[发明专利]高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法

摘要

高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法属于柴油机优化控制技术领域。本发明提出一种多输入多输出执行依赖启发式近似动态规划方法，对影响高压共轨柴油机NOX和PM排放的控制变量：轨压、EGR率、喷油量和喷油定时进行优化协同控制，具体包括设计效用函数、设计评价网络、设计执行网络、离线学习和在线学习。本发明解决了采用动态规划控制柴油机排放存在的“维数灾”问题，在线应用时不需要被控对象的数学模型，在各工况下均能同步优化NOx和PM的排放。本方法充分挖掘了高压共轨柴油机缸内净化的潜力，减少了对尾气后处理装置的负担和要求，从而低成本地提高了高压共轨柴油机的尾气排放标准。

主权项

1.一种高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法，其特征在于该方法是采用执行依赖启发式近似动态规划的优化协同控制方法，包括：(1)设计效用函数：效用函数U(t)即t采样时刻，柴油机NOx和PM排放参数与根据试验和分析所确定的最优化目标值之差平方的一个加权和，以下式表示：U(t)=12[NOx(t)-NOx*(t)]2+12[PM(t)-PM*(t)]2---(1)]]>这里NOx(t)和PM(t)是t采样时刻柴油机NOx和PM排放的实时测量值；NOx^*(t)和PM^*(t)则表示t采样时刻柴油机NOx和PM排放的最优化目标值；(2)设计评价网络：评价网络(4)用t时刻的输出Q(t)来逼近t时刻的值函数；t时刻的值函数：即下一个采样时刻开始直到该测试循环结束，各采样时刻效用函数加权和的最小化值；这里γ是折扣因子，t表示采样时刻，u(t)是执行网络(3)的t时刻输出的最优化控制向量，表示执行网络(3)的t时刻输出的最优化控制向量u(t)的范围，N是该测试循环最后一次采样的时刻，U(i)是效用函数，i从t+1到N-1；评价网络(4)用包括一个输入层，一个隐层和一个输出层的三层前馈人工神经网络来实现；一个输入层包含六个输入神经元，一个隐层包含十四个隐层神经元，一个输出层包含一个输出神经元；这六个输入神经元分别是NOx、PM、轨压、EGR率、喷油量以及喷油定时的归一化值。隐层采用sigmoidal函数，输出层采用线性函数；(3)设计执行网络：执行网络(3)用来逼近最优化的控制向量u(t)。它用包括一个输入层，一个隐层，一个输出层的三层前馈人工神经网络来实现；一个输入层包含二个输入神经元，一个隐层包含九个隐层神经元，一个输出层包含四个输出神经元；这两个输入神经元分别是NOx和PM的归一化值；这四个输出神经元分别是轨压、EGR率、喷油量和喷油定时的最优化控制变量；隐层和输出层都采用sigmoidal函数；其输出的最优化控制向量u(t)用来控制高压共轨柴油机(1)的轨压、EGR率、喷油量和喷油定时；执行网络(3)输出的最优化控制向量u(t)与其输入状态向量x(t)一起连接到评价网络(4)的输入端；评价网络(4)和执行网络(3)的这种结构组合就是执行依赖启发式近似动态规划优化协同控制器(2)；(4)离线学习：首先采用正交实验法按新欧洲排放标准测试循环来测取NOx和PM的排放参数，参考国四排放标准和测得的柴油机排放参数，制定出各工况下柴油机NOx和PM排放的初始优化目标值；然后用测得的控制变量：轨压、EGR率、喷油量、喷油定时和排放参数：NOx、PM的对应数据为样本，用多层前馈神经网络学习得出发动机工作模型，执行依赖启发式近似动态规划优化协同控制器(2)以该模型为对象进行仿真训练，反复调整评价网络(4)和执行网络(3)权值w_c(t)、w_a(t)的初始值以及效用函数U(t)，以最小化误差函数E_c(t)、E_a(t)的值为目标，根据梯度下降算法来离线训练该执行依赖启发式近似动态规划优化协同控制器(2)；离线学习时，执行依赖启发式近似动态规划优化协同控制器(2)及其梯度下降算法是用Matlab的m文件来实现和仿真的；(5)在线学习：执行依赖启发式近似动态规划优化协同控制器(2)经离线学习，具有收敛稳定性，产生控制效果后，在实车上在线学习并控制高压共轨柴油机(1)的NOx和PM的排放；其优化目标与离线学习时的相同；执行依赖启发式近似动态规划优化协同控制器(2)是由Matlab-function函数来编程实现的，并被嵌入到高压共轨柴油机(1)的管理软件中作为它的一部分；调试用上位机装有dSPACE快速原型调试软件，用于将高压共轨柴油机(1)的管理软件编译并下载到柴油机控制单片机中，以实现高压共轨柴油机(1)的控制和实际效果数据的采集与分析；通过不断修改Matlab-function函数来修改执行依赖启发式近似动态规划优化协同控制器(2)；在线训练时，该执行依赖启发式近似动态规划优化协同控制器(2)是根据实测的控制变量：轨压、EGR率、喷油量、喷油定时，采用梯度下降算法来训练评价网络(4)和执行网络(3)的，以找到各工况下NOx和PM排放控制的最佳折衷点。