基于人工智能的汽油机瞬态空燃比控制策略研究

基于人工智能的汽油机瞬态空燃比控制策略研究

董

玉

（辽宁职业学院机电系，辽宁铁岭112001）

摘要：介绍并对比了基于神经网络和模糊控制的瞬态空燃比控制方法，二者均不要求控制对象为非常精确的模型。特别在应用的非线性理论建模还不十分完善的情况下，神经网络控制器和模糊控制器的这个优点更为突出。关键词：农业工程；汽油机；瞬态空燃比；人工智能；模糊控制；神经网络中图分类号：TP216

文献标志码：A

文章编号：1674-1161(2009)01-0039-03

Study on Transient Air-fuel Ratio Control Strategy of

Gasoline Engine Based on Artificial Intelligence

DONG Yu

（Department of Machinery and Electrical Engineering,Liaoning Vocational College,Tieling Liaoning 112001,China ）

Abstract:In this paper,the transient air-fuel ratio control strategies based on neural network and fuzzy control were introduced,which had the same characters that allowing the control objects were not very accurate model.The advantage of neural network control and fuzzy control was more obvious when modeling with nonlinear theory was not very perfect for some reasons.

Key words:agricultural engineering;gasoline engine;transient air-fuel ratio;artificial intelligence;fuzzy control;neural network

1基于神经网络的瞬态空燃比控制方法

神经网络具有无限逼近非线性函数的能力，不需

要任何经验知识，只要有一定的数据进行训练即可，因此，可以用神经网络代替发动机模型的非线性函数。神经网络可以离线训练，也可以在线训练。采用神经网络进行控制可以减少整个系统的标定时间，简化控制策略。同时，神经网络对于训练数据的噪声不很敏感，具有很好的外延性和鲁棒性。

神经网络的形式较多，可针对不同的控制需求选用不同的神经网络来处理，例如：采用神经网络实现对空燃比数值的预估，神经网络的输入为进气歧管压力、发动机转速以及节气门角度等信号[1-2]；或采用广义回归神经网络，对发动机的空气通路和燃油通路模型的非线性参数进行辨识，如通过GRNN 可辨识经过节气门的空气流量和每循环进入气缸的空气量，以及油膜的相关参数。无论采用何种形式，均可使用神经网络对系统进行辨识。

1.1应用神经网络设计空燃比预估器

在基于神经网络空燃比预估器的控制系统中，利

用控制系统的传感器信号(转速、节气门位置等)经过神经网络计算出空燃比的预估值。预估值与参考值的

偏差可经过PID 控制器计算得到补偿油量。

神经网络空燃比预估器的控制图见图1。通过燃料调节控制模块来调整基本燃油脉宽，所有的状态变量以及脉宽信息都作为空燃比预估器的输入，应用人工神经网络构成空燃比预估器，输出为瞬时的预估空燃比。

1.1.1神经网络空燃比预估器神经网络空燃比预

估器包括2个隐层（每层有8个神经元节点）、1个输入层（有8个输入变量）和1个输出层（输出预估空燃比），采用类型为前馈类型。输入变量分别是发动机转速、气缸充量、点火提前角、发动机冷却水温度、进入气缸的空气流量、节气门角度等8个参数，采用反向传播算法进行训练。对于每一个节点，输入节点

W 1X 1+W 2X 2+A +W 8X 2+B 为节点偏差，节点输出是线性的，共有136个权重和17个偏差。

1.1.2神经网络的学习将空燃比分别设置为理论空燃比(14.7)、稀混合气(16.5)、浓混合气(13.5)等一系

收稿日期：2008-12-02作者简介：董

玉(1974—)，女，讲师，从事汽车电子技术方面的

教学和研究工作。

图1基于神经网络空燃比预估器的控制框图

Figure 1Control diagram of air-fuel ratio predictor

第1期总第181期

No．1Total No．181

2009年2月

Feb ．2009

农业科技与装备

Agricultural Science＆Technology and Equipment

列值来进行训练。通过对神经网络预估值与基于线性氧传感器的空燃比测量值和基于10个参数回归预估器的空燃比估计值进行比较，表明神经网络预估值的结果与基于线性氧传感器的空燃比测量值相符合。在稀混合气情况下，结果显示神经网络预估器比回归预估器更加精确，而且统计相关因素，两种预估器具有很好的相关性。试验结果表明：采用神经网络预估器提供的空燃比信息，会使瞬态空燃比的控制精度得到明显提高。

1.2应用广义回归神经网络对发动机动态模型参数进行辨识

瞬态空燃比控制精度取决于发动机动态模型的精确度。由于发动机是高度复杂的非线性系统，其动态模型中非线性参数的确定十分困难，因此需要通过大量试验才能获得。即使如此，也难以使发动机所有的工况均获得较高的精度。而神经网络技术能够处理复杂的时变、非线性系统，从而使发动机中较难控制的非线性时间变量、宽范围运转工况及时间延迟等处理得以实现。对于发动机动态模型，可以利用神经网络技术智能辨识模型中的非线性参数，可以利用神经网络学习复杂非线性系统中各孤立的未知非线性特征，然后用既有的知识构成控制规则。

发动机动态模型采用平均值模型，包括空气通路模型和燃油通路模型。通过应用广义回归神经网络对空气通路模型中的非线性参数ηVOL和C d、A x进行辨识，获得精确的进入气缸的空气流量mav，进而获得精确的燃油量m finj，最终达到精确控制瞬态空燃比的目的。

应用神经网络进行辨识的主要问题是导出一个具有明确的稳定性和收敛性的学习规则，而基于梯度的学习方法（如著名的BP算法）并不适合。这是因为应用于一个复杂、多维空间的误差表面的梯度法无法证明其具备稳定的证据，而实际上梯度法或者会陷入一个局部极小量，或者会导致非稳定性。为此，选择使用Ljapunov稳定性方法所导出的学习规则所具有的可证明的稳定性可以保证所有系统信号的有界性和误差信号对零点的收敛性。同时，为避免对学习信号持久激励的需要，可以采用广义回归型神经网络(GRNN)。GRNN与其他学习结构相比，优点在于：可以训练的参数主要在局部起作用，即使只使用很少的数据，GRNN也可以提供一个平滑的通过插值方式获得的输出函数。虽然这些数据点远远偏离于实际输入的数据，但GRNN的输出与最近的数据点的加权之和却近似相等。基于这些优点，通过使用GRNN，可以对平均值模型中的空气通路模型和燃油通路模型中的非线性参数进行辨识。

神经网络虽然有许多优点，但其结构(包括网络的层数、每层的节点数及各层间的相互连接关系等)的优化设计仍需进一步研究。神经网络计算复杂，尤其是在线训练时计算量很大、对实时性要求较高的系统，对硬件系统运算速度的要求也高。另外，神经网络的训练算法也影响其实际应用。因此，在实际应用中，需要寻求既快速又能保证收敛的学习和训练的新算法。

2基于模糊控制的瞬态空燃比控制方法模糊控制最为突出的特点是对硬件系统的要求不高，故在发动机空燃比控制中得以采用。采用的控制策略是基于模型的空燃比控制。首先建立起基于事件的平均值发动机动态模型，曲轴转角180°对应一个发动机事件。发动机动态模型包括空气通路模型和燃油通路模型，并考虑整个系统的延迟。在控制方法上采用前馈和反馈相结合的方式，其中，反馈环节采用线性氧传感器的信号实现闭环控制。考虑到系统的延迟，在此环节还使用了史密特预估器。在前馈通道上采用了模糊控制器，以准确预估进入气缸的空气流量。该系统控制图见图2。

图中t i为燃油喷射信号；t im和t ic分别为来自前馈控制器和反馈控制器的燃油喷射信号；λm为空燃比测量值；λdes和λe分别为空燃比的期望值和偏差；n&a cyl为进入气缸的空气流量。模糊控制器的输入为节气门角度和发动机转速N，以及上一时刻模糊控制器估计的空气流量。整个系统实现起来较为简单，适于工程应用。

采用基于模型的模糊控制方法，可以辨识较宽范围内发动机运行工况的非线性模型。此模型的输出即为进入气缸内的空气流量，可以驱动前馈喷油信号。模糊控制模型可以通过一种聚类算法来辨识，建立这种模型的目的是通过对已获得的测量值进行预估，以此作为模糊模型的规则。（下转第43页）图2基于模糊控制的空燃比控制框图

Figure2Control diagram of air-fuel ratio based on

fuzzy control

农业科技与装备2009年2月40

表2

网络故障仿真测试结果的正确率Table 2

Preciseness rate of network fault simulation test

序号

故障

k =0.1%k =0.2%k =0.3%1控制系统故障1001001002执行机构故障1001001003传动系统故障10095904驱动系统故障100100935

机身部分故障

100100100平均

100

99

96.6

参考文献

[1]丁平,白杰.基于RBF 神经网络的航空发动机故障诊断[J].中国民航大学学报,2007(7):43-44.[2]胡汉梅,鲍亮亮,赵海军.神经网络在变压器故障诊断中典型算法研究[J].高压电器,2008(6):217-220.[3]张阔,陈柏松,吕英军,等.基于RBF 神经网络的自动驾驶仪故障诊断[J].数据采集与处理,2006(12):161-164.

[4]DUMITRESCU D,KAROLY S.A new dynamic evolutionary clustering application in designing RBF network[J].Informatica,2003,8(2):45-52.

量工具误差等，加之RBF 神经网络结构的确定困难，这些不利因素易使RBF 神经网络产生错误判断，从而降低故障诊断的正确率。为验证RBF 网络的实用性，特采集一些实际故

障数据进行测试，其诊断正确率约为96%，具有很强的实际故障识别能力。例如，当输入信息为x =（0.50，0.96，0.52，0.56，0.90）时，可以判断设备是第2种故障，即执行机构故障。

4结语

RBF 神经网络故障诊断是一种具有广阔应用前

景的诊断方法，可以对机电设备的故障进行多因素综合评判，并使人们的经验通过神经网络学习得以数字化，从而使诊断结果更符合实际。但其隐层基函数的中心及方差的确定仍需要深入研究，以达到更好的应用效果。

（上接第40页）设数据集X 的结构为：

X =[X 1X 2……X n ]，[X i ]=

q i r

i

式中：矢量X i 由矢量q i 和r i 组成；q i 为输入数据；r i 为输出数据；i=1，2，…，n 。则输出的空气流量

n &a cyl 可以用所谓的重心法计算出来。

n &a cyl =c

i =1

Σμi Z i /c

i =1

Σμi

式中：c 为聚类中心或规则的数量；μi 为第i 个规则的高斯模糊集的关联系数，定义式为：

μi =e

-Φ|q -Q 1|

2

式中：q 为输入向量；Q 为与不同输入相关联的规则中心。模型输出是每一规则权重的平均值。由于建立的基本模型中可能存在很大程度的误差，因此需要考虑模型的最优化。最优化采用线性最小二乘法，以减小模型输出与训练数据之间的误差。

模糊控制技术可以辨识非线性结构模型，模糊控制可以真正用于在线调整。作为前馈与反馈控制相结合的控制器的一部分，其性能是令人满意的。采用此控制方法时，空燃比变化范围在±0.05的理论空燃比以内[3]，就可满足精确控制的要求。在分析非线性和具有不同时间特性的发动机系统中，模糊控制方法为发动机控制提供了发展潜力。但是，模糊控制器规则的形成需要一定的知识和经验，而语言变量的子集、量化因子和比例因子等都需要根据实际情况人为选定，因此，模糊控制器的优化设计有待进一步探讨。

3结论

神经网络可以很好地应用于非线性复杂控制系

统，其在线训练功能及自适应学习算法也可以保证控制系统的稳定性和快速性。但是，神经网络的结构、学习规则、层数及各层神经元的个数选择均不容易确定，因此，基于复杂神经网络的控制器计算量较大，对系统的要求较高。

参考文献

[1]邱绪云,顾晖,吴光强.汽车自动变速器电子控制单元的设计开发[J].传动技术,2005,19(4):27-29.[2]刘福水,仇滔,刘兴华,等.基于模型的电控柴油机标定技术[J].车用发动机,2005(6):1-4.[3]李国岫,虞育松.电控喷射汽油机瞬态空燃比控制策略的研究[J].车用发动机,2005(1):1-3.

ΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣ

2009年第1期

邓志辉等：RBF 神经网络在机电设备故障诊断中的应用

43