基于BP神经网络的发动机最佳点火提前角MAP优化分析

点火提前角是发动机工作的主要参数,最佳点火提前角MAP是ECU的电控基础,其平滑度和精度对发动机性能具有重要的影响.提出一种能够辅助发动机标定试验,获得较准确的最佳点火提前角电控参数的方法,即基于BP神经网络,对发动机仿真得到的最佳点火提前角MAP进行优化分析,并将其与发动机标定试验结果进行比较.结果表明,BP神经网络可以用于对发动机最佳点火提前角的预测,优化后MAP更加平滑,最佳点火提前角数据更准确.与实验数据比较,最大误差仅为6.7%,证明该基于计算机仿真和BP神经网络优化的方法对传统的标定实验有较好的辅助作用,可以节约发动机标定的时间和成本.

基本点火提前角的BP神经网络生成方法仿真和评价

对应用BP神经网络求取汽车ESA基本点火提前角的方法进行了仿真和评价。在分析考虑基本点火提前角影响因素的基础上,建立起基本点火提前角的BP神经网络模型,并将仿真得到的结果与插值法进行比较。从比较的结果可知,BP神经网络的控制效果要优于传统的线性插值法。

基于BP神经网络控制天然气发动机点火提前角

点火提前角控制是天然气发动机控制的最重要内容之一,精确控制点火提前角涉及到发动机运行的动力性和经济性。对此,开发采用BP神经网络控制的方法来实现天然气发动机的点火提前角控制问题,并基于发动机平均值模型进行了神经网络的MATLAB在线仿真。结果表明:点火提前角最大绝对误差0.4°CA,最大相对误差1.5%,该优化控制模型能准确地获取天然气发动机最佳点火提前角。

基于模糊神经网络的点火提前角时间差软测量模型

基于模糊神经网络的理论方法,以点火提前角、发动机的功率和转速等特征参数作为二次变量,提出了点火提前角时间差软测量模型。仿真结果表明,软测量模型具有非常好的映射性能。试验结果表明,利用软测量模型对点火提前角进行控制时,该模型能在连续工作120 h内很好地实现成功点火,以及在冷起动条件下保证一次性点火成功,并且能满足排放性能要求。

基于RBF神经网络的汽油机电控参数的标定及优化

为了寻求电控单元与发动机的最佳匹配,通过分析汽油机电控系统控制参数,建立了汽油机稳态性能预测的径向基函数(RBF)人工神经网络模型。通过LJ276M汽油机台架标定试验获取样本数据,利用训练过的RBF神经网络预测汽油机在其他稳态工况点的电控参数并检验所建立神经网络模型的性能。喷油脉宽和点火提前角的网络输出最大误差小于1%,平均误差小于0.6%。研究结果表明,该预测模型具有较强的泛化能力,能够准确地预测发动机电控参数。

基于发动机模型的神经网络点火控制器

针对YN30QNE发动机,根据发动机平均值原理,建立了发动机平均值模型。在均值模型的基础上,建立了外负荷控制器模型,根据发动机的准维燃烧模型建立了发动机的点火提前角控制模型,并制取了点火提前角的初始MAP图。根据模型测得的试验数据利用神经网络自学习的能力,采用BP神经网络的改进LM优化控制方法,对点火提前角进行训练,神经网络根据训练过后得到的权值和阀值,达到发动机点火控制的目的。最后,搭建神经网络点火系统的Simulink对其进行仿真验证。

基于混沌RBF神经网络的汽油机点火提前角预测

针对传统插值法确定汽油机点火提前角精度较低的问题,提出了基于混沌RBF神经网络的汽油机点火提前角预测模型。通过EA113发动机台架标定试验获取样本数据,利用所得样本对模型进行训练和测试,对混沌RBF神经网络模型与BP神经网络模型仿真和传统插值法所得的点火提前角进行对比和分析。结果表明,混沌RBF神经网络模型相较于BP神经网络模型和传统插值法精度更高,对于预测汽油机点火提前角具有一定的实用性和可靠性。

基于神经网络和LSSVM的点火提前角组合预测研究

针对传统插值法确定汽油机点火提前角精度较低的问题,提出了根据发动机负荷变化的可变最优加权方法,并建立了基于BP-LSSVM的汽油机可变最优加权点火提前角组合预测模型,通过点火提前角预测结果的对比与分析,验证了提出的基于神经网络和LSSVM的汽油机点火提前角组合预测模型的准确性和有效性。