發(fā)布時間：2017-05-30 22:08

  本文關鍵詞：基于神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著全球汽車保有量的迅速增長,汽車尾氣污染問題也隨之日益加劇,各國相繼制定了嚴格的尾氣排放標準。研究表明,尾氣排放與發(fā)動機空燃比(Air-fuel ratio,AFR)密切相關。對此研究精確有效的發(fā)動機AFR控制方法已經(jīng)成為各國學者研究的焦點。目前針對發(fā)動機AFR控制,廣泛采用的方法是MAP圖加PI反饋的控制方法。該方法的實現(xiàn)需要進行大量的標定實驗。同時在發(fā)動機瞬態(tài)工況下,無法達到精準控制AFR的目的。本文以神經(jīng)網(wǎng)絡模型辨識火花點火(Spark ignition,SI)發(fā)動機模型為基礎,提出了一種基于神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制方法。主要研究內(nèi)容如下:本文工作重點是針對SI發(fā)動機AFR非線性模型預測控制中的尋優(yōu)問題,提出了一種既約(Reduced)Hessian可行線搜索序列二次規(guī)劃(Sequential quadratic programming,SQP)優(yōu)化算法,有效克服了神經(jīng)網(wǎng)絡模型內(nèi)部參數(shù)無法利用的問題。該方法基于線搜索SQP優(yōu)化算法,引入了既約Hessian思想和改進可行性下降方向的技術,將求解子問題轉化成求解一系列線性方程問題,大大降低了算法的計算量,同時也保證了算法的充分下降;為了有效地避免算法陷入Marotos效應,算法對搜索方向進行了高階校正。本文對該算法的全局收斂性及收斂速度進行了嚴格的理論證明。以本文所提出的既約Hessian可行線搜索SQP優(yōu)化算法為基礎,提出了一種基于神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制方法。利用徑向基(Radial basis function,RBF)神經(jīng)網(wǎng)絡模型和多層感知(Multi-layer perceptron,MLP)神經(jīng)網(wǎng)絡模型對SI發(fā)動機AFR系統(tǒng)建模。為了得到AFR系統(tǒng)的全部動態(tài)特性,SI發(fā)動機AFR系統(tǒng)的激勵信號選擇隨機幅值序列(Random amplitude sequence,RAS)信號。采用漸消記憶遞推最小二乘(Recursive least squares,RLS)算法對神經(jīng)網(wǎng)絡模型權向量進行訓練。同時保證發(fā)動機參數(shù)變化的在線自適應更新。利用本文所提算法進行仿真實驗,仿真實驗充分說明了所提算法的有效性。
【關鍵詞】：空燃比 非線性模型預測控制 神經(jīng)網(wǎng)絡模型 序列二次規(guī)劃
【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;TP183
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-21
• 1.1 研究背景及意義11-13
• 1.2 汽車發(fā)動機建模方法研究現(xiàn)狀13-15
• 1.3 發(fā)動機空燃比控制研究現(xiàn)狀15-18
• 1.4 論文主要研究內(nèi)容及章節(jié)安排18-21
• 第2章 SI發(fā)動機AFR建�；A21-33
• 2.1 引言21
• 2.2 發(fā)動機工作原理21-23
• 2.3 SI發(fā)動機AFR均值模型23-29
• 2.3.1 SI發(fā)動機進氣歧管子模型24-27
• 2.3.2 SI發(fā)動機燃油噴射子模型27-28
• 2.3.3 SI發(fā)動機轉速子模型28
• 2.3.4 SI發(fā)動機AFR子模型28-29
• 2.4 RBF神經(jīng)網(wǎng)絡模型29-31
• 2.5 MLP神經(jīng)網(wǎng)絡模型31-32
• 2.6 本章小結32-33
• 第3章 既約Hessian可行線搜索SQP優(yōu)化算法33-47
• 3.1 引言33
• 3.2 既約Hessian可行線搜索SQP優(yōu)化算法33-45
• 3.2.1 優(yōu)化問題的描述33-34
• 3.2.2 既約Hessian方法34-37
• 3.2.3 可行線搜索37-40
• 3.2.4 算法收斂性及收斂速度40-45
• 3.3 本章小結45-47
• 第4章 基于神經(jīng)網(wǎng)絡模型的SI發(fā)AFR非線性模型預測控制47-71
• 4.1 引言47
• 4.2 基于MLP神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制47-61
• 4.2.1 基于MLP神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR系統(tǒng)建模47-51
• 4.2.2 基于MLP神經(jīng)網(wǎng)絡模型的非線性模型預測控制系統(tǒng)結構51
• 4.2.3 非線性模型預測控制的既約Hessian可行線搜索SQP算法51-53
• 4.2.4 仿真實驗53-61
• 實驗 153-55
• 實驗 255-57
• 實驗 357-59
• 實驗 459-61
• 4.3 基于RBF神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制61-69
• 4.3.1 基于RBF神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR系統(tǒng)建模61-63
• 4.3.2 基于RBF神經(jīng)網(wǎng)絡模型的非線性模型預測控制系統(tǒng)結構63-64
• 4.3.3 仿真實驗64-69
• 實驗 164-65
• 實驗 265-66
• 實驗 366-67
• 實驗 467-69
• 4.4 本章小結69-71
• 第5章 總結與展望71-73
• 5.1 全文總結71
• 5.2 研究展望71-73
• 參考文獻73-79
• 作者簡介及科研成果79-81
• 致謝81

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 石屹然;田彥濤;史紅偉;張立;;基于Modified Volterra模型的SI發(fā)動機空燃比非線性模型預測控制[J];吉林大學學報(工學版);2014年02期

2 宋芳雪;;國內(nèi)外汽車排放法規(guī)對比[J];汽車與安全;2014年03期

3 李曉淵;高遠;陳文鳳;;中國輕型汽車排放標準發(fā)展及排放試驗控制技術[J];科技與企業(yè);2013年11期

4 何德峰;丁寶蒼;于樹友;;非線性系統(tǒng)模型預測控制若干基本特點與主題回顧[J];控制理論與應用;2013年03期

5 李嘉;王立敏;;開放的競爭市場維系能源供需均衡——《BP世界能源統(tǒng)計2012》解析[J];國際石油經(jīng)濟;2012年07期

6 趙林輝;劉志遠;陳虹;;一種車輛狀態(tài)滑模觀測器的設計方法[J];電機與控制學報;2009年04期

7 ;Adaptive Air-Fuel Ratio Control with MLP Network[J];International Journal of Automation and Computing;2005年02期

8 尚宇輝,唐厚君,楊銀昌,韓正之,陳峰,徐維新,何方正,劉熾棠;內(nèi)燃機電噴系統(tǒng)空燃比控制中控制算法的研究[J];車用發(fā)動機;1999年02期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 鐘祥麟;基于油膜模型的多點噴射汽油機瞬態(tài)工況控制研究[D];吉林大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 鄭明文;徑向基神經(jīng)網(wǎng)絡訓練算法及其性能研究[D];中國石油大學;2009年

2 裴杰;求解等式約束優(yōu)化問題的基于擬牛頓校正的既約Hessian SQP方法[D];湖南大學;2008年

  本文關鍵詞：基于神經(jīng)網(wǎng)絡模型的SI發(fā)動機AFR非線性模型預測控制，，由筆耕文化傳播整理發(fā)布。

本文編號：408036