基于神經(jīng)網(wǎng)絡的VNT葉片開度MAP值選取的研究

李中豪

（長安大學，陜西 西安 710064）

基于神經(jīng)網(wǎng)絡的VNT葉片開度MAP值選取的研究

李中豪

（長安大學，陜西 西安 710064）

增壓技術可以有效的提高內(nèi)燃機的熱效率，降低排放。文章研究了基于人工神經(jīng)網(wǎng)絡的渦輪增壓器葉片開度控制技術，來實現(xiàn)精確控制VNT開度值，滿足發(fā)動機燃燒過程中對進氣量的精確性和及時性的要求。

增壓技術；可變截面積渦輪增壓；神經(jīng)網(wǎng)絡

CLC NO.:U462.1Document Code:AArticle ID:1671-7988 (2017)06-04-02

引言

近年來，人工神經(jīng)網(wǎng)絡（Artificial Neural Network,ANN）的應用越來越廣泛，內(nèi)燃機領域。但是，ANN在內(nèi)燃機的渦輪增壓系統(tǒng)的改進時，用來確定一些核心參數(shù)的運算中應用不多，這也使得本研究在 VNT渦輪增壓發(fā)動機設計優(yōu)化方面具有很好的研究價值和潛力。

1、VNT控制研究現(xiàn)狀及問題

車用發(fā)動機通常在變工況下工作，對轉矩和噴油量的需求也在不斷地變化，導致需求的進氣量也在發(fā)生變化，需要根據(jù)不同的工況改變 VNT 噴嘴葉片的開度。因此需要設計合理的控制邏輯，可變渦輪增壓器的控制最終體現(xiàn)在對進氣壓力的控制。

目前國內(nèi)研究對控制策略的研究較少。VNT 與 EGR、噴油系統(tǒng)參數(shù)之間的影響又較為復雜，因此本文綜合各種影響因素，如發(fā)動機溫度、環(huán)境因素以及 EGR 率、噴油參數(shù)等，根據(jù)穩(wěn)態(tài)和瞬態(tài)工況的控制要求，基于BP神經(jīng)網(wǎng)絡制定出一個對應的VNT控制策略模型。

2、基于BP神經(jīng)網(wǎng)絡的VNT中葉片開度MAP值選取

2.1 VNT控制理論介紹

VNT控制的根本目的就是在不同工況下提供最佳的進氣量，對于四沖程柴油機進氣量與進氣壓力存在如公式 2.1的對應關系。

其中，m、Pk、Tk分別為氣體的質量流量、氣缸進氣壓力以及進氣溫度。從公式可以看出，通過進氣壓力和進氣溫度來計算某工況下所需的進氣量，因此我們可以采用一定的控制方式來控制進氣壓力，進而精確地調整進入缸內(nèi)的進氣量。

VNT渦輪增壓技術正是要通過控制VNT噴嘴環(huán)葉片的開度來實現(xiàn)對進氣壓力的控制，對葉片開度的精確控制需要依賴于合適的 MAP值。本研究中采用了 BP神經(jīng)網(wǎng)絡技術建立VNT控制模型，構建特征數(shù)據(jù)與目標量之間恰當?shù)暮瘮?shù)關系，使控制模型能夠根據(jù)特征數(shù)據(jù)判斷出目標量最合適的值。

2.2 VVT控制模型的建立及樣本預處理

2.2.1 可變渦輪增壓控制系統(tǒng)模型的建立

建立 VVT渦輪增壓系統(tǒng)的控制模型的關鍵的一個步驟是據(jù)與目標的量之間合適的函數(shù)關系。本文建立的 VVT控制模型選擇 BP 神經(jīng)網(wǎng)絡模型，對 BP 網(wǎng)絡設計包括確定輸入輸出層和各層神經(jīng)元節(jié)點數(shù)。

在渦輪增壓系統(tǒng)的 BP 神經(jīng)網(wǎng)絡VVT控制模型中，輸入及輸出層所需要的節(jié)點數(shù)的個數(shù)的設定是要依據(jù)實際處理的問題來定。點個數(shù)，或經(jīng)特征提取后為訓練的樣本的維數(shù)。在可變渦輪增壓控制系統(tǒng)中，發(fā)動機轉速、進氣溫度、葉片位置、EGR率等八個參數(shù)值的選取對噴嘴環(huán)葉片開度的MAP值的影響最大，所以設置為 8，八個節(jié)點與八種特征參數(shù)值一一對應。輸出層節(jié)點數(shù)設置為 1，對應著噴嘴環(huán)葉片開度的MAP值。

2.2.2 樣本預處理

要使渦輪增壓系統(tǒng)的 BP 神經(jīng)網(wǎng)絡VVT控制模型根據(jù)輸入樣本能夠得到準確的MAP值，就需要對原始樣本的進行預處理。樣本的獲取，一般分為兩個步驟，先提取和處理所需信息，然后整理出樣本數(shù)據(jù)。獲得數(shù)據(jù)樣本后，還需對這部分數(shù)據(jù)進行加工處理，即預處理，指的是把數(shù)據(jù)統(tǒng)一在一個值域里面。本研究中是利用公式2.2，公式2.3使原始樣本的數(shù)據(jù)都統(tǒng)一到了[-1,1]范圍內(nèi)，數(shù)據(jù)的處理結果如表1所示。

表1 樣本數(shù)據(jù)

2.3 算法的優(yōu)化

若要使BP 神經(jīng)網(wǎng)絡VVT控制模型的根據(jù)樣本能夠快速得到MAP值，就要選取恰當?shù)碾[含層節(jié)點數(shù)。本文采用了遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡，能夠優(yōu)化網(wǎng)絡的結構，得到一個較優(yōu)的 BP 神經(jīng)網(wǎng)絡模型。

2.3.1 編碼方法選擇

在本研究中，采用遺傳算法的遞階編碼方法，其中包含了控制基因串以及參數(shù)基因串，考慮到控制下級結構的方便性，控制基因采用2進制編碼，沒有被激活的控制基因表示為“0”，已被激活的則用“1”來表示。參數(shù)基因的編碼采用2進制或者實數(shù)編碼都可以。種群規(guī)模大小的取值要合理，整個遺傳算法的有緊密的關聯(lián)，一般取50-100。

2.3.2 交叉操作

神經(jīng)元以及方式有兩種，一種是，另一種是多點交叉。根據(jù)參數(shù)基因的特點，它采用算術交叉的方式會產(chǎn)生比較好的效果，即通過個體的線性組合這種算術交叉方式來產(chǎn)生兩個新的個體。法用來產(chǎn)生重要方法，其概率則是由叉算法得到。

2.3.3 網(wǎng)絡訓練

訓練前，需要先對發(fā)動機轉速、增壓器轉速、增壓壓力、油門位置、冷卻水溫、進氣溫度、葉片位置、EGR率等八個的特征參數(shù)進行處理后作為樣本的輸入向量，設定遺傳算法的初始種群設定為60，最大迭代次數(shù)設定為 300，算子中的取值數(shù) k1取0.3、k2取 0.6、k3取 0.001、k4取 0.1。HJ 搜索的最初步長為 0.5，在搜索一次成功以后，將原步長乘以2，如果搜索結果為失敗，則將原步長乘以 0.5，允許精度為0.01，搜索迭代次數(shù)為 60。設置BP 望值為 0.05，設置訓目為 300 次。圖1為。

圖1 誤差曲線

3、結束語

VNT渦輪增壓系統(tǒng)對車用發(fā)動機特別是柴油機非常重要，既能增大發(fā)動機的動力，又能改善排放性能以及減少發(fā)動機的耗油量，同時由于VNT可以隨時調節(jié)進氣量，使得發(fā)動機在變工況下也擁有良好的動力性和排放性能。傳統(tǒng)的VNT渦輪增壓系統(tǒng)有其不可逾越的技術瓶，所以需要更智能化和先進化的獲取噴嘴環(huán)葉片開度MAP值的方法，來實現(xiàn)對進氣壓力的更精確的控制。所以，本文采用了 BP 神經(jīng)網(wǎng)絡的VNT控制模型對渦輪增壓系統(tǒng)進行優(yōu)化，對獲取MAP值的方法進行了一個新的思路。

[1] 王旭,王宏,王文輝.人工神經(jīng)元網(wǎng)絡原理與應用[M].沈陽:東北大學出版社 2007:22-23

[2] 胡建軍,秦大同,楊為.神經(jīng)網(wǎng)絡的BP算法在發(fā)動機建模中的應用[J]. 重慶大學學報,2004,27(7):18-20.

[3] 林磊.可變噴嘴渦輪增壓器(VNT)與柴油機的匹配及其控制的研究[D].北京,北京交通大學,2010.

[4] 田旭光,宋彤,劉宇新.結合遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡的結構和參數(shù)[J].計算機應用與軟件,2004.

[5] 周慧娟,基于改進遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的渦輪增壓系統(tǒng)故障診斷研究[D].南昌,江西理工大學,2014.

Study on the Map of VNT turbocharger van based on neural network

Li Zhonghao
（Chang’an University, Shaanxi Xi’an 710064）

Turbocharged technology is an effective way to strengthen the internal combustion engine, and it can improve the economy of the internal combustion engine.This paper studies the technology of the control of the turbocharger van, which is based on artificial neural network technology.

Turbocharged technology; VNT; Neural network

U462.1

A

1671-7988 (2017)06-04-02

李中豪，就讀于長安大學。

10.16638/j.cnki.1671-7988.2017.06.002