[發明專利]發動機選擇催化還原系統建模及智能參數辨識方法

在審

• 申請號: 202210840991.9
• 申請日: 2022-07-18
• 公開（公告）號: CN115186591A
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 胡云峰;范澤川;孫耀;楊惠策;趙靖華;王博;解方喜;李小平;陳虹
• 申請（專利權）人: 吉林大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;F01N3/20;F01N11/00;G06F119/08
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 白冬冬

1.一種發動機選擇催化還原系統建模及智能參數辨識方法，其特征在于：其步驟是：

S1.建立簡化的三階尿素SCR系統模型

列寫三階動態方程

由化學反應動力學方程、質量守恒方程、理想氣體狀態方程等可得降階模型得三階動態方程為：

其中EF_V為排氣體積流量和SCR系統體積的比值為：

EF_M代表排氣質量流量；M為排氣摩爾質量，一般選為名義值29；R為氣體常數，V為SCR系統體積；分別代表SCR入口NO_x濃度、SCR出口NO_x濃度、SCR入口NH₃濃度、SCR出口NH₃濃度；θ_MAX為SCR催化劑最大氨吸附能力；

S2、確定催化劑最大氨吸附能力與溫度的映射關系

確定SCR催化器床溫度范圍，催化器床溫范圍為180℃到460℃，以二次函數擬合溫度和系統最大氨吸附能力的映射關系效果較好：θ_MAX＝0.0024T²-2.217T+522；

S3、確定待辨識參數，構建參數辨識適應度函數

待辨識參數：氨氣吸附反應速率常數k₂取(200，1000)，氨氣解吸附反應速率常數k₃取(10000，50000)，NO_x催化還原反應速率常數k₄取(200000，100000)，氨氣吸附反應活化能E₂取(200，1000)，氨氣解吸附反應活化能E₃取(3000，15000)，NO_x催化還原反應活化能E₄取(2000，10000)；

S4、確定智能優化算法的參數

使用類粒子群算法對E₃和k₂進行辨識，使用類遺傳算法對其余四個參數進行辨識，智能優化算法的整體參數包括群體規模N和最大迭代次數，對于離線辨識的情況，采用較大的群體規模和迭代次數；

S5、使用智能優化算法對系統進行參數辨識

S5.1、初始化種群位置、歷史最優適應度值和最優解

在設定的待辨識參數范圍內初始化群體位置

其中D為待辨識參數的個數，x_j,min和x_j,max分別表示搜索空間第j維變量的下界和上界，初始化歷史最優適應度值f_opt、最優解x_opt，設置當前迭代次數t＝0；

在待辨識參數沒有較好的初值的情況下，應當在待辨識空間內隨機取點

其中，r₀為[0,1]區間內均勻分布的隨機數；

在待辨識參數已經有較好初值的情況下，為了避免重復搜索，應當以正態分布在初值附近取點

其中，為人為選取的初值，r₁～N(1,1)是服從期望為1，方差為1的正態分布的隨機數；

S5.2、計算種群中所有粒子的適應度值，更新引力常數G(t)

fit_i(t)為第i個粒子的適應度值，最優值best(t)和最劣值worst(t)定義如下：

引力常數設置為隨時間推移逐漸減小，在后期具有更好的局部搜索能力，其定義式如下：

其中，G₀為引力常數的初值，t為當前迭代次數，max_it為最大迭代次數，α(t)為自適應萬有引力常數衰減因子，其表達式如下：

其中α₀是萬有引力常數衰減因子的初值，和δ是縮放因子，δ＞1，θ是位移因子，通過調節以上三個參數獲得最優的萬有引力常數衰減因子變化過程；

S5.3、進行選擇、交叉與變異操作

柯西變異和高斯變異的概率密度分布函數如下：

其中u為均值，σ²為方差，N(u,σ²)是正態分布(高斯分布)。γ＞0是比例參數，z₀為峰值位置，C(z₀,γ²)為柯西分布；

粒子位置變異操作公式如下：

X_new＝X·(1+β·(N(0,1)+(1-η)·C(0,1))) (21)

使用反向學習算法改進的選擇操作可以增強類遺傳算法對參數k₃、k₄、E₂、E₄的辨識能力，

產生N個超生粒子，接下來進行選擇操作，即求解全部超生粒子與原粒子的適應度值，然后按結果把它們從優到劣排序，最后只留下前N個粒子組成新種群，投入到下一個循環；

S5.4、求出群體最優目標函數值f_best(t)＝minf_i(t)和對應的粒子位置

G_best(t)，如果f_best(t)＜f_opt則f_opt＝f_best(t)，G_opt＝G_best(t)；

S5.5、更新類粒子群算法的位置

改進后的粒子速度更新策略如下：

其中，a(t)為人為定義的與周期和各粒子適應度相關的函數，G_best為全體粒子所經歷的最優位置，在迭代的過程中不斷更新；r₂，r₃，r₄均為[0,1]區間內服從均勻分布的隨機數；c₁，c₂為學習因子，其中c₁＝1-iteration³/max_it³，c₂＝iteration³/max_it³；

S5.6、判斷并處理越界粒子

采用彈性球邊界處理策略處理越界粒子：

式中，Ub(d)、Lb(d)分別為粒子在第d維度的上下邊界；

小部分越界粒子采用隨機初始化方法進行位置重置：

S5.7、t＝t+1如果未達到最大周期數，轉至S5.2，否則結束循環，得到最優目標函數值f_opt和最優解向量G_opt。