数据获取，保持发动机转速恒定，通过加速踏板的突变实现循环油量的突变；转速范围选择1000～2000r/min，以100r/min变化，共11种转速情况；对于负载的情况，选择从5％阶跃至30％、从30％阶跃至65％、从30％阶跃至80％、从30％阶跃至95％四种瞬态过程。
23.进一步地，自适应率根据油门开度和发动机扭矩之间的关系建立：
[0024][0025]
其中ε(t)＝t-te，γ是自适应增益。
[0026]
进一步地，在史密斯预估器中：
[0027]
g(s)是用来预测输出的模型，
[0028]
gc(s)是补偿器，
[0029]
其中τ和λ是需要设计的参数。
[0030]
有益效果
[0031]
本发明与现有技术相比，具有的优点为：
[0032]
本发明首先利用rbfnn神经网络，综合考虑稳态和瞬态工作状态，对发动机的扭矩进行了估计，再结合基于史密斯估计器的stc控制方法对油门开度进行控制进而实现对扭矩的控制，能够在较快时间内实现高精度的扭矩控制。能够很好的应对条件不确定或者扰动的情况，可以通过消除被控对象和参考模型之间的误差，使响应收敛到期望的输出上。控制方法速度较快，稳态精度高，且具有良好的跟踪能力和鲁棒性。
附图说明
[0033]
图1为本发明的整体控制框图；
[0034]
图2为本发明的扭矩估测器框图；
[0035]
图3为rbfnn算法示意图；
[0036]
图4为本发明的史密斯估计器框图；
[0037]
图5为本发明的流程图。
具体实施方式
[0038]
下面结合附图中的具体实施例对本发明做进一步的说明。
[0039]
参阅图1～图5，一种结合神经网络的stc发动机扭矩自适应控制方法，包括以下步
骤：
[0040]
步骤s1.根据发动机的转速ne及对应的循环油量qc建立稳态扭矩模型；
[0041]
步骤s2.获取发动机不同的转速ne、与各转速ne对应的循环油量qc、与各转速ne对应的瞬态进气压力p
t
与稳态进气压力ps的比值δ
p
，并建立数据集；将数据集输入到bpnn进行训练获得输出为扭矩系数δ
t
的瞬态扭矩系数模型；
[0042]
步骤s3.结合稳态扭矩模型、瞬态扭矩系数模型建立扭矩估测器；
[0043]
步骤s4.设定扭矩t；
[0044]
步骤s5.发动机运行后，获取发动机当前的转速ne、油门开度n
t
、循环油量力qc、瞬态进气压力p
t
，并输入到扭矩估测器估计出当前的瞬态扭矩te；
[0045]
步骤s6.根据自适应率所建立的瞬态扭矩te与设定扭矩t之间的关系，计算得到自适应系数k(t)；
[0046]
步骤s7.将自适应系数k(t)输入到史密斯预估器，得到目标油门开度n
t1
，根据目标油门开度n
t1
控制发动机运行，从而间接实现扭矩的控制。如图1所示，整个虚线框图所包含的结构可视为一个自校正控制器(stc)。
[0047]
其中油门开度n
t
可通过发动机的ecu得出，发动机的转速ne通过转速传感器检测的出，循环油量qc可通过油耗仪查看，瞬态进气压力p
t
可由压力传感器测得。
[0048]
扭矩估测器如图2所示，其建立了一个同时考虑稳态和瞬态工况的扭矩估计模型，估计模型包含了两个部分，一个是稳态扭矩模型，一个是瞬态扭矩系数模型。发动机的扭矩是一个关于循环油量，喷油提前角，进气口流量和发动机速度的非线性函数，但在参考的直列泵发动机中，喷油提前角是通过发动机转速调整的。
[0049]
而处于稳态工况时，进气口流量由发动机转速和循环油量决定，因此只需要发动机的转速ne，循环油量qc，就可建立稳态扭矩模型。
[0050]
稳态扭矩模型包括：
[0051]
循环油量qc与发动机的转速ne、油门开度n
t
存在的关系qc＝g1＝f1(ne,n
t
)；
[0052]
稳态扭矩ts与发动机的转速ne、循环油量qc存在的非线性函数关系ts＝g2＝f2(ne,qc)；
[0053]
稳态进气压力ps与发动机的转速ne、循环油量qc存在的非线性函数关系ps＝g3＝f3(ne,qc)。
[0054]
建立瞬态工况的扭矩估计模型的基本思想是在已有的稳态模型的基础上，加入另一个动态影响因子。考虑到进气口流量不同导致稳态和瞬态工况下燃烧过程的差异，选取进气口流量作为动态过程的指标是合适的。然而，在瞬态工况下，传热速率较慢意味着进气口温度传感器无法快速准确地感知空气温度的变化，进而导致计算不准确。因此，以进气口压力(瞬态进气压力)代替进气口流量作为影响因子。
[0055]
瞬态扭矩系数模型包括：
[0056]
根据瞬态进气压力p
t
计算出瞬态扭矩te＝f4(ne,qc,p
t
)；
[0057]
瞬态扭矩te与稳态扭矩ts之间的比值
[0058]
根据te＝f4(ne,qc,p
t
)和g6，可以得到δ
t
＝g5＝f5(ne,qc,δ
p
)。
[0059]
即利用瞬态扭矩系数模型对δ
t
进行估计，进而通过g6得到瞬态扭矩te。
[0060]
rbfnn是一种三层前向网络，如图3所示，输入层由信号源结点组成；第二层为隐含层，隐藏层的单元数基于所描述问题的需要而定，隐藏层单元的变换函数是rbf径向基函数，它是对中心点径向对称且衰减的非负非线性函数‖‖为欧氏距离，ci为中心点。第三层为输出层，它对输入模式的作用响应。从输入层到隐含层的变换是非线性的，而从隐含层到输出层变换是线性的。如图3。图中w,v为权重，a和b为偏置向量。
[0061]
建立稳态扭矩模型具体为：对于稳态工作状态的计算，采用不同的发动机转速，例如1100rpm、1500rpm和1900rpm；然后选择合适的负荷率范围，如5％～95％；并以一定的间隔递增，如15％，获取稳态扭矩ts、发动机的转速ne、循环油量qc的数据，建立数据集，根据数据集获得g1，g2，g3。
[0062]
数据集对于瞬态工作状态的数据获取，保持发动机转速恒定，通过加速踏板的突变实现循环油量的突变；转速范围选择1000～2000r/min，以100r/min变化，共11种转速情况；对于负载的情况，选择从5％阶跃至30％、从30％阶跃至65％、从30％阶跃至80％、从30％阶跃至95％四种瞬态过程。
[0063]
建立的数据集通过输入到bpnn进行训练获得扭矩系数δ
t
。bpnn输入为转速ne、循环油量qc、瞬态进气压力p
t
与稳态进气压力ps的比值δ
p
构成的向量，输出为δ
t
。
[0064]
自适应率根据油门开度和发动机扭矩之间的关系建立：
[0065][0066]
其中ε(t)＝t-te，γ＝1
×
107是自适应增益。
[0067]
在史密斯预估器中，如图4所示，其内环能够起到实施预测控制的作用，控制油门开度进而实现对发动机扭矩的控制，外环能够起到消除时滞影响的作用：
[0068]
g(s)是用来预测输出的模型，
[0069]
gc(s)是补偿器，
[0070]
其中τ＝0.1和λ＝10。
[0071]
总之，本发明整体工作流程如图5所示，首先设置需要的扭矩，进而控制油门的开度，通过检测发动机的工作状态，将所需状态参数输入到扭矩估计器，估计出当前扭矩，然后通过自适应率调节油门开度实现扭矩的自适应控制。
[0072]
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。

技术特征：
1.一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，包括以下步骤：步骤s1.根据发动机的转速n
e
及对应的循环油量q
c
建立稳态扭矩模型；步骤s2.获取发动机不同的转速n
e
、与各转速n
e
对应的循环油量q
c
、与各转速n
e
对应的瞬态进气压力p
t
与稳态进气压力p
s
的比值δ
p
，并建立数据集；将数据集输入到bpnn进行训练获得输出为扭矩系数δ
t
的瞬态扭矩系数模型；步骤s3.结合稳态扭矩模型、瞬态扭矩系数模型建立扭矩估测器；步骤s4.设定扭矩t；步骤s5.发动机运行后，获取发动机当前的转速n
e
、油门开度n
t
、循环油量力q
c
、瞬态进气压力p
t
，并输入到扭矩估测器估计出当前的瞬态扭矩t
e
；步骤s6.根据自适应率所建立的瞬态扭矩t
e
与设定扭矩t之间的关系，计算得到自适应系数k(t)；步骤s7.将自适应系数k(t)输入到史密斯预估器，得到目标油门开度n
t1
，根据目标油门开度n
t1
控制发动机运行。2.根据权利要求1所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，稳态扭矩模型包括：循环油量q
c
与发动机的转速n
e
、油门开度n
t
存在的关系q
c
＝g1＝f1(n
e
,n
t
)；稳态扭矩t
s
与发动机的转速n
e
、循环油量q
c
存在的非线性函数关系t
s
＝g2＝f2(n
e
,q
c
)；稳态进气压力p
s
与发动机的转速n
e
、循环油量q
c
存在的非线性函数关系p
s
＝g3＝f3(n
e
,q
c
)。3.根据权利要求2所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，瞬态扭矩系数模型包括：根据瞬态进气压力p
t
计算出瞬态扭矩t
e
＝f4(n
e
,q
c
,p
t
)；瞬态扭矩t
e
与稳态扭矩t
s
之间的比值根据t
e
＝f4(n
e
,q
c
,p
t
)和g6，可以得到δ
t
＝g5＝f5(n
e
,q
c
,δ
p
)。4.根据权利要求3所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，利用瞬态扭矩系数模型对δ
t
进行估计，进而通过g6得到瞬态扭矩t
e
。5.根据权利要求2所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，建立稳态扭矩模型具体为：采用不同的发动机转速；然后选择合适的负荷率范围；并以一定的间隔递增，获取稳态扭矩t
s
、发动机的转速n
e
、循环油量q
c
的数据，建立数据集，根据数据集获得g1，g2，g3。6.根据权利要求3所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，数据集对于瞬态工作状态的数据获取，保持发动机转速恒定，通过加速踏板的突变实现循环油量的突变；转速范围选择1000～2000r/min，以100r/min变化，共11种转速情况；对于负载的情况，选择从5％阶跃至30％、从30％阶跃至65％、从30％阶跃至80％、从30％阶跃至95％四种瞬态过程。7.根据权利要求1所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，自适应率根据油门开度和发动机扭矩之间的关系建立：
其中ε(t)＝t-t
e
，γ是自适应增益。8.根据权利要求7所述的一种结合神经网络的stc发动机扭矩自适应控制方法，其特征在于，在史密斯预估器中：g(s)是用来预测输出的模型，g
c
(s)是补偿器，其中τ和λ是需要设计的参数。

技术总结
本发明公开了一种结合神经网络的STC发动机扭矩自适应控制方法，方法为：根据转速n


技术研发人员：潘明章 唐英哲 梁科 梁璐 官维 王宇鹏 李敬
受保护的技术使用者：广西大学
技术研发日：2023.03.30
技术公布日：2023/7/6