煤层气发动机空燃比动态建模及前馈MAP校正方法研究

论文摘要

电控技术是提高煤层气发动机燃烧效率、降低排放和提高动力性的重要手段。在煤层气发动机控制系统分析和设计过程中,空燃比动态建模和前馈MAP校正方法是需要研究的重要内容,也是电控单元控制软件优化设计和控制策略开发的基础。本文研究主要内容如下:（1）为了描述煤层气发动机空燃比的动态特性,建立了多变量空燃比块联模型。利用稳态工况实验数据拟合的多项式,补偿模型中的静态非线性增益。借助3个准则函数选择动态模型的阶次,基于发动机动态工况实验数据,分别采用预滤波的频率权值修正（SM）法和输出误差（OE）法辨识空燃比动态模型的参数。模型验证结果表明,基于SM算法的块联模型能够相对较好地捕获发动机空燃比的瞬态偏移。（2）为了描述煤层气发动机强烈的非线性和补偿动态工况下的延迟,基于减法聚类算法（SCA）和在线聚类算法（OCA）,分别建立了用于空燃比反馈控制的ANFIS模型和自适应模糊模型。利用同向激励和反向激励下的动态数据,对两种模型预测空燃比的能力进行了检验和交叉验证。结果表明,尽管两种模型都能够补偿发动机各种延迟、描述排气空燃比的瞬态偏移,但基于OCA算法自适应模型,由于采用参数递推算法和适当选择的规则半径,通过在线修正和调整模型参数,可以更好地实时预测空燃比的变化,具有更高的精度。（3）为了优化模糊空间划分和进一步改善建模精度,考虑聚类中心的关联性,将协同系数引入G-K聚类算法中,结合系统性能指标和3种聚类数判定准则（SC、S、XB）,构建了基于G-K协同聚类算法的发动机空燃比模糊模型。模型验证结果表明,与G-K聚类算法的模糊模型相比,基于G-K协同聚类算法的模糊模型具有更好的鲁棒性,更适合作为空燃比动态模型。（4）为了尽可能消除稳态控制偏差和优化发动机控制MAP,借助于辨识的发动机稳态模型,研究了基于PI型、PID型和自适应PID型迭代学习控制律的稳态空燃比自学习校正算法;为了补偿动态非线性和延迟引起的瞬态空燃比偏移,借助于基于协同聚类算法的空燃比动态模型,研究了基于PID型和自适应PID型迭代学习律的动态空燃比校正方法。仿真结果表明,自适应PID学习控制算法具有最快的收敛速度和最小的学习误差,更适合煤层气发动机位置控制参数的在线学习和调整;基于自适应PID学习控制律的方法通过快速的误差反馈学习和实时跟踪,具有更好的收敛性能和瞬态空燃比控制能力。

论文目录

• 摘要
• ABSTRACT
• 致谢
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 面向控制的发动机模型及前馈MAP 修正算法
• 1.2.1 平均值发动机模型
• 1.2.2 基于各缸的控制发动机模型
• 1.2.3 非线性发动机模型
• 1.2.3.1 发动机块联模型（传递函数形式模型）
• 1.2.3.2 发动机模糊模型
• 1.2.4 发动机前馈MAP 修正
• 1.3 课题来源及主要研究内容
• 1.4 论文结构
• 第二章 基于块联模型的煤层气发动机空燃比动态建模
• 2.1 引言
• 2.2 煤层气发动机实验装置及标定实验
• 2.3 基于预滤波的频率权值修正方法（SM）原理
• 2.4 块联模型的建模原理
• 2.4.1 块联模型算法推导
• 2.4.2 Hammerstein 模型的辨识
• 2.4.3 模型结构的确定
• 2.5 静态非线性部分辨识
• 2.6 不同动态线性环节的模型辨识
• 2.6.1 加速工况的块联结构建模与验证
• 2.6.1.1 阶次选择
• 2.6.1.2 加速工况模型
• 2.6.1.3 模型验证
• 2.6.2 减速工况的块联结构建模与验证
• 2.6.2.1 阶次选择
• 2.6.2.2 减速工况模型
• 2.6.2.3 模型验证
• 2.7 本章小结
• 第三章 基于自适应模糊模型的发动机空燃比动态建模
• 3.1 引言
• 3.2 煤层气发动机空燃比控制结构
• 3.3 T-S 模型辨识原理
• 3.4 基于减法聚类算法的ANFIS 空燃比模型
• 3.4.1 减法聚类
• 3.4.2 基于ANFIS 结论参数预测
• 3.4.3 基于减法聚类的ANFIS 空燃比建模与验证
• 3.4.3.1 加速工况建模与验证
• 3.4.3.2 减速工况建模与验证
• 3.4.4 结果分析
• 3.5 基于在线聚类算法的空燃比自适应模糊模型
• 3.5.1 模型结构在线辨识
• 3.5.2 结论参数在线辨识
• 3.5.3 模型递推过程
• 3.5.4 基于在线聚类算法的空燃比自适应模型的建模与验证
• 3.5.4.1 规则半径r 的选择
• 3.5.4.2 加速工况建模与验证
• 3.5.4.3 减速工况自适应模糊模型验证
• 3.5.5 结果分析
• 3.6 本章小结
• 第四章 基于G-K 协同聚类算法的发动机空燃比模糊模型
• 4.1 引言
• 4.2 模型辨识原理
• 4.2.1 T-S 模糊模型
• 4.2.2 基于G-K 协同模糊聚类的模型前件参数辨识
• 4.2.2.1 G-K 聚类算法
• 4.2.2.2 G-K 协同模糊聚类算法
• 4.2.3 模型后件参数辨识
• 4.2.4 加权平均法计算模型输出
• 4.2.5 模型辨识步骤
• 4.3 选择模型输入变量
• 4.3.1 辨识数据的产生
• 4.3.2 模型输入变量的选择
• 4.4 基于G-K 聚类算法和基于G-K 协同聚类算法的空燃比模糊模型
• 4.4.1 模型聚类数c 的选择
• 4.4.2 模型验证
• 4.4.2.1 加速工况验证
• 4.4.2.2 减速工况验证
• 4.5 本章小结
• 第五章 基于迭代学习算法的发动机前馈 MAP 校正方法
• 5.1 引言
• 5.2 空燃比自学习校正原理
• 5.2.1 迭代学习控制基本原理
• 5.2.2 发动机单阀迭代学习空燃比调节算法
• 5.2.3 双阀迭代学习空燃比校正算法
• 5.3 发动机空燃比稳态模型
• 5.4 基于PI、PID、自适应 PID 迭代学习算法的稳态空燃比校正
• 5.4.1 基于 PI 型迭代学习律的空燃比校正
• 5.4.2 基于 PID 型迭代学习律的空燃比校正
• 5.4.3 基于自适应 PID 型迭代学习律的空燃比校正
• 5.5 动态空燃比迭代学习控制
• 5.5.1 基于 PID 型迭代学习律的动态空燃比校正
• 5.5.2 基于自适应 PID 型迭代学习律的动态空燃比校正
• 5.5.3 基于 PID、自适应 PID 迭代学习律的连续动态空燃比校正
• 5.6 本章小结
• 第六章 结论与展望
• 参考文献
• 攻读硕士学位期间发表的主要研究论文