孫宏杰，彭溢文，荊家樂，黃棟杰

（1.長安大學(xué)汽車學(xué)院，陜西 西安 710064；2.中國鐵路廣州局集團(tuán)有限公司廣州職工培訓(xùn)基地培訓(xùn)科，廣東 廣州 510800）

引言

隨著日益嚴(yán)苛的排放法規(guī)和傳統(tǒng)化石燃料的短缺，均質(zhì)壓燃（HCCI）這種高效清潔的內(nèi)燃機(jī)燃燒方式開始受到研究人員的重視。HCCI發(fā)動機(jī)的燃燒過程屬于低溫均質(zhì)燃燒，因此能夠同時降低PM和NOx的排放，并且實現(xiàn)較高的熱效率，但隨之也帶來了燃燒相位控制困難和負(fù)荷范圍窄的問題。人工神經(jīng)網(wǎng)絡(luò)就提供了一種精確預(yù)測HCCI發(fā)動機(jī)各項參數(shù)的方法，該模型是基于實驗的預(yù)測模型不需要考慮復(fù)雜的缸內(nèi)燃燒過程，這為HCCI發(fā)動機(jī)實時在線控制提供了潛在的解決方案。本文主要介紹人工神經(jīng)網(wǎng)絡(luò)在HCCI發(fā)動機(jī)上的應(yīng)用研究。

1 人工神經(jīng)網(wǎng)絡(luò)在HCCI發(fā)動機(jī)上的應(yīng)用

1.1 HCCI發(fā)動機(jī)運轉(zhuǎn)特性和排放特性預(yù)測

HCCI發(fā)動機(jī)的運轉(zhuǎn)特性和排放特性受進(jìn)氣溫度、進(jìn)氣壓力、燃料類型、EGR率、負(fù)荷、轉(zhuǎn)速等的多重影響，這些影響因素與發(fā)動機(jī)輸出參數(shù)大多都存在著很強(qiáng)的非線性關(guān)系。由于人工神經(jīng)網(wǎng)絡(luò)具有高度的非線性，因此能夠精確地模擬發(fā)動機(jī)輸入和輸出之間的關(guān)系，近些年有大量研究人員在這方面作出了努力。Javad R[1]等人將燃料的混合比例和過量空氣系數(shù)作為輸入?yún)?shù)，分別構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)來預(yù)測HCCI發(fā)動機(jī)的輸出參數(shù)，通過實驗數(shù)據(jù)驗證發(fā)現(xiàn)兩種模型對參數(shù)預(yù)測的平均誤差都低于 4%。Harisan-kar B[2]等人則將進(jìn)氣溫度和負(fù)荷作為輸入構(gòu)建了一個廣義回歸神經(jīng)網(wǎng)絡(luò)來預(yù)測HCCI發(fā)動機(jī)的輸出參數(shù)，并利用網(wǎng)格搜索法優(yōu)化模型參數(shù)。隨后Harisankar B[3]還設(shè)計了一個廣義回歸神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化的混合模型，利用粒子群優(yōu)化算法來優(yōu)化HCCI發(fā)動機(jī)的進(jìn)氣溫度、負(fù)荷和EGR率。

1.2 HCCI發(fā)動機(jī)失火檢測

失火是制約HCCI發(fā)動機(jī)向低負(fù)荷拓展的重要因素，對于SI/HCCI復(fù)合發(fā)動機(jī)而言失火檢測的精確度會直接影響到燃燒模式切換的質(zhì)量。HCCI發(fā)動機(jī)的失火主要是由不穩(wěn)定燃燒造成的，一旦發(fā)動機(jī)失火就會造成未燃燒的燃料進(jìn)入尾氣后處理系統(tǒng)中對催化劑進(jìn)行冷卻，當(dāng)催化劑的活性降低后會顯著增加HC和CO的排放量，因此HCCI發(fā)動機(jī)的失火檢測至關(guān)重要。Bahram B[4]等人通過大量實驗驗證發(fā)現(xiàn)上止點前5、10、15和20°CA處的缸內(nèi)壓力是決定發(fā)動機(jī)失火的關(guān)鍵因素，經(jīng)驗證發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)將這些壓力作為輸入來預(yù)測發(fā)動機(jī)失火的精確度可以達(dá)到100%。

1.3 HCCI發(fā)動機(jī)燃燒初始時刻預(yù)測

燃燒初始時刻對內(nèi)燃機(jī)燃燒過程起著主導(dǎo)作用，點燃式內(nèi)燃機(jī)由火花塞點火來控制燃燒初始時刻，壓燃式內(nèi)燃機(jī)則由噴油時刻來間接控制燃燒初始時刻，而HCCI發(fā)動機(jī)屬于均質(zhì)壓燃，燃燒初始時刻由化學(xué)反應(yīng)動力學(xué)控制，進(jìn)氣溫度、壓力以及燃料特性都會影響到燃燒初始時刻。M.Taghavi[5]等人將發(fā)動機(jī)轉(zhuǎn)速、進(jìn)氣溫度、壓力、當(dāng)量比、辛烷值和EGR率作為輸入，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)來預(yù)測燃燒初始時刻，并利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，不僅提高了預(yù)測精度還降低了計算成本。而Y. Choi[6]等人則通過燃燒初始時刻的半經(jīng)驗?zāi)Ｐ秃腿斯ど窠?jīng)網(wǎng)絡(luò)進(jìn)行耦合建立了一個全新的燃燒初始時刻預(yù)測模型，該預(yù)測模型的平均CPU計算時間在20 - 30毫秒，具有應(yīng)用于HCCI發(fā)動機(jī)燃燒實時動態(tài)控制的潛力。

1.4 HCCI發(fā)動機(jī)實時控制

在HCCI發(fā)動機(jī)的實際應(yīng)用中，為了確保HCCI發(fā)動機(jī)的穩(wěn)定運轉(zhuǎn)，往往需要增加一些發(fā)動機(jī)輔助控制設(shè)計，即廢氣再循環(huán)、可變氣門正時、進(jìn)氣加熱以及可控供油系統(tǒng)等。這些復(fù)雜的發(fā)動機(jī)設(shè)計會增加HCCI發(fā)動機(jī)的復(fù)雜性，使得HCCI發(fā)動機(jī)的控制成本上升。先前的研究主要關(guān)注于在離線狀態(tài)下利用實驗數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)對HCCI發(fā)動機(jī)的運轉(zhuǎn)參數(shù)進(jìn)行預(yù)測，然而這需要大量的實驗數(shù)據(jù)，對計算機(jī)的處理能力要求高，計算成本大；另一方面不同發(fā)動機(jī)最佳運轉(zhuǎn)工況點都不同，這就會造成一些訓(xùn)練效果很好的神經(jīng)網(wǎng)絡(luò)很難應(yīng)用到其他的發(fā)動機(jī)上去。此外，實現(xiàn)發(fā)動機(jī)工作過程中參數(shù)的實時預(yù)測對模型的計算速度和數(shù)據(jù)的更新迭代能力也有苛刻的要求。Vijay M J[7]等人結(jié)合HCCI發(fā)動機(jī)線上實時控制的特點開發(fā)了一個基于隨機(jī)梯度的極限學(xué)習(xí)機(jī)的穩(wěn)定在線學(xué)習(xí)算法（SG-ELM），通過該算法能夠?qū)σ慌_HCCI發(fā)動機(jī)進(jìn)行在線的回歸學(xué)習(xí)同時檢測該發(fā)動機(jī)的動態(tài)運轉(zhuǎn)邊界。SG-ELM算法不僅保證了學(xué)習(xí)的穩(wěn)定性，而且降低了計算量，有望未來應(yīng)用到發(fā)動機(jī)的實時在線控制中。

2 結(jié)論

HCCI發(fā)動機(jī)的穩(wěn)定運轉(zhuǎn)受到多種因素的干擾，因此對HCCI發(fā)動機(jī)輸出參數(shù)的預(yù)測相對更難，與其他預(yù)測模型相比，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)對HCCI發(fā)動機(jī)輸出參數(shù)的預(yù)測能夠達(dá)到很高的預(yù)測精度，可以作為發(fā)動機(jī)仿真試驗平臺；另一方面，由于人工神經(jīng)網(wǎng)絡(luò)是基于實驗的一種預(yù)測模型，不需要考慮缸內(nèi)燃燒過程，往往具有很高的預(yù)測速度，這有利于HCCI發(fā)動機(jī)的實時在線控制調(diào)整。

綜上所述，隨著人工智能算法地進(jìn)一步發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在 HCCI發(fā)動機(jī)上的應(yīng)用會越來越受到科研人員的重視，這也為HCCI發(fā)動機(jī)實現(xiàn)實時精確控制提供了可供參考的方向，相信在眾多研究工作者的努力下，HCCI發(fā)動機(jī)的商用化指日可待。