本文關鍵詞：SI發(fā)動機AFR的非線性模型預測控制

  更多相關文章： NARX模型 RBF神經(jīng)網(wǎng)絡 模型辨識 非線性模型預測控制

【摘要】：如今,環(huán)境問題得到人們越來越廣泛地關注,而大氣污染無疑是其中最引人注意的一個難題。在諸多的大氣污染源頭中,汽車尾氣又是其中危害最大的元兇之一。隨著汽車保有量的增長,汽車尾氣的排放量也在逐年大幅度地增加,針對這種現(xiàn)象,各國政府對汽車尾氣排放標準的制定也日趨嚴格。在諸多的汽車發(fā)動機參數(shù)中,空燃比(Air-fuel ratio,AFR)對控制尾氣排放起著至關重要的作用,因此AFR控制得到了國內外學者的廣泛研究。目前的AFR控制主要以MAP圖加PI反饋的方法為主,但這種方法不具備普遍性和靈活性,標定實驗的成本也很高,同時在發(fā)動機的瞬態(tài)工況下也不能保證AFR的控制精度。鑒于此,研究更為先進的AFR控制方法萬眾期待。本文以此為目標,研究結構簡單、控制精度高、自適應能力強的AFR控制方法,以SI(Spark ignition)發(fā)動機AFR系統(tǒng)辨識為基礎,利用非線性模型預測控制(Non-linear model predict control,NMPC)方法對SI發(fā)動機AFR進行控制,本文由此展開了如下研究:1)對傳統(tǒng)非線性有源自回歸(Nonlinear Auto Regressive model with e Xogenous inputs,NARX)模型進行深入的研究和分析,對不同階數(shù)的NARX模型進行建模實驗,選出合適的模型階數(shù)。最終本文選取三階NARX模型對SI發(fā)動機AFR系統(tǒng)進行辨識,大大降低了建模和預測控制的計算量。再利用漸消記憶RLS算法實現(xiàn)NARX模型的參數(shù)在線自適應更新。這樣有效地解決了發(fā)動機老化以及長期工作磨損等原因導致參數(shù)變化的問題,從而使模型具有更高的辨識精度和實際應用價值。同時又利用神經(jīng)網(wǎng)絡建模型精度高的特點,以徑向基函數(shù)(Radial basis function,RBF)神經(jīng)網(wǎng)絡為基礎,對SI發(fā)動機AFR系統(tǒng)進行建模。以漸消記憶遞推最小二乘(Recursive least squares,RLS)算法訓練權向量W,使RBF神經(jīng)網(wǎng)絡模型適應于發(fā)動機AFR動態(tài)特性的變化,從而實現(xiàn)了模型參數(shù)在線自適應更新。這種方法辨識精度更高且計算量小,具有很強的工程實際應用價值。2)提出了基于NARX模型的SI發(fā)動機AFR的NMPC方法。該方法利用辨識完的NARX模型對AFR系統(tǒng)輸出進行預測,然后對NARX模型預測器的結構進行調整,將未來燃油質量流速的線性和非線性部分分開,從而可以直接求取未來燃油質量流速的最小二乘解,有效地降低了迭代尋優(yōu)的計算量。仿真實驗證明了基于NARX模型的NMPC方法比傳統(tǒng)的PID控制器對SI發(fā)動機AFR系統(tǒng)具有更好的控制精度。3)將NARX模型和RBF神經(jīng)網(wǎng)絡模型結合起來,揚長避短,提出一種同時基于NARX模型和RBF神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR聯(lián)合NMPC的方法。該方法將NARX模型和RBF神經(jīng)網(wǎng)絡模型有效地結合在一起,利用RBF神經(jīng)網(wǎng)絡模型預測精度高、計算量小的優(yōu)點對SI發(fā)動機AFR系統(tǒng)進行輸出預測。同時利用NARX模型將非線性動態(tài)系統(tǒng)的線性部分和非線性部分有效地分離,從而可以直接利用最小二乘算法對最優(yōu)控制序列求解。最后與基于單獨NARX模型的SI發(fā)動機AFR的NMPC方法的控制效果進行對比,表明聯(lián)合預測控制算法具有更高的魯棒性和控制精度。仿真實驗的結果也驗證了聯(lián)合預測控制算法對SI發(fā)動機AFR控制的有效性和精確性。
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U464

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李正強;張怡哲;鄧建華;陳琪;;基于模型預測控制的非線性飛行控制系統(tǒng)研究[J];飛行力學;2009年01期

2 馬艷;卜麗;孫長江;;基于模型預測控制的乳化物干燥控制系統(tǒng)[J];制造業(yè)自動化;2011年15期

3 劉向杰;孔小兵;;電力工業(yè)復雜系統(tǒng)模型預測控制——現(xiàn)狀與發(fā)展[J];中國電機工程學報;2013年05期

4 彭勇剛;韋巍;王均;;時滯約束系統(tǒng)的神經(jīng)動態(tài)優(yōu)化模型預測控制[J];儀器儀表學報;2013年05期

5 陳國定;饒寧;;混凝投藥系統(tǒng)的雙層結構模型預測控制策略[J];浙江工業(yè)大學學報;2013年04期

6 湯自安;多模型預測控制方法研究[J];蘭州鐵道學院學報;1999年01期

7 王磊;文成林;;基于協(xié)作的分布式估計算法及在模型預測控制中的應用[J];清華大學學報(自然科學版);2008年S2期

8 陳文博;楊春節(jié);曹柬;何川;;模型預測控制策略的供應鏈庫存與生產優(yōu)化調度方法[J];現(xiàn)代制造工程;2009年05期

9 馮少輝,趙均,錢積新;單值模型預測控制的應用研究[J];機床與液壓;2003年06期

10 袁忠于;周鳳岐;;非整數(shù)控制時域模型預測控制[J];火力與指揮控制;2011年06期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 周帝;趙可君;;模型預測控制中的硬約束松化研究[A];全國冶金自動化信息網(wǎng)2014年會論文集[C];2014年

2 楊馬英;;模型預測控制的性能監(jiān)視與評價——綜述[A];第二十一屆中國控制會議論文集[C];2002年

3 武俊峰;王振英;;基于狀態(tài)觀測器的約束魯棒模型預測控制[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

4 周明;周堅剛;余達太;;鋼鐵企業(yè)模型預測控制技術綜述[A];冶金軋制過程自動化技術交流會論文集[C];2005年

5 張聚;張海華;;時延網(wǎng)絡控制系統(tǒng)的顯式模型預測控制[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

6 付慶華;曹玉強;;基于模型預測控制的快速溫度調節(jié)器[A];1996中國控制與決策學術年會論文集[C];1996年

7 李檸;李少遠;席裕庚;;pH中和過程的多模型預測控制[A];第二十屆中國控制會議論文集（上）[C];2001年

8 周洪亮;劉志遠;;基于模型預測控制的車輛橫擺穩(wěn)定控制器設計[A];第二十七屆中國控制會議論文集[C];2008年

9 羅秋濱;韓志剛;朱宏;;非線性系統(tǒng)的無模型預測控制方法[A];2009中國控制與決策會議論文集（1）[C];2009年

10 袁景淇;任海濤;王明珠;任樂民;;基于模型的重組酵母碳源流加速率控制[A];第二十一屆中國控制會議論文集[C];2002年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 孫長生;國內熱工自動調節(jié)優(yōu)化系統(tǒng)應用的主要廠家評析[N];中國電力報;2012年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 孔小兵;非線性模型預測控制及其在發(fā)電過程控制中的應用[D];華北電力大學;2014年

2 岳俊紅;復雜工業(yè)過程多模型預測控制策略及其應用研究[D];華北電力大學（北京）;2008年

3 馮少輝;模型預測控制工程軟件關鍵技術及應用研究[D];浙江大學;2003年

4 蘇成利;非線性模型預測控制的若干問題研究[D];浙江大學;2006年

5 孫峻;非線性模型預測控制理論及應用研究[D];西北工業(yè)大學;2002年

6 李志軍;約束模型預測控制的穩(wěn)定性與魯棒性研究[D];華北電力大學（北京）;2005年

7 田翔;模型預測控制并行計算系統(tǒng)研究[D];浙江大學;2007年

8 王浩坤;無偏模型預測控制的若干理論和方法研究[D];浙江大學;2015年

9 包哲靜;支持向量機在智能建模和模型預測控制中的應用[D];浙江大學;2007年

10 黃驊;非線性模型預測控制的魯棒穩(wěn)定性與在線優(yōu)化算法研究[D];浙江工業(yè)大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李德q，

本文編號：1140110