基于动态递归神经网络的HCCI发动机燃烧相位辨识模型

为了实现HCCI汽油机闭环反馈控制,提出了一种利用动态递归神经网络从气缸压力信号在线辨识燃烧相位CA50(燃烧50%累积放热量的曲轴转角)的方法。该方法采集上止点附近40°CA范围的气缸压力信号,经过归一化和主元素法降维处理后,得到一个由9个特征数构成的时间序列。一个Elman动态递归神经网络以该序列为输入,计算出燃烧相位CA50。以基于全可变气门机构的汽油HCCI发动机为对象,选取了台架试验中4个典型的HCCI动态变负荷过程数据,其中一个作为训练样本,另外3个作为测试样本。测试结果表明:该方法对HCCI动态过程的燃烧相位CA50预测误差小于0.25°CA;与BP网络和RBF网络相比,具有更低的误差和更强的泛化能力;与直接热力学计算方法相比,具有突出的抗干扰性和容错能力。

基于振动信号和瞬时转速信号的HCCI燃烧相位CA10辨识

为了实现基于循环的HCCI燃烧闭环控制,提出了一种基于爆震传感器信号和瞬时转速信号的CA10(缸内燃料燃烧10%累积放热量时的曲轴转角θ10)辨识模型.在装有全可变气门系统的汽油HCCI发动机上,测取HCCI发动机各工况下爆震传感器信号和瞬时转速信号,用时频分析方法从爆震传感器信号及瞬时转速中提取表征振动信号相位信息的特征量和瞬时转速信号特征量,分析了它们和HCCI燃烧相位θ10之间关系,提出了一种计算简单,以爆震传感器和瞬时转速信号特征量为因变量的CA10辨识模型.分析表明,CA10辨识模型能比较准确地识别HCCI燃烧相位的θ10值,对于HCCI动态过程燃烧相位θ10的预测平均误差小于1.7,°CA.

用于HCCI发动机燃烧状态参数辨识的神经网络

本文分别利用Elman网络、BP网络和RBF网络从离子电流信号辨识HCCI发动机的燃烧相位CA50,并对三种模型的各项性能进行了比较。该方法首先提取每个循环的离子流信号的4个特征信息,用提取的特征信息和发动机转速以及4个控制参数经归一化处理后,输入给神经网络,计算出CA50。本研究以基于全可变气门机构的汽油HCCI发动机为对象,选取了台架试验中6个典型的HCCI动态变负荷过程数据作为训练样本,另两个动态变负荷数据为测试样本。测试结果表明:Elman网络的训练耗时明显最长,计算时间稍长于BP网络和RBF网络;RBF网络具有最好的拟合精度,但泛化能力最差,而Elman网络的泛化能力最好,Elman观测器具有更强的抗干扰性。综合考虑Elman网络更适合于HCCI发动机燃烧状态参数辨识。