基于線性模型和滑?？刂破鞯膆cci發(fā)動機燃燒正時控制方法
【技術領域】
[0001] 本發(fā)明屬于均質壓燃（HomogenousChargeCompressionIgnition,HCCI)發(fā)動機 燃燒正時控制領域，具體涉及均質壓燃發(fā)動機燃燒正時模型的線性化處理和燃燒正時控制 方法的設計。
【背景技術】
[0002] 均質壓燃發(fā)動機綜合了火花點火發(fā)動機和壓燃式發(fā)動機的優(yōu)勢，具有高的燃油利 用率，低的氮氧化物和微粒排放等優(yōu)點 [1'2]，較傳統(tǒng)發(fā)動機可提高燃油利用率15-20%，降低 氮氧化物排放90-98%，以及降低微粒排放接近于100% [3]。
[0003] 為了充分發(fā)揮HCCI發(fā)動機的優(yōu)點，需要將燃料燃燒50 %時對應的曲軸角度（燃燒 正時：θω5。）控制在上止點附近很窄的范圍內（一般為3CAD-8CAD)[4]。目前，關于實現HCCI 的方法主要包括：進氣熱管理[5]，外部廢氣循環(huán)[6]，可變壓縮比 [7]，雙燃料混合M，可變閥門 正時[9 11]等。其中，可變閥門正時由于具有易于實現和控制靈活的特點，應用更為廣泛。
[0004] 然而，由于HCCI發(fā)動機缺少直接誘發(fā)混合氣燃燒的機制，導致燃燒正時信號不易 直接獲取，使得HCCI發(fā)動機燃燒正時難以控制。為此，一些學者提出利用非線性離散化學 動力學模型來預測燃燒正時，并基于此模型設計了燃燒正時控制算法。如文獻[9]設計了 氣門升程為輸入的基于非線性觀測器的控制器，文獻[12]設計了以燃油質量和排氣閥關 閉正時為輸入的自適應反饋控制器，文獻[13]設計了以閥門關閉正時和燃油質量為輸入 的模型預測控制器。需要指出的是，該模型存在復雜積分項，求解比較耗時，使得預測的燃 燒正時很難滿足實時性。
[0005] 因此，為了保證燃燒正時預測的實時性，以及線性控制器的設計和使用，可以對模 型進行線性化處理，并根據線性模型來設計線性控制器。目前關于非線性離散模型線性化 處理的方法主要有兩種：反饋線性化方法 [14]和泰勒展開方法[15]，這兩種方法都需要將非 線性表示為xk+1=F(xk，uk)形式，從而得到具體的非線性函數F。而HCCI發(fā)動機模型是根 據發(fā)動機的每一循環(huán)的工作過程總結出來的，使得模型為分段模型，從而導致其非線性關 系F很難得到。因此，HCCI發(fā)動機模型很難使用上述兩種方法對其進行線性化處理。
[0006] 此外，線性化后的模型較實際HCCI發(fā)動機是存在一定的誤差的，大多數的文獻對 該誤差都直接進行了忽略，使得線性化后的模型的精確度不高，最終導致該模型使用到實 際中時誤差較大。因此，為了保證模型精度，需要對線性化后的模型進行修正。由于離散非 線性模型線性化較為復雜，所以針對HCCI發(fā)動機離散線性狀態(tài)方程設計的控制器相對較 少。
[0007] 綜上，針對現有HCCI發(fā)動機模型線性化及控制方法存在的不足，需要采用一種更 為合理且易實現的方法對HCCI發(fā)動機模型進行線性化處理，并設計一種線性誤差修正方 法對線性模型存在的誤差進行修正。在此線性模型的基礎上，設計一種離散線性控制算法 對燃燒正時進行控制，以使得燃燒正時能夠很好地對期望燃燒正時進行跟蹤。

【發(fā)明內容】

[0008] 本發(fā)明的目的是利用線性模型對HCCI發(fā)動機的燃燒正時進行控制，以確保燃燒 正時控制的實時性和精確性。
[0009] 為了實現上述目的本發(fā)明的技術方案如下：
[0010] 基于線性模型和滑模控制器的HCCI發(fā)動機燃燒正時控制方法，包括：建立HCCI發(fā) 動機離散非線性燃燒正時模型，并得到N組隨ΘIve變化的TS(]e、PS(]e、ΘeA5。的數據；所述TSQC、 Ρι、θω5。和θ ?的含義分別為，HCCI發(fā)動機起燃時刻缸內氣體溫度TS(K、起燃時刻缸內氣 體壓力PS(K和燃燒正時曲軸角θω5。，進氣門關閉正時曲軸角0IVC;
[0011] TS(K、PS(^Pθω5。作為HCCI發(fā)動機線性模型的狀態(tài)變量，ΘITC作為HCCI發(fā)動機線 性模型的輸出，則線性化后的狀態(tài)方程表示為
[0012]
[0013] 根據已獲得的Θ IVC、TS(K、PS(K、θω5。數據，利用多元線性回歸的方法對參數av匕， i= 1，2, 3,j= 1，2, 3進行估計，最終得到離散的狀態(tài)方程
[0014] xk+1 = Ax k+Buk
[0015] 其中
[0016] x =[TsocPsocΘCA50]T
[0017] u= [ Θ IVC]
[0018]
[0021] 其中A為系統(tǒng)矩陣，B為輸入矩陣；[0022] 將進氣歧管溫度T_、進氣歧管壓力P_、燃油當量比Φ作為干擾因素加入所述
[0019]
[0020] HCCI發(fā)動機線性模型得到
[0023]
[0024] 其中
[0025]
[0026]
[0027]F為干擾項矩陣，同理F矩陣中的匕，i= 1，2, 3,j= 1，2, 3通過多元線性回歸方 法進行估計得到；
[0028] 利用BP神經網絡建立一個黑箱模型對所述加入干擾因素的HCCI發(fā)動機線性模型 誤差進行修正，從而使預測的燃燒正時與實際的燃燒正時相近；該黑箱模型是以加入干擾 因素的HCCI發(fā)動機線性模型預測得到的燃燒正時、進氣歧管溫度T_、進氣歧管壓力 Ρ_和燃油當量比Φ為輸入，修正后的燃燒正時θω5。為輸出的三層ΒΡ神經網絡模型。
[0029] 具體優(yōu)選實施例，HCCI發(fā)動機離散非線性燃燒正時模型選取起燃時刻缸內氣體溫 度Τι、起燃時刻缸內氣體壓力Pi和燃燒正時曲軸角θω5。作為模型狀態(tài)，進氣門關閉正時 曲軸角作為模型控制輸入，Θeto。作為模型輸出；因此，HCCI發(fā)動機咼散非線性燃燒正 時模型為：
[0030] xk+1=F(xk,uk+1)
[0031]yk+1=Cxk+1
[0032] 其中，x= [TS()CPS()CΘCA5JT;U =ΘiVC;輸出y=ΘCA5。;輸出矩陣C= [0 0 1] 〇
[0033] 進一步，所述BP神經網絡的隱含層激活函數為Tan-Sigmoid函數，輸出層激活函 數為純線性函數，網絡訓練算法為Levenberg-Marquardt算法。
[0034] 更進一步，本發(fā)明還包括用二分查找法來查找得到HCCI發(fā)動機線性模型對應的 理想燃燒正時信號θ^5?;根據不斷變化的線性模型的燃燒正時范圍的上界或下界來快速查 找線性模型對應的理想燃燒正時信號；給定實際HCCI發(fā)動機的理想燃燒正時信號私50， 以及可以得到對應HCCI發(fā)動機線性模型的燃燒正時的一個大致范圍θ:。]，然后 利用該范圍的上下界求取平均值，即= 作為黑箱模型對應的輸 入，從而得到對應實際HCCI發(fā)動機線性模型的燃燒正時;如果，大于θ~^5()，則令θ二=啦_;否則，令e; 然后繼續(xù)查找，直到達到迭代的上限或者已經達到目標 燃燒正時θ~^5()，此時的θ&5?便是HCCI發(fā)動機線性模型對應的理想燃燒正時Θ&。。
[0035] 本發(fā)明的優(yōu)先實施例中，HCCI發(fā)動機線性模型的輸出經過卡爾曼濾波器濾波后 得到輸出估計值和狀態(tài)估計值全:;基于該估計值，以期望的0么 5()和(^45(1作為輸入，ΘIVC 作為輸出設計基于指數趨近率的離散滑模控制器，并對HCCI發(fā)動機線性模型進行控制。
[0036] 所述卡爾曼濾波器為
[0037]
[0038]
[0039]
[0040]
[0041] 式中，無為最優(yōu)狀態(tài)估計量；y為實際輸出值；f為根據上一循環(huán)最優(yōu)的估計狀態(tài) 量預測得到的當前循環(huán)狀態(tài)量；L為卡爾曼增益；戶為對應預測狀態(tài)f的協方差；R為測量 噪聲f的協方差；I為單位矩陣；t為迭代周期數，A為系統(tǒng)矩陣，B為輸入矩陣，F為干擾項 矩陣，C為輸出矩陣，w為包含燃油當量比Φ、歧管溫度T_和壓力P_在內的噪聲矩陣。
[0042] 所述離散滑?？刂破鞯玫降目刂坡?^為
[0043]
[0044]
[0045] 式中，為理想燃燒正時；s為離散滑模面；為卡爾曼濾波器估計得到的 HCCI發(fā)動線性模型預測的燃燒正時；Cl為大于零的常數。
[0046] 其中，離散滑模面選取為
[0047]
[0048] 本發(fā)明具有以下優(yōu)點：
[0049] (1)利用線性回歸方法對狀態(tài)方程中矩陣的未知參數進行估計，避免了非線性關 系F的難以獲得的問題。
[0050] (2)利用黑箱模型和二分查找方法對線性模型預測的誤差進行修正，提高了線性 模型預測燃燒正時的精度。
[0051] (3)設計了基于指數趨近率的離散滑模控制器，可以快速準確地跟蹤理想燃燒正 時。
【附圖說明】
[0052] 圖1為用于修正線性模型誤差的模型框圖；
[0053] 圖2為利用BP神經網絡搭建的用于誤差修正的黑箱模型；
[0054] 圖3為用于查找線性模型理想燃燒正時的二分查找算法流程圖；
[0055] 圖4為基于指數趨近率的離散滑?？刂破鹘Y構框圖；
[0056] 圖5為線性模型得到結果同非線性模型結果和實驗數據比較圖（θω5。）；
[0057] 圖6為線性模型得到同非線性模型結果和實驗數據比較結果圖（TS(K，PS(]C);
[0058] 圖7為BP神經網絡訓練和測試結果圖；
[0059] 圖8為二分查找法查找結果圖；
[0060] 圖9為沒有干擾情況下的控制結果圖；
[0061] 圖10為進氣歧管溫度τ_存在階躍變化的控制結果圖；
[0062] 圖11為燃燒正時存在測量誤差的控制結果圖。
【具體實施方式】
[0063] 下面結合附圖對本發(fā)明作進一步說明。
[0064] 本發(fā)明公開了一種非線性離散系統(tǒng)線性化方法，以及針對離散線性狀態(tài)方程設計 了基于指數趨近率的離散滑?？刂破?。由于離散系統(tǒng)的特殊性，系統(tǒng)各個循環(huán)的狀態(tài)都可 以得到，因此選擇多元線性回歸方法對狀態(tài)方程的各個參數進行擬合，從而得到線性離散 系統(tǒng)的狀態(tài)方程。由于線性化后的方程相對實際發(fā)動機存在一定的誤差，因此利用ΒΡ神經 網絡設計黑箱模型對線性后的模型進行誤差的修正。在此模型的基礎上，設計了帶卡爾曼 濾波器的離散滑?？刂破鳌１景l(fā)明保證了線性模型的精確性和燃燒正時跟蹤理想輸入的精 度。
[0065] 1、HCCI發(fā)動機離散非線性燃燒正時模型<