Hcci发动机进气门关闭时刻混合气温度的观测方法
【技术领域】
[0001] 本发明涉及汽车电子控制领域，具体是一种均质充气压缩点燃式（Homogeneous ChargeCompressionIgnition,HCCI)发动机进气门关闭时刻混合气温度的观测方法。 该方法是基于扩展卡尔曼滤波（ExtendedKalmanFilter，EKF)学习算法的类龙伯格 (Luenberger)递归高阶神经网络（RecurrentHighOrderNeuralNetwork,RH0NN)观测方 法。
【背景技术】
[0002] 温室气体排放和燃油消耗速度加快是新世纪人类面临的两个主要的环境和能源 挑战。据统计，每年人类活动引起的C02排放占全球C02排放的3-5%。虽然人类活动对C02 的排放贡献较少，但正是由于这部分C02造成了自然界C0 2的失衡，对全球气候产生了恶劣 影响。在人类活动造成的C02排放中，汽车0)2的排放占1/5,而且带来了氮氧化物，一氧化 碳和碳氢化合物以及颗粒物（PM)等空气污染物，造成严重的空气污染，极度影响人们的身 体健康。目前，全球汽车保有量以每年1500-2000万的速度增长，汽车的排放不仅对环境造 成了重要影响，并且加剧了燃油的消耗。近年来，雾霾问题日益进入一个白热化的阶段，这 与汽车排放不无关系。因此，随着汽车保有量的进一步增加以及人类环境意识的不断增强， 人们迫切希望找到一种既能够提高燃油效率，又可以降低排放物的新型方式。
[0003] 均质充气压缩点燃（HCCI)是一种公认的发动机新型燃烧方式，它综合了汽油机 均质点燃和柴油机压缩自燃的特点，具有无焰特质和高稀释能力，通过使用废气再循环 (ExhaustGasRecirculation,EGR)策略，使得燃烧可以在较低的温度下进行，因此可以极 大程度的减少N0X的形成，同时降低PM的排放，进一步提高热效率，并能够有效地解决传统 发动机存在的燃油经济性差和尾气排放高的问题，是一项颇有前景的方法。其中的EGR技 术被公认为有效控制HCCI燃烧的手段之一，它具有两个方面的优点：第一，缸内残余废气 具有较高的温度，能够加热新鲜气体，使其更容易自燃；第二，废气具有较大的比热，并且能 够对新鲜充量进行稀释，可以减少有害气体的排放。EGR策略包括外部废气再循环（eEGR) 和内部废气再循环（iEGR)两种。相比于eEGR策略，iEGR策略具有热量损失更小，更加利 于均质混合气的形成，循环间响应更快等优点。
[0004]HCCI发动机的目标是将燃料燃烧50 %的曲轴相位0 CA5。，控制在上止点前 3° -8°，但是由于缺少直接触发HCCI的燃烧机制，0eA5。的控制成为HCCI最主要的技 术难点。目前，利用可变气门正时（VariableValveTiming,VVT)实现iEGR，被普遍认为 是控制HCCI点火正时最可行的方法。大量文献分析表明，HCCI发动机0 eA5。的控制受到 很多因素的影响，不仅取决于当前循环吸入的新鲜空气的质量和温度，而且取决于上一循 环的燃烧峰值温度、吸入的废气质量和废气温度，综合这些因素发现，进气门关闭时刻的 混合气温度Tlv。对于0eA5。的控制异常重要。混合气温度低，发动机容易失火；混合气温 度高，则着火时刻提前，燃烧持续期缩短，发动机容易产生爆震。但是，在很多文献中，却 忽略了Tiv。的重要性，如文献KhashayarEbrahimi,AlexanderSchramm,CharlesRobert Koch.Feedforward/FeedbackcontrolofHCCIcombustiontiming[C]//Proceedings of2014AmericanControlConference.Portland,Oregon,USA.June4~6,2014:831 ~ 836选择从热力学模型的角度，采用理想气体方程和一些半经验公式直接计算Tlv。，这就 使模型存在一定的不确定性，并且由于热力学方程的复杂性，导致这些模型均忽略了气 体传热的情况，致使得到的Tlv。存在一定的误差，进而影响0eA5。的控制。另外，Tlv。可 以通过安装缸内温度传感器测量得到，目前，国内外已经研制出了多种高精度的温度传 感器，但是由于传感器硬件成本高，耐用性差，以及受到缸内高温和安装空间的限制， 直接将温度传感器安装于车载发动机执行控制或诊断任务，在实际应用上还有很大难 度。 如文南犬SongChen,Fengjunyan.ExtendedKalmanFilterBasedIn-Cylinder TemperatureEstimationforDieselEnginesWithThermocoupleLagCompensation. JournalofDynamicSystems,Measurement,andControl-Transactionsofthe ASME，2014, 136(5) : 051010(1~8)中所说，间接测量方法，即通过设计观测方法，根据易获 取的发动机信息来估计进气门关闭时刻混合气的温度，具有成本低、结构简单等优点，应该 受到广泛的关注。
[0005] 因此，针对HCCI发动机0tt5。控制中仍然存在的关键量T1TO的估计问题，需要采用 一种性能优良的观测方法对其进行观测，以获得更好估计值，使HCCI发动机达到更好的控 制效果。
【发明内容】
[0006] 本发明针对现有技术中存在的上述问题，提出一种基于EKF的HCCI发动机进气门 关闭时刻混合气温度的类Luenberger递归高阶神经网络观测方法。首先，根据发动机热力 学方程，iEGR策略，利用负阀重叠NV0(Negative Valve Overlap)技术（即排气门早关，进 气门晚开），建立发动机循环热力学状态模型，然后，通过模型的状态量来设计观测器的整 体结构，并对其中的权值更新算法进行设计，以实现对Tlv。的精准估计。
[0007] 本发明解决上述技术问题的技术方案是，提出一种HCCI发动机进气门关闭时刻 混合气温度（T1VJ的观测方法，该方法包括如下步骤：
[0008] 以发动机进气门关闭时刻为循环的起始时刻，将该时刻混合气温度Tlv。和排气歧 管温度TMh作为系统的状态量，并以曲轴相位0 1VC]作为系统的输入量，建立非仿射非线性 离散模型，确定Tlv。与I\xh的关系；根据检测的状态量I\xh及其估计值计算龙伯格项，建 立添加龙伯格项的高阶递归神经网络观测方程，对混合气温度Tlv。进行观测，获得混合气温 度的估计值；利用排气歧管温度估计值与实际值的误差对每个循环中高阶递归神经网络观 测方程的权重进行训练，获得最优权重，根据最优权重获得精确的发动机进气门关闭时刻 混合气温度Tiv。。
[0009] 本发明的其中一个实施例具体包括，，所述非仿射非线性离散模型具体为：
[0010]
[0011]y(k) =Texh(k) =C(Texh(k),Tivc(k)) T，其中，:^和f2均为非线性函数，C= (10); 山〇〇、d2(k)分别为系统的外部有界干扰，TMh(k)表示第k次发动机循环时排气歧管的温 度，而TMh(k+l)表示第k+1次发动机循环时排气歧管的温度，T_(k)为第k次发动机循环 时混合气温度，Tlv。(k+1)为第k+1次发动机循环时混合气温度，0lv。(k)为第k次发动机循 环时曲轴角度，T为矩阵转置。
[0012] 本发明的其中一个实施例具体包括，所述建立添加龙伯格项的高阶递归 神经网络观测方程具体为：确定TMh(k)与其估计值的误差由龙伯格 参数Q与误差相，（1〇乘获得龙伯格项Af(k),建立高阶递归神经网络观测方程：
[0013] 对混合气温度 '， Tlv。进行观测，其中，t.七为T_(k)的估计值，&为TMh的估计值，Wl权重系数， 详见公式（16)。
[0014] 本发明的其中一个实施例具体包括，根据公式：
[0015]t权重进行训练获得第k+1次权向量的预 测值作为敢1 兀仪里，符敢1 兀仪里市八观测力桎母个循环都获得精确的Tlvc。其中，Wl(k|k-1) 为通过第k次权向量的预测值，L为可调整卡尔曼增益参数，Gjk)为Kalman增益矩阵。
[0016] (i)建立HCCI发动机热力学模型：
[0017] 根据HCCI发动机热力学温度循环过程，以进气门关闭时刻为循环的起始时刻，将 Tlv。和排气歧管温度I\xh作为系统的状态量，并以0 1VC]作为系统的输入量，建立考虑传热情 况下的HCCI发动机非仿射非线性离散状态二阶热力学状态模型。由于模型中存在一些半 经验公式以及内外干扰，因此，在基础模型上加入了干扰项山、d2。
[0018](ii)RH0NN观测方法：
[0019]目前，关于非线性状态观测方法的研究主要集中于仿射系统，而且大多数都必须 基于完整的状态模型系统。虽然，可以应用Taylor公式将非仿射系统转换为仿射系统，但 是在转化过程中会忽略高阶项，导致系统出现较大的误差，而且，对于HCCI发动机，建立完 整精确的状态模型是难以实现的。由于，发动机工作过程中会出现各种不可预测的情况，并 且各部分的传热量更是不可能准确给出，因此，本设计可以针对未知模型进行观测的自适 应高阶递归神经网络（RH0NN)观测模型，增强观测的抗干扰能力，利用已知的状态TMh(排 气歧管的温度）与其估计值的误差对未知的状态Tlv。进行修正，并增加Luenberger项， 以加快跟踪速度，实现对Tlv。的精确估计。其中，由龙伯格参数L1与f相乘获得龙伯格项 ，RH0NN为单层连接权重结构。
[0020] (iii)采用EKF训练算法
[0021]对于递归神经网络，众所周知的便是反向传播学习算法，但是因为其采用一阶梯 度下降法，致使学习速度较慢。因此，本发明采用EKF的学习算法，对神经网络的权重进行 训练更新，不断修正，提高学习的收敛性。
[0022] 本发明所采用的RH0NN形式的观测方法，可适用于不确定动态系统，能有效地应 对系统运行中出现的各种内外干扰因素，具有较强的抗干扰能力，并且神经元个数少，易于 在实际中实现；在RH0NN的基础上所增加的Luenberger项，可以加快跟踪速度，结构简单， 易于计算。EKF适用于非线性系统，通过选取最