[發明專利]高壓共軌柴油機氮氧化物和顆粒排放的優化協同控制方法

有效

• 申請號: 201210026632.6
• 申請日: 2012-02-07
• 公開（公告）號: CN102588129A
• 公開（公告）日: 2012-07-18
• 發明（設計）人: 黃志堅;黃河
• 申請（專利權）人: 上海艾銘思汽車控制系統有限公司;上海艾銘思汽車電子系統有限公司
• 主分類號: F02D28/00
• 分類號: F02D28/00;F02D43/00
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 郭國中

1.一種高壓共軌柴油機氮氧化物和顆粒排放的優化協同控制方法，其特征在于該方法是采用執行依賴啟發式近似動態規劃的優化協同控制方法，包括：

(1)設計效用函數：效用函數U(t)即t采樣時刻，柴油機NOx和PM排放參數與根據試驗和分析所確定的最優化目標值之差平方的一個加權和，以下式表示：

U(t)=12[NOx(t)-NOx*(t)]2+12[PM(t)-PM*(t)]2---(1)]]>

這里NOx(t)和PM(t)是t采樣時刻柴油機NOx和PM排放的實時測量值；NOx^*(t)和PM^*(t)則表示t采樣時刻柴油機NOx和PM排放的最優化目標值；

(2)設計評價網絡：評價網絡(4)用t時刻的輸出Q(t)來逼近t時刻的值函數；t時刻的值函數：即下一個采樣時刻開始直到該測試循環結束，各采樣時刻效用函數加權和的最小化值；這里γ是折扣因子，t表示采樣時刻，u(t)是執行網絡(3)的t時刻輸出的最優化控制向量，表示執行網絡(3)的t時刻輸出的最優化控制向量u(t)的范圍，N是該測試循環最后一次采樣的時刻，U(i)是效用函數，i從t+1到N-1；

評價網絡(4)用包括一個輸入層，一個隱層和一個輸出層的三層前饋人工神經網絡來實現；一個輸入層包含六個輸入神經元，一個隱層包含十四個隱層神經元，一個輸出層包含一個輸出神經元；這六個輸入神經元分別是NOx、PM、軌壓、EGR率、噴油量以及噴油定時的歸一化值。隱層采用sigmoidal函數，輸出層采用線性函數；

(3)設計執行網絡：執行網絡(3)用來逼近最優化的控制向量u(t)。它用包括一個輸入層，一個隱層，一個輸出層的三層前饋人工神經網絡來實現；一個輸入層包含二個輸入神經元，一個隱層包含九個隱層神經元，一個輸出層包含四個輸出神經元；這兩個輸入神經元分別是NOx和PM的歸一化值；這四個輸出神經元分別是軌壓、EGR率、噴油量和噴油定時的最優化控制變量；隱層和輸出層都采用sigmoidal函數；其輸出的最優化控制向量u(t)用來控制高壓共軌柴油機(1)的軌壓、EGR率、噴油量和噴油定時；

執行網絡(3)輸出的最優化控制向量u(t)與其輸入狀態向量x(t)一起連接到評價網絡(4)的輸入端；評價網絡(4)和執行網絡(3)的這種結構組合就是執行依賴啟發式近似動態規劃優化協同控制器(2)；

(4)離線學習：首先采用正交實驗法按新歐洲排放標準測試循環來測取NOx和PM的排放參數，參考國四排放標準和測得的柴油機排放參數，制定出各工況下柴油機NOx和PM排放的初始優化目標值；然后用測得的控制變量：軌壓、EGR率、噴油量、噴油定時和排放參數：NOx、PM的對應數據為樣本，用多層前饋神經網絡學習得出發動機工作模型，執行依賴啟發式近似動態規劃優化協同控制器(2)以該模型為對象進行仿真訓練，反復調整評價網絡(4)和執行網絡(3)權值w_c(t)、w_a(t)的初始值以及效用函數U(t)，以最小化誤差函數E_c(t)、E_a(t)的值為目標，根據梯度下降算法來離線訓練該執行依賴啟發式近似動態規劃優化協同控制器(2)；離線學習時，執行依賴啟發式近似動態規劃優化協同控制器(2)及其梯度下降算法是用Matlab的m文件來實現和仿真的；

(5)在線學習：執行依賴啟發式近似動態規劃優化協同控制器(2)經離線學習，具有收斂穩定性，產生控制效果后，在實車上在線學習并控制高壓共軌柴油機(1)的NOx和PM的排放；其優化目標與離線學習時的相同；執行依賴啟發式近似動態規劃優化協同控制器(2)是由Matlab-function函數來編程實現的，并被嵌入到高壓共軌柴油機(1)的管理軟件中作為它的一部分；調試用上位機裝有dSPACE快速原型調試軟件，用于將高壓共軌柴油機(1)的管理軟件編譯并下載到柴油機控制單片機中，以實現高壓共軌柴油機(1)的控制和實際效果數據的采集與分析；通過不斷修改Matlab-function函數來修改執行依賴啟發式近似動態規劃優化協同控制器(2)；在線訓練時，該執行依賴啟發式近似動態規劃優化協同控制器(2)是根據實測的控制變量：軌壓、EGR率、噴油量、噴油定時，采用梯度下降算法來訓練評價網絡(4)和執行網絡(3)的，以找到各工況下NOx和PM排放控制的最佳折衷點。