一种基于LBMPC学习模型的发动机燃烧预测控制方法

一种基于lbmpc学习模型的发动机燃烧预测控制方法
技术领域
1.本发明涉及发动机控制技术领域，更具体地说，它涉及一种基于lbmpc学习模型的发动机燃烧预测控制方法。


背景技术：

2.发动机燃烧过程中充满着各种复杂的因素，这给发动机工作效率带来了巨大的挑战。部分预混燃烧(ppc)已被证明是未来发动机在效率和排放水平方面有前途的先进燃烧模式。为了实现燃烧效率的提高，应适当地调整燃烧正时。然而，简单的基于常数模型的预测控制器并不足以控制瞬态燃烧。


技术实现要素：

3.本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种基于lbmpc学习模型的发动机燃烧预测控制方法。
4.本发明的技术方案是：一种基于lbmpc学习模型的发动机燃烧预测控制方法，包括以下步骤：
5.步骤s1.在汽车行驶过程中，通过油门踏板控制油门大小；
6.步骤s2.将ecu采集的油门踏板位置信号、喷油时间传递到喷油调节单元；
7.步骤s3.获取发动机的缸内压力pa1、进气歧管的进气压力pa2、排气管的排气压力pa3，并根据排气管大小、形状、长度计算排气量min；
8.步骤s4.将步骤s3中的缸内压力pa1、进气压力pa2、排气压力pa3、排气量min作为一系列输入值代入lbmpc学习模型；并通过lbmpc学习模型的内部运算法则转化成具有发动机状态的输入值y(pa1、pa2、min)；
9.步骤s5.lbmpc模型通过分析缸内压力pa1、进气压力pa2、排气压力pa3，区分发动机大致所在的燃烧时期；根据分析得到的预测时期值wj，分为四个燃烧时期：滞燃期、急燃期、缓燃期、后燃期；根据发动机此刻所处燃烧时期的不同划分不同的阈值
10.步骤s6.将发动机当前状态的喷油量gb和喷油时间tb作为输出值代入lbmpc学习模型，通过lbmpc学习模型的内部运算法则将喷油量gb和喷油时间tb转化为具有发动机状态的输出值x(gb、tb)；
11.步骤s7.将发动机此刻状态的输入值y与输出值x的差值与当前状态下发动机的阈值进行比较；当差值大于阈值时，将返回到步骤s2，并通过喷油调节单元来调节喷油量和喷油时间；当差值小于阈值时，步骤流程结束。
12.作为进一步地改进，通过kistler压力传感器测量得到发动机的缸内压力pa1。
13.进一步地，通过keller paa-23s绝对压力传感器测量得到进气歧管的进气压力pa2。
14.进一步地，通过keller paa-23s绝对压力传感器测量得到排气管的排气压力pa3。
15.有益效果
16.本发明与现有技术相比，具有的优点为：
17.1.本发明通过喷油调节单元能够实时记录喷油量和喷油时间，并同时通过lbmpc学习模型传递来的信息调节喷油量和喷油时间，这大大缩短了喷油调节过程。
18.2.本发明通过lbmpc学习模型能够分析传感器信号并区分燃烧时期，这提高了燃烧变化过程预测的准确率和效率。
19.3.本发明通过lbmpc学习模型能够将传感器信号转化成发动机状态信号，并通过喷油调节单元实时调节喷油量和喷油时间，这能实时捕捉燃烧变化，提高燃烧效率。
附图说明
20.图1为本发明的控制流程图；
21.图2为本发明的四个燃烧时期区分示意图；
22.图3为本发明的四个燃烧时期示意图。
具体实施方式
23.下面结合附图中的具体实施例对本发明做进一步的说明。
24.参阅图1～图3，一种基于lbmpc学习模型的发动机燃烧预测控制方法，包括以下步骤：
25.步骤s1.在汽车行驶过程中，驾驶员通过油门踏板控制油门大小；
26.步骤s2.将ecu采集的油门踏板位置信号、喷油时间传递到喷油调节单元；
27.步骤s3.获取发动机的缸内压力pa1、进气歧管的进气压力pa2、排气管的排气压力pa3，并根据排气管大小、形状、长度计算排气量min；
28.步骤s4.将步骤s3中的缸内压力pa1、进气压力pa2、排气压力pa3、排气量min作为一系列输入值代入lbmpc学习模型；并通过lbmpc学习模型的内部运算法则转化成具有发动机状态的输入值y(pa1、pa2、min)；
29.步骤s5.lbmpc模型通过分析缸内压力pa1、进气压力pa2、排气压力pa3，区分发动机大致所在的燃烧时期；根据分析得到的预测时期值wj，分为四个燃烧时期：滞燃期、急燃期、缓燃期、后燃期；根据发动机此刻所处燃烧时期的不同划分不同的阈值
30.步骤s6.将发动机当前状态的喷油量gb和喷油时间tb作为输出值代入lbmpc学习模型，通过lbmpc学习模型的内部运算法则将喷油量gb和喷油时间tb转化为具有发动机状态的输出值x(gb、tb)；
31.步骤s7.将发动机此刻状态的输入值y与输出值x的差值与当前状态下发动机的阈值进行比较；当差值大于阈值时，将返回到步骤s2，并通过喷油调节单元来调节喷油量和喷油时间；当差值小于阈值时，步骤流程结束。
32.在本实施例中，通过kistler压力传感器测量得到发动机的缸内压力pa1，通过keller paa-23s绝对压力传感器测量得到进气歧管的进气压力pa2，通过keller paa-23s绝对压力传感器测量得到排气管的排气压力pa3。
33.在本实施例中，预测时期值具体指的是发动机气缸内的压强，压强也是判断燃烧时期的一个标准。
34.滞燃期、急燃期、缓燃期、后燃期的介定如图3所示。每一个时期都对应了其中的一
个压强范围。我们根据压强所在的区间、压强是处于持续增加还是持续减小、压强变化的速率来判断发动机燃烧所处的时期。
35.第i阶段-滞燃期，在压缩过程末期，喷油器阀开启向缸内喷入燃料，到压力急剧升高的时间段，此段时间内，燃料经历了一系列物理-化学变化过程，ti＝0.7～3ms，该阶段对整个燃烧过程影响很大。
36.第it阶段-急燃期，压力急剧上升阶段，活塞接近上止点，缸内燃料几乎一起燃烧，压力升高率大，一般压力升高率不要超过0.6mpa/
°
ca。
37.第iii阶段-缓燃期，压力急剧升高终点-压力开始下降点，此时缸内温度较高，燃料混合得不好易形成碳烟，所以加强空气运动具有重要意义，燃气温度可达1700～2000℃。
38.第iv阶段-后燃期，缓燃期终点，燃料基本完全燃烧的阶段，燃料在活塞下行过程燃烧，过多的后燃，使冷却系散热量增大，排气温度增加。
39.以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。


技术特征：
1.一种基于lbmpc学习模型的发动机燃烧预测控制方法，其特征在于，包括以下步骤：步骤s1.在汽车行驶过程中，通过油门踏板控制油门大小；步骤s2.将ecu采集的油门踏板位置信号、喷油时间传递到喷油调节单元；步骤s3.获取发动机的缸内压力pa1、进气歧管的进气压力pa2、排气管的排气压力pa3，并根据排气管大小、形状、长度计算排气量min；步骤s4.将步骤s3中的缸内压力pa1、进气压力pa2、排气压力pa3、排气量min作为一系列输入值代入lbmpc学习模型；并通过lbmpc学习模型的内部运算法则转化成具有发动机状态的输入值y(pa1、pa2、min)；步骤s5.lbmpc模型通过分析缸内压力pa1、进气压力pa2、排气压力pa3，区分发动机大致所在的燃烧时期；根据分析得到的预测时期值wj，分为四个燃烧时期：滞燃期、急燃期、缓燃期、后燃期；根据发动机此刻所处燃烧时期的不同划分不同的阈值步骤s6.将发动机当前状态的喷油量gb和喷油时间tb作为输出值代入lbmpc学习模型，通过lbmpc学习模型的内部运算法则将喷油量gb和喷油时间tb转化为具有发动机状态的输出值x(gb、tb)；步骤s7.将发动机此刻状态的输入值y与输出值x的差值与当前状态下发动机的阈值进行比较；当差值大于阈值时，将返回到步骤s2，并通过喷油调节单元来调节喷油量和喷油时间；当差值小于阈值时，步骤流程结束。2.根据权利要求1所述的一种基于lbmpc学习模型的发动机燃烧预测控制方法，其特征在于，通过kistler压力传感器测量得到发动机的缸内压力pa1。3.根据权利要求1所述的一种基于lbmpc学习模型的发动机燃烧预测控制方法，其特征在于，通过keller paa-23s绝对压力传感器测量得到进气歧管的进气压力pa2。4.根据权利要求1所述的一种基于lbmpc学习模型的发动机燃烧预测控制方法，其特征在于，通过keller paa-23s绝对压力传感器测量得到排气管的排气压力pa3。

技术总结
本发明公开了一种基于LBMPC学习模型的发动机燃烧预测控制方法，属于发动机控制技术领域，解决现有模型不足以控制瞬态燃烧的技术问题，方法包括：步骤S1.通过油门踏板控制油门；步骤S2.将油门踏板信号、喷油时间传到喷油调节单元；步骤S3.获取缸内压力Pa1、进气压力Pa2、排气压力Pa3，并计算排气量Min；步骤S4.将Pa1、Pa2、Pa3、Min代入LBMPC学习模型得到输入值Y(Pa1、Pa2、Min)；步骤S5.区分发动机燃烧时期并划分不同的阈值步骤S6.将喷油量Gb和喷油时间Tb代入LBMPC学习模型得到输出值X(Gb、Tb)；步骤S7.将Y与X的差值与当前状态下进行比较；当差值大于阈值时，将返回到步骤S2，并通过喷油调节单元来调节喷油量和喷油时间；当差值小于阈值时，步骤流程结束。步骤流程结束。步骤流程结束。


技术研发人员：潘明章 梁璐 唐禹 梁科 苏铁城 官维 王宇鹏 付长城
受保护的技术使用者：广西大学
技术研发日：2023.03.30
技术公布日：2023/7/4