汽油机瞬态工况油膜参数的辨识研究

思想

PSO算法概念简单，寻优效率高，但在运行过程中容易陷入局部最优点。本文将混沌算法引入PSO算法中，使粒子在寻优过程中能及时跳出局部最优状态。

2.2混沌粒子群算法

将混沌算法引入PSO算法中，能实现对粒子混沌状态与稳定状态之间交替运动过程的模拟，将混沌与粒子群运动结合。通过引入混沌变量C_id（t）来控制混沌程度，C_id（t）→1时，主要是粒子个体的混沌在发挥作用，C_id（t）→0时，主要是PSO算法起作用。

式（3）中，r_id表示混沌因子，是小于1的正常数。

在引入混沌后，粒子速度按式（1）进行迭代，位置更新如式（4）所示。

为了判断粒子是否处于稳定状态，定义2个变量，如式（7）所示：

式（7）中，L₁表示粒子当前的移动距离，L₂表示粒子当前位置与粒子历史最优值之间的距离。稳定状态条件如式（8）所示：

3基于CPSO-RBF神经网络的油膜参数辨识模型

3.1RBF神经网络

RBF神经网络是一种三层的前向神经网络，包含输入层、隐含层及输出层，其具有学习速度快、非线性逼近能力强等优点，在汽油机瞬态工况油膜参数辨识的问题上，有很大的优势。其表达式如式（10）所示：

3.2CPSO-RBF神经网络辨识模型

3.3CPSO-RBF辨识的油膜模型

由于Elbert Hendrieks模型不仅加入了油膜蒸发时间的影响，还将油膜蒸发的过程表达为动态过程，具有更高的精度。因此，本文采用Elbert Hendrieks油膜模型，其计算方程为：

x和τ是燃油动态特性的2个关键参数，只有精确获取x和τ的值，才能对瞬态工况下的燃油量进行有效补偿，而准确补偿由油膜动态效应导致的燃油偏差和滞后又是瞬态空燃比精确控制的关键。x和τ主要的影响因素有：节气门开度α、进气道壁温T及发动机转速n等。因此，将α、T和n作为神经网络的输入，油膜动态参数x和τ作为输出。模型的原理图如图1所示。

4油膜参数辨识仿真及分析

按照上述建立的油膜参数辨识模型，在Simulink中进行仿真。设置RBF神经网络的层数为3，输入层输入的个数为8，隐含层节点数为8，输出层为1。网络训练允许的误差为0.01。通过发动机油膜参数的标定实验，设置T为（50+1）℃，改变α，分别获取n为1500、2000、2500、3500r/min下的油膜动态参数（x-τ）。然后将1500、2000、2500r/min下的标定数据作为训练样本，用3500r/min下的标定数据作为检测样本。同时，用BP神经网络及最小二乘法进行油膜参数的辨识，将1500、2000、2500r/min下的标定数据作为训练样本，把3500r/min下的标定数据作为检测样本。将这几种方法的辨识结果与实验标定的结果进行对比，以验证CP-SO-RBF神经网络具有更加精确的辨识效果。

图2、3分别为发动机在3500r/min、T为50%时的油膜参数x、τ随α变化的对比曲线，误差如表1所示。

由图2、3及表1可以看出，CPSO-RBF神经网络油膜参数辨识值与实验标定的值最为接近，特别是在α为30%-70%时，油膜参数辨识值更贴近真实值。相比于CPSO-RBF神经网络油膜参数辨识方法，BP神经网络、最小二乘法辨识方法对油膜参数的辨识效果稍微欠佳。这说明经过CPSO算法训练过的RBF神经网络能更准确地逼近实验标定所得数据，能更加精确地对瞬态油膜参数进行辨识。

通过发动机油膜参数的标定实验，固定α为10%，改变T，分别获取n为1500、2000、2500、3500r/min下x、τ的数据。然后将1500、2000、2500r/min下的标定数据作为训练样本，把3500r/min的标定数据作为检测样本。油膜参数X、τ在转速为3500r/min时随T变化的对比曲线分别如图4、5所示，误差如表2所示。

由图4、5及表2可知，在保持α、τ改变的条件下，经cPsO算法训练过的RBF神经网络辨识方法相对于BP神经网络、最小二乘法更加接近实验标定的数据，因此具有更准确的辨识效果。

5结论

将混沌算法与PSO组合形成CPSO算法，避免了PSO算法在求解时陷入局部最优点的缺陷。结果表明，CPSO算法能有效优化RBF神经网络的结构和参数，模型仿真的结果说明本文建立的油膜参数辨识模型辨识精度更高、响应速度更快，明显优于BP神经网络辨识法和最小二乘辨识法，能有效减少模型的学习时间并降低费用成本，具有较好的应用价值。

推荐访问:油膜 汽油机 工况 辨识 参数