基于參數(shù)自學(xué)習(xí)的柴油機(jī)轉(zhuǎn)速主動(dòng)抗擾控制

邵 燦，宋 康，陳 韜，謝 輝

(天津大學(xué) 內(nèi)燃機(jī)燃燒學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300350)

柴油機(jī)具有靈活性高、使用方便快捷等優(yōu)點(diǎn)，廣泛應(yīng)用于生產(chǎn)和生活中．其中，轉(zhuǎn)速控制的平穩(wěn)性是影響柴油機(jī)運(yùn)行平順性的關(guān)鍵，但在實(shí)際應(yīng)用中面臨諸多控制難題，制約了轉(zhuǎn)速的控制品質(zhì)，如外部突變負(fù)荷和隨機(jī)負(fù)荷難以直接測(cè)量，使得傳統(tǒng)控制算法只能根據(jù)轉(zhuǎn)速控制誤差被動(dòng)調(diào)節(jié)，轉(zhuǎn)速響應(yīng)慢；從噴油量到燃燒做功，再到驅(qū)動(dòng)轉(zhuǎn)矩輸出，這個(gè)過(guò)程復(fù)雜、非線性，導(dǎo)致傳統(tǒng)控制策略需要標(biāo)定大量Map[1]，工作量大；發(fā)動(dòng)機(jī)存在老化變異現(xiàn)象，使得控制參數(shù)不再適應(yīng)實(shí)際柴油機(jī)，影響了轉(zhuǎn)速控制效果．

比例-積分-微分(PID)控制是產(chǎn)品柴油發(fā)動(dòng)機(jī)中常用的控制方法，但PID控制器的工況適應(yīng)范圍有限，超出設(shè)計(jì)工況后控制效果變差[2]．因而在實(shí)際應(yīng)用中通常需要PID控制器根據(jù)工況的變化進(jìn)行參數(shù)優(yōu)化，如PID參數(shù)自整定[3]．文獻(xiàn)[4]最早將模糊控制應(yīng)用于柴油機(jī)的轉(zhuǎn)速控制中，獲得了比傳統(tǒng)PID更好的工況適應(yīng)能力．Di等[5]將模糊控制理論應(yīng)用于轉(zhuǎn)速的PID控制，降低了轉(zhuǎn)速控制中的超調(diào)量和調(diào)節(jié)時(shí)間，但模糊規(guī)則的設(shè)計(jì)比較復(fù)雜耗時(shí)．

除傳統(tǒng)PID控制以外，學(xué)者們對(duì)自適應(yīng)控制和基于模型的控制方法也進(jìn)行了研究．Yildiz等[6]和Yin等[7]較早將自適應(yīng)控制應(yīng)用于轉(zhuǎn)速控制中，改善了怠速工況的轉(zhuǎn)速控制品質(zhì)．Pavkovi?等[8]提出一種基于自適應(yīng)卡爾曼濾波的轉(zhuǎn)速控制方法，降低了對(duì)噪聲的敏感性，但在負(fù)荷突變過(guò)程的轉(zhuǎn)速波動(dòng)幅度仍然較大．Li等[9]設(shè)計(jì)了基于線性規(guī)劃的模型預(yù)測(cè)轉(zhuǎn)速控制器，Xu等[10]設(shè)計(jì)了一種非線性的模型預(yù)測(cè)控制器，結(jié)果表明：控制器在負(fù)荷轉(zhuǎn)矩?cái)_動(dòng)和參數(shù)不確定的情況下，實(shí)現(xiàn)了良好的控制品質(zhì)；同時(shí)，模型預(yù)測(cè)控制所需的計(jì)算量較大，在實(shí)時(shí)性要求較高的嵌入式環(huán)境下，毫秒級(jí)的控制過(guò)程實(shí)現(xiàn)困難．

基于此，筆者以目標(biāo)運(yùn)行轉(zhuǎn)速為1500r/min的發(fā)電用柴油機(jī)為研究對(duì)象，并在滿足轉(zhuǎn)速控制偏差(7%)的行業(yè)標(biāo)準(zhǔn)基礎(chǔ)上進(jìn)一步優(yōu)化控制效果，提出一種參數(shù)自學(xué)習(xí)主動(dòng)抗擾控制算法．在傳統(tǒng)轉(zhuǎn)速控制模型中引入等變化率負(fù)荷轉(zhuǎn)矩模型，采用擴(kuò)張狀態(tài)觀測(cè)器[11](ESO)對(duì)其進(jìn)行在線主動(dòng)觀測(cè)，并用于實(shí)時(shí)抑制轉(zhuǎn)速波動(dòng)；為不斷改善控制品質(zhì)、適應(yīng)發(fā)動(dòng)機(jī)特性變化，提出了模型參數(shù)的自學(xué)習(xí)算法；通過(guò)硬件在環(huán)(HIL)仿真平臺(tái)和發(fā)動(dòng)機(jī)臺(tái)架試驗(yàn)平臺(tái)對(duì)算法的抗干擾能力和自學(xué)習(xí)能力進(jìn)行了測(cè)試和驗(yàn)證．

1 研究平臺(tái)及面向控制的模型

1.1 臺(tái)架試驗(yàn)平臺(tái)

通過(guò)一臺(tái)配備高壓共軌燃油噴射系統(tǒng)的直列6缸、渦輪增壓柴油機(jī)試驗(yàn)臺(tái)架開(kāi)展研究．圖1為試驗(yàn)臺(tái)架及數(shù)據(jù)采集方式示意．后處理包括柴油氧化催化器(DOC)、柴油顆粒捕集器(DPF)和選擇性催化還原(SCR)3部分．表1為發(fā)動(dòng)機(jī)主要技術(shù)參數(shù)．

圖1 試驗(yàn)臺(tái)架及數(shù)據(jù)采集方式示意 Fig.1 Schematic of test platform and data collection method

表1 發(fā)動(dòng)機(jī)主要技術(shù)參數(shù) Tab.1 Engine specifications

1.2 面向控制的模型

針對(duì)標(biāo)定和負(fù)荷估計(jì)難的問(wèn)題，開(kāi)發(fā)了基于牛頓第二定律的曲軸轉(zhuǎn)速動(dòng)態(tài)模型[12]．主要包括指示熱效率子模型、摩擦轉(zhuǎn)矩子模型和負(fù)荷轉(zhuǎn)矩，其中負(fù)荷轉(zhuǎn)矩由擴(kuò)張狀態(tài)觀測(cè)器觀測(cè)得到，動(dòng)態(tài)模型可表示為

式中：J為曲軸及剛性連接軸系的轉(zhuǎn)動(dòng)慣量；n為轉(zhuǎn)速；Min、Mfric和Mload分別為平均指示轉(zhuǎn)矩、摩擦轉(zhuǎn)矩和負(fù)荷轉(zhuǎn)矩．

1.2.1 指示熱效率模型

平均指示轉(zhuǎn)矩[13]可表示為

式中：ncyl為沖程系數(shù)；HLHV為柴油燃料低熱值，取值為4.325×107J/kg；ηin為指示熱效率；mf為單缸的循環(huán)供油量．

ηin隨負(fù)荷和轉(zhuǎn)速的改變而變化，經(jīng)驗(yàn)?zāi)Ｐ蜑?/p>

式中：h1、h2和h3為轉(zhuǎn)速項(xiàng)待標(biāo)定參數(shù)；d1、d2和d3為循環(huán)供油量項(xiàng)待標(biāo)定參數(shù)．

為得到指示熱效率模型待標(biāo)定參數(shù)，需利用試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行標(biāo)定．以發(fā)動(dòng)機(jī)臺(tái)架試驗(yàn)熱效率實(shí)測(cè)值為基準(zhǔn)，使用全工況的數(shù)據(jù)對(duì)模型進(jìn)行標(biāo)定．采集不同轉(zhuǎn)速、負(fù)荷下穩(wěn)態(tài)工況時(shí)的指示熱效率數(shù)據(jù)，同步采集轉(zhuǎn)速和循環(huán)供油量穩(wěn)態(tài)數(shù)據(jù)，得到119個(gè)穩(wěn)態(tài)工況點(diǎn)標(biāo)定數(shù)據(jù)，可確定模型參數(shù)．

采用非線性批量最小二乘方法對(duì)指示熱效率模型進(jìn)行離線參數(shù)辨識(shí)．最小二乘方法通過(guò)代價(jià)函數(shù)的迭代計(jì)算使模型的估計(jì)值與實(shí)際值差值的平方和最小，優(yōu)化得到模型參數(shù)．優(yōu)化函數(shù)為

式中：F(x,xdata)為數(shù)據(jù)x輸入后計(jì)算的模型估計(jì)值；ydata為實(shí)際值．

表2為辨識(shí)得到指示熱效率模型的參數(shù)，可適應(yīng)不同運(yùn)行工況下的指示熱效率估計(jì)．

表2 指示熱效率模型參數(shù)辨識(shí)結(jié)果 Tab.2 Parameter identification results of indicating thermal efficiency model

為驗(yàn)證辨識(shí)得到的指示熱效率模型精度，將離線辨識(shí)得到的指示熱效率模型參數(shù)值代入模型，計(jì)算與數(shù)據(jù)采集工況相同轉(zhuǎn)速和循環(huán)供油量工況下模型輸出的ηin模擬值，圖2為ηin試驗(yàn)值與模擬值對(duì)比．

圖2 不同負(fù)荷下指示熱效率模型驗(yàn)證 Fig.2 Verification of indicating thermal efficiency model under different loads

可知，模擬值與試驗(yàn)值吻合度較高，模型估計(jì)偏差在6.3%以內(nèi)．在高速、低負(fù)荷區(qū)和低速、高負(fù)荷區(qū)存在小范圍的模型估計(jì)值偏差增大的情況．雖然模型在部分工況的誤差較大，但是由于研究對(duì)象為發(fā)電用柴油機(jī)，其運(yùn)行轉(zhuǎn)速區(qū)間在1500r/min附近，而在轉(zhuǎn)速為1500r/min的典型工作轉(zhuǎn)速下，指示熱效率模型估計(jì)值的相對(duì)偏差在4.5%以內(nèi)．

1.2.2 摩擦轉(zhuǎn)矩建模

摩擦轉(zhuǎn)矩采用簡(jiǎn)化平均值模型[14]，即

式中：m1、m2和m3為轉(zhuǎn)速項(xiàng)待標(biāo)定模型參數(shù)．

與指示熱效率模型類似，為得到摩擦轉(zhuǎn)矩模型待標(biāo)定參數(shù)，需要利用試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行標(biāo)定．根據(jù)轉(zhuǎn)速和負(fù)荷的不同，劃分為119個(gè)工況點(diǎn)，利用倒拖工況，得到各工況點(diǎn)下穩(wěn)態(tài)時(shí)的摩擦轉(zhuǎn)矩，同步采集轉(zhuǎn)速穩(wěn)態(tài)數(shù)據(jù)，形成標(biāo)定數(shù)據(jù)用于模型參數(shù)的確定．

同樣，通過(guò)非線性批量最小二乘方法進(jìn)行離線參數(shù)辨識(shí)，得到摩擦轉(zhuǎn)矩模型的參數(shù)如表3所示．

表3 摩擦轉(zhuǎn)矩模型參數(shù)辨識(shí)結(jié)果 Tab.3 Parameter identification results of friction torque model

為驗(yàn)證辨識(shí)得到的摩擦轉(zhuǎn)矩模型的精度，將辨識(shí)得到的參數(shù)代入摩擦轉(zhuǎn)矩模型中，得到不同轉(zhuǎn)速下摩擦轉(zhuǎn)矩的模擬值，與摩擦轉(zhuǎn)矩試驗(yàn)值對(duì)比，如圖3所示．可知，試驗(yàn)值與模擬值吻合度較高，摩擦轉(zhuǎn)矩模型的相對(duì)偏差在7%以內(nèi)．與指示熱效率模型類似，摩擦轉(zhuǎn)矩模型模擬值在負(fù)荷較低或高轉(zhuǎn)速工況下有偏差明顯增加的現(xiàn)象，在1500r/min左右的工作轉(zhuǎn)速區(qū)，模型估計(jì)偏差較小(5%以內(nèi))．

圖3 不同負(fù)荷下摩擦轉(zhuǎn)矩模型驗(yàn)證 Fig.3 Verification of friction torque model under different loads

綜上，根據(jù)數(shù)據(jù)驅(qū)動(dòng)建模與經(jīng)驗(yàn)建模相結(jié)合的方式得到摩擦轉(zhuǎn)矩和指示熱效率模型的表達(dá)式，曲軸轉(zhuǎn)速動(dòng)態(tài)模型可表示為

負(fù)荷轉(zhuǎn)矩Mload通過(guò)筆者提出的觀測(cè)方法得到．

2 控制算法設(shè)計(jì)

2.1 柴油機(jī)轉(zhuǎn)速控制算法架構(gòu)

針對(duì)柴油機(jī)負(fù)荷轉(zhuǎn)矩不可測(cè)、不確定及發(fā)動(dòng)機(jī)老

化變異的問(wèn)題，提出的轉(zhuǎn)速控制架構(gòu)見(jiàn)圖4．

圖4 轉(zhuǎn)速自學(xué)習(xí)主動(dòng)抗擾控制算法架構(gòu)示意 Fig.4 Architecture of the speed self-learning active disturbance rejection control

根據(jù)目標(biāo)轉(zhuǎn)速與實(shí)際轉(zhuǎn)速之差，計(jì)算所需的慣性力矩Mintia；通過(guò)擴(kuò)張狀態(tài)觀測(cè)器(ESO)的觀測(cè)作用，補(bǔ)償所估計(jì)的負(fù)荷轉(zhuǎn)矩Mload后，得到所需的有效轉(zhuǎn)矩Me；最后，經(jīng)過(guò)摩擦轉(zhuǎn)矩Mfric補(bǔ)償，結(jié)合平均指示轉(zhuǎn)矩反算得到所需要的循環(huán)供油量．轉(zhuǎn)矩關(guān)系為

慣性力矩Mintia為轉(zhuǎn)速變化的動(dòng)態(tài)過(guò)程中，由曲軸軸系的旋轉(zhuǎn)運(yùn)動(dòng)而產(chǎn)生的往復(fù)慣性力矩；有效轉(zhuǎn)矩Me為發(fā)動(dòng)機(jī)曲軸上可以輸出的轉(zhuǎn)矩值；負(fù)荷轉(zhuǎn)矩由“負(fù)荷轉(zhuǎn)矩主動(dòng)觀測(cè)”算法估算．

摩擦轉(zhuǎn)矩模型參數(shù)和ηin在參數(shù)離線辨識(shí)的基礎(chǔ)上，通過(guò)自學(xué)習(xí)算法在線更新．其中，摩擦轉(zhuǎn)矩參數(shù)是在停機(jī)過(guò)程根據(jù)發(fā)動(dòng)機(jī)轉(zhuǎn)速和自身摩擦轉(zhuǎn)矩的關(guān)系，運(yùn)用遞推最小二乘方法學(xué)習(xí)得到．ηin則是通過(guò)在發(fā)動(dòng)機(jī)負(fù)荷和轉(zhuǎn)速相對(duì)穩(wěn)定時(shí)，利用噴油量和轉(zhuǎn)速之間的動(dòng)態(tài)關(guān)系，根據(jù)遞推最小二乘方法學(xué)習(xí)得到．

2.2 主動(dòng)抗擾控制算法

2.2.1 負(fù)荷轉(zhuǎn)矩的主動(dòng)觀測(cè)算法

在曲軸轉(zhuǎn)速動(dòng)態(tài)模型中，負(fù)荷轉(zhuǎn)矩是未知?jiǎng)討B(tài)，無(wú)法進(jìn)行精確建模．因而筆者運(yùn)用主動(dòng)抗擾控制思想，將負(fù)荷轉(zhuǎn)矩等效為總擾動(dòng)[15-16]的一部分，通過(guò)ESO進(jìn)行在線觀測(cè)，對(duì)負(fù)荷轉(zhuǎn)矩進(jìn)行控制補(bǔ)償．

由于算法設(shè)計(jì)是針對(duì)負(fù)荷突變情況下的負(fù)荷轉(zhuǎn)矩觀測(cè)，可假設(shè)負(fù)荷轉(zhuǎn)矩在加載初期變化率保持恒定，將式(6)改為帶有負(fù)荷轉(zhuǎn)矩的模型，即

式中C為假定未知常量．

式(9)中，負(fù)荷轉(zhuǎn)矩未知，且摩擦轉(zhuǎn)矩模型及指示轉(zhuǎn)矩模型中具有估計(jì)偏差，將其影響統(tǒng)一視為“總擾動(dòng)”這一擴(kuò)張狀態(tài)，得

式中u為控制器循環(huán)供油量控制輸出．

由于n可直接測(cè)量，因而設(shè)計(jì)針對(duì)式(11)的降階擴(kuò)張狀態(tài)觀測(cè)器[17](RESO)．可得總擾動(dòng)測(cè)量值為

以總擾動(dòng)和總擾動(dòng)的二階導(dǎo)數(shù)為狀態(tài)量，得二階RESO的表達(dá)式為

由于在總擾動(dòng)的測(cè)量值表達(dá)式中存在轉(zhuǎn)速的微分，而微分的處理極易使信號(hào)產(chǎn)生噪聲，因而需對(duì)ESO做進(jìn)一步處理，將轉(zhuǎn)速的微分項(xiàng)消除．

定義兩個(gè)新的狀態(tài)量η、ξ，將其轉(zhuǎn)化為擴(kuò)張狀態(tài)觀測(cè)器的兩個(gè)新的狀態(tài)，分別表示為

將式(12)～(14)代入式(15)，得

式中：ξ和η為降階觀測(cè)器狀態(tài)量，是替換原狀態(tài)量負(fù)荷轉(zhuǎn)矩和負(fù)荷轉(zhuǎn)矩變化率，以消除容易產(chǎn)生測(cè)量噪聲的轉(zhuǎn)速微分信號(hào)．

將式(16)整理成狀態(tài)空間的形式，有

將ESO的極點(diǎn)配置在ωo?處[18]，則觀測(cè)誤差增益β1和β2為

式中ωo為觀測(cè)器帶寬．

2.2.2 主動(dòng)抗擾控制律設(shè)計(jì)

針對(duì)式(11)，主動(dòng)抗擾控制律可表示為

式(20)的積分器容易被一個(gè)比例控制器控制，即

式中：ωc為控制器帶寬；ntrgt為目標(biāo)轉(zhuǎn)速．

將式(21)代入式(19)，則控制律為

因而控制整定參數(shù)可以概括為：(1)控制器帶寬ωc，其可根據(jù)目標(biāo)控制效果進(jìn)行整定；(2)在進(jìn)行ESO極點(diǎn)配置時(shí)得到的觀測(cè)器帶寬ωo，其值關(guān)系到觀測(cè)器的性能，具體根據(jù)被觀測(cè)對(duì)象的響應(yīng)特性確定，可設(shè)定為控制器帶寬的倍數(shù)關(guān)系；(3)通過(guò)對(duì)象模型得到的控制參數(shù)a、b和g．

2.3 模型參數(shù)自學(xué)習(xí)算法

2.3.1 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法

為保證摩擦轉(zhuǎn)矩模型的精度，根據(jù)式(6)，利用停機(jī)過(guò)程中轉(zhuǎn)速與摩擦轉(zhuǎn)矩的關(guān)系設(shè)計(jì)針對(duì)摩擦轉(zhuǎn)矩參數(shù)的自學(xué)習(xí)算法，如圖5所示．

圖5 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法架構(gòu) Fig.5 Self-learning algorithm architecture of friction torque model parameters

摩擦轉(zhuǎn)矩自學(xué)習(xí)算法的學(xué)習(xí)過(guò)程設(shè)定為停機(jī)工況，即本次停機(jī)過(guò)程是修正的本次運(yùn)行過(guò)程結(jié)束后，相比于上一次停機(jī)過(guò)程中摩擦轉(zhuǎn)矩的變化．在實(shí)時(shí)運(yùn)行過(guò)程中，如果出現(xiàn)運(yùn)行條件惡化的情況，此時(shí)的摩擦轉(zhuǎn)矩模型的偏差則通過(guò)筆者提出的轉(zhuǎn)速主動(dòng)抗擾控制算法的擾動(dòng)主動(dòng)觀測(cè)作用進(jìn)行補(bǔ)償．

在斷油停機(jī)工況，由于自身的摩擦轉(zhuǎn)矩阻力，轉(zhuǎn)速逐漸降低，直至完全停止運(yùn)轉(zhuǎn)，由式(5)得

系統(tǒng)采樣頻率為100Hz．轉(zhuǎn)速信號(hào)可以直接采集，但是轉(zhuǎn)速的微分信號(hào)不方便獲取，容易產(chǎn)生噪聲，此時(shí)，仿真和HIL測(cè)試過(guò)程中采用差分代替微分的形式，均可以達(dá)到設(shè)計(jì)要求，完成參數(shù)的學(xué)習(xí)過(guò)程．對(duì)式(23)做離散處理，得

式中：nk為當(dāng)前采樣時(shí)刻轉(zhuǎn)速的測(cè)量值；nk?1為上一采樣時(shí)刻轉(zhuǎn)速測(cè)量值；Vt為算法調(diào)度周期．

式(24)滿足：Y(k)=φ(k)?θ(k)+w，其中k為當(dāng)前采樣編號(hào)，w為噪聲干擾．φ(k)和Y(k)為遞推最小二乘算法輸入，θ(k)為通過(guò)遞推計(jì)算得到的模型參數(shù)．

運(yùn)用帶有遺忘因子的遞推最小二乘法，在停機(jī)工況對(duì)式(24)中3個(gè)參數(shù)進(jìn)行在線自學(xué)習(xí)更新．定義

可得摩擦轉(zhuǎn)矩模型參數(shù)學(xué)習(xí)算法為

式中：μ為遺忘因子(0＜μ＜1)；I為單位矩陣．由此可實(shí)現(xiàn)對(duì)摩擦轉(zhuǎn)矩模型參數(shù)的在線更新．

2.3.2 指示熱效率自學(xué)習(xí)算法

為主動(dòng)適應(yīng)發(fā)動(dòng)機(jī)老化變異造成的發(fā)動(dòng)機(jī)熱效率下降，設(shè)計(jì)了針對(duì)式(6)中ηin的自學(xué)習(xí)算法，算法結(jié)構(gòu)如圖6所示．

圖6 指示熱效率自學(xué)習(xí)算法架構(gòu) Fig.6 Self-learning algorithm architecture of indicating thermal efficiency

因式(6)中Mload未知，為降低估計(jì)的難度，選擇在負(fù)荷不變的工況下對(duì)噴油量mf引入正弦干擾信號(hào)，同步采集該過(guò)程中的轉(zhuǎn)速信號(hào)．正弦干擾信號(hào)的頻率主要受到發(fā)動(dòng)機(jī)的動(dòng)態(tài)響應(yīng)速度和熱效率辨識(shí)速度的影響，1Hz是在兩者之間折中優(yōu)化值．頻率太高，則發(fā)動(dòng)機(jī)轉(zhuǎn)速波動(dòng)太小，熱效率辨識(shí)不準(zhǔn)；若頻率太低，則熱效率學(xué)習(xí)過(guò)程太慢．利用該動(dòng)態(tài)過(guò)程的信息進(jìn)行ηin>的實(shí)時(shí)估計(jì)．首先，對(duì)式(6)做離散化，得

式中：Mfric采用摩擦轉(zhuǎn)矩模型計(jì)算值，負(fù)荷轉(zhuǎn)矩采用RESO的負(fù)荷觀測(cè)值．

式(27)滿足Y(k)=?(k)?θ(k)+w，k為當(dāng)前采樣編號(hào)，定義

根據(jù)式(26)遞推最小二乘方法，即可遞推計(jì)算得 到熱效率的學(xué)習(xí)值．

3 算法驗(yàn)證

3.1 主動(dòng)抗擾控制算法HIL測(cè)試驗(yàn)證

3.1.1 硬件在環(huán)仿真平臺(tái)

筆者以臺(tái)架試驗(yàn)平臺(tái)為原型，構(gòu)建HIL測(cè)試平臺(tái)，主要包括發(fā)動(dòng)機(jī)實(shí)時(shí)運(yùn)行模擬設(shè)備、算法實(shí)時(shí)運(yùn)行系統(tǒng)和上位機(jī)環(huán)境3部分．發(fā)動(dòng)機(jī)實(shí)時(shí)運(yùn)行模擬由dSPACE系統(tǒng)實(shí)現(xiàn)，系統(tǒng)搭載的DS1006實(shí)時(shí)處理器用于實(shí)時(shí)運(yùn)行動(dòng)力系統(tǒng)模型．算法實(shí)時(shí)運(yùn)行系統(tǒng)是基于搭載了Infineon多核微控制器的域控制器，算法燒錄后實(shí)現(xiàn)在嵌入式環(huán)境的實(shí)時(shí)運(yùn)行．上位機(jī)環(huán)境包括UDE上位機(jī)和ControlDesk上位機(jī)，分別實(shí)現(xiàn)對(duì)域控制器參數(shù)和dSPACE運(yùn)行環(huán)境參數(shù)的標(biāo)定和監(jiān)控．

3.1.2 負(fù)荷突增、突減測(cè)試

將2.2和2.3節(jié)的控制算法生成C代碼并下載于DCU中，與dSPACE硬件平臺(tái)耦合，開(kāi)展硬件在環(huán)仿真測(cè)試，包括負(fù)荷突變和負(fù)荷隨機(jī)變化測(cè)試場(chǎng)景．圖7為突變大負(fù)荷加載曲線．在負(fù)荷變化工況下，對(duì)比采用遺傳算法進(jìn)行參數(shù)整定后的PID算法[19]和筆者提出的主動(dòng)抗擾控制算法的轉(zhuǎn)速，如圖8所示．

圖7 突變大負(fù)荷轉(zhuǎn)矩加載曲線 Fig.7 Abrupt change of large load torque loading curve

圖8 負(fù)荷加載過(guò)程轉(zhuǎn)速控制效果驗(yàn)證 Fig.8 Verification of speed control effect during loading

可知，PID算法中轉(zhuǎn)速的抗擾能力相對(duì)較差，在第一次負(fù)荷加載過(guò)程，轉(zhuǎn)速下降幅度為70r/min，2.1s轉(zhuǎn)速恢復(fù)為1500r/min穩(wěn)定轉(zhuǎn)速．主動(dòng)抗擾控制算法中，轉(zhuǎn)速大幅減小，降至28r/min，改善60%．轉(zhuǎn)速 恢復(fù)時(shí)間約為1.6s，縮短23.8%．在負(fù)荷突減過(guò)程，主動(dòng)抗擾控制算法中，轉(zhuǎn)速上升38r/min，比PID算法改善52.5%．轉(zhuǎn)速恢復(fù)時(shí)間為1.8s，縮短38.0%．

分析采用降階ESO的主動(dòng)抗擾控制算法在轉(zhuǎn)速控制效果上提升的原因發(fā)現(xiàn)，降階ESO有較好的負(fù)荷轉(zhuǎn)矩觀測(cè)速度和準(zhǔn)確性，圖9為負(fù)荷轉(zhuǎn)矩觀測(cè)值與實(shí)際負(fù)荷轉(zhuǎn)矩的對(duì)比．可知，在負(fù)荷轉(zhuǎn)矩突變過(guò)程中，降階ESO能在2～3個(gè)調(diào)度周期(0.02～0.03s)快速、高效地觀測(cè)出真實(shí)的負(fù)荷轉(zhuǎn)矩，從而提高主動(dòng)抗擾控制算法對(duì)擾動(dòng)的在線擾動(dòng)補(bǔ)償能力．

圖9 負(fù)荷轉(zhuǎn)矩觀測(cè)值與實(shí)際值對(duì)比 Fig.9 Comparison of estimated load torque and actual value

3.2 模型參數(shù)自學(xué)習(xí)算法HIL驗(yàn)證

3.2.1 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法驗(yàn)證

圖10、圖11為摩擦轉(zhuǎn)矩參數(shù)和摩擦轉(zhuǎn)矩在線學(xué)習(xí)效果．在硬件在環(huán)仿真平臺(tái)上，首先對(duì)摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)過(guò)程進(jìn)行了驗(yàn)證，由于是為學(xué)習(xí)在發(fā)動(dòng)機(jī)正常工作轉(zhuǎn)速范圍內(nèi)的摩擦轉(zhuǎn)矩模型參數(shù)，因而停 機(jī)過(guò)程從1500r/min開(kāi)始，至轉(zhuǎn)速降至0r/min．

圖10 摩擦轉(zhuǎn)矩模型參數(shù)學(xué)習(xí)過(guò)程 Fig.10 Friction torque model parameter learning process

由圖10中參數(shù)在線學(xué)習(xí)曲線可以得出，參數(shù)m1、m2和m3經(jīng)過(guò)8.4s左右參數(shù)收斂到真實(shí)值的5%誤差帶范圍內(nèi)．由圖11摩擦轉(zhuǎn)矩模型學(xué)習(xí)曲線可得，經(jīng)過(guò)4.5s摩擦轉(zhuǎn)矩模型輸出值收斂到摩擦轉(zhuǎn)矩真實(shí)值的5%誤差帶內(nèi)．

圖11 停機(jī)工況摩擦轉(zhuǎn)矩模型自學(xué)習(xí)算法驗(yàn)證 Fig.11 Self-learning algorithm verification of friction torque model under stop conditions

3.2.2 指示熱效率學(xué)習(xí)驗(yàn)證

為保證控制精度，在定負(fù)荷工況對(duì)ηin進(jìn)行在線學(xué)習(xí)．此處模擬燃燒過(guò)程惡化而導(dǎo)致的ηin下降情況，ηin約為0.31左右．在硬件在環(huán)仿真過(guò)程中，經(jīng)過(guò)1.1s左右，ηin的學(xué)習(xí)值趨近于實(shí)際值，學(xué)習(xí)誤差在3%以內(nèi)，ηin學(xué)習(xí)結(jié)果如圖12所示．

圖12 指示熱效率學(xué)習(xí)過(guò)程驗(yàn)證 Fig.12 Verification of indicating thermal efficiency learning process

3.3 自學(xué)習(xí)算法對(duì)轉(zhuǎn)速控制效果的影響驗(yàn)證

為驗(yàn)證自學(xué)習(xí)算法對(duì)轉(zhuǎn)速控制效果的影響，模擬柴油機(jī)運(yùn)行條件發(fā)生惡化的運(yùn)行場(chǎng)景．通過(guò)對(duì)摩擦轉(zhuǎn)矩模型參數(shù)和ηin的在線學(xué)習(xí)修正，使得控制算法主動(dòng)適應(yīng)柴油機(jī)運(yùn)行條件的變化，實(shí)現(xiàn)在線優(yōu)化控制參數(shù)，改善轉(zhuǎn)速控制效果．圖13對(duì)比了柴油機(jī)運(yùn)行條件惡化前、后負(fù)荷突增、突減過(guò)程模型參數(shù)自學(xué)習(xí)算法對(duì)控制效果的優(yōu)化．

圖13 模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速控制效果驗(yàn)證 Fig.13 Verification of speed control effect before and after model parameter learning

模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速對(duì)比表明，通過(guò)對(duì)摩擦轉(zhuǎn)矩模型參數(shù)和ηin的在線學(xué)習(xí)優(yōu)化，使得轉(zhuǎn)速波動(dòng)幅度減小約10r/min，控制效果明顯改善，如表4所示．

表4 模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速控制效果對(duì)比 Tab.4 Comparison of speed control effect before and after model parameter learning

3.4 臺(tái)架試驗(yàn)測(cè)試

數(shù)據(jù)采集與標(biāo)定設(shè)備采用ETAS ES582汽車標(biāo)定總線模塊．模塊通過(guò)連接電控單元(ECU)控制器采集運(yùn)行過(guò)程數(shù)據(jù)，并通過(guò)USB接口與計(jì)算機(jī)連接進(jìn)行數(shù)據(jù)標(biāo)定與分析．所有ES582的測(cè)量數(shù)據(jù)都由INCA(ETAS標(biāo)定軟件)使用ECU信號(hào)精確同步．使用測(cè)功機(jī)模擬用電負(fù)荷的變化．按圖1中的試驗(yàn)臺(tái)架結(jié)構(gòu)和數(shù)據(jù)采集方式進(jìn)行．試驗(yàn)測(cè)試過(guò)程主要驗(yàn)證負(fù)荷突增及突減過(guò)程的轉(zhuǎn)速控制響應(yīng)，進(jìn)行了多次負(fù)荷突變?cè)囼?yàn)．負(fù)荷加載過(guò)程轉(zhuǎn)矩如圖14所示．

圖14 試驗(yàn)過(guò)程轉(zhuǎn)矩加載曲線 Fig.14 Torque curve during test

圖15為負(fù)荷加載臺(tái)架試驗(yàn)轉(zhuǎn)速控制結(jié)果．相比于遺傳算法進(jìn)行參數(shù)整定后的PID算法，筆者提出的采用降階ESO的主動(dòng)抗擾控制算法的轉(zhuǎn)速控制效果改善明顯．

圖15 負(fù)荷加載臺(tái)架試驗(yàn)轉(zhuǎn)速控制結(jié)果 Fig.15 Rotation speed control results of bench test with sudden load change

在相同的突增負(fù)荷工況下，采用降階ESO的主動(dòng)抗擾控制算法時(shí)轉(zhuǎn)速下降18r/min，1.4s后轉(zhuǎn)速恢復(fù)至目標(biāo)值，達(dá)到穩(wěn)定，而采用遺傳算法整定的PID算法轉(zhuǎn)速下降58r/min，在出現(xiàn)約16r/min的超調(diào)后恢復(fù)至目標(biāo)值，恢復(fù)時(shí)間為3.5s．筆者提出的主動(dòng)抗擾算法在轉(zhuǎn)速的抗干擾能力上比PID算法提升68.9%，恢復(fù)時(shí)間縮短約60.0%．在突減負(fù)荷時(shí)，可以控制的能力極限即為停止噴油，發(fā)動(dòng)機(jī)根據(jù)自身慣性的作用使轉(zhuǎn)速的波動(dòng)盡可能減小，所以無(wú)論是采用遺傳算法標(biāo)定的PID，還是筆者提出的主動(dòng)抗擾轉(zhuǎn)速控制算法，在突減負(fù)荷時(shí)都是采用盡快停止噴油的控制法，轉(zhuǎn)速的控制效果也相近，出現(xiàn)約50r/min的轉(zhuǎn)速波動(dòng)．試驗(yàn)結(jié)果見(jiàn)表5．

表5 轉(zhuǎn)速跌落幅值和恢復(fù)時(shí)間對(duì)照 Tab.5 Speed drop amplitude and recovery

圖16為PID算法和主動(dòng)抗擾控制算法噴油量補(bǔ)償對(duì)比．降階ESO通過(guò)增加負(fù)荷變化率狀態(tài)觀測(cè)并 進(jìn)一步降低ESO階次，實(shí)現(xiàn)了提升觀測(cè)精度和觀測(cè)速度的效果，從而主動(dòng)抗擾控制算法完成了對(duì)需求油量的快速補(bǔ)償．在負(fù)荷突加工況下，降階主動(dòng)抗擾控制算法噴油量的補(bǔ)償速度明顯比PID更快，提前約0.16s達(dá)到目標(biāo)噴油量．

圖16 75%負(fù)荷加載試驗(yàn)結(jié)果對(duì)比 Fig.16 Comparison of 75% load test results

4 結(jié) 論

(1) 通過(guò)機(jī)理建模和數(shù)據(jù)驅(qū)動(dòng)建模相結(jié)合的方式構(gòu)建了柴油機(jī)曲軸轉(zhuǎn)速動(dòng)態(tài)模型，在此基礎(chǔ)上提出降階主動(dòng)抗擾控制算法；為提升算法的自適應(yīng)能力，設(shè)計(jì)了針對(duì)轉(zhuǎn)速動(dòng)態(tài)模型中摩擦轉(zhuǎn)矩模型參數(shù)和指示熱效率的自學(xué)習(xí)算法，最終構(gòu)成了柴油機(jī)轉(zhuǎn)速自學(xué)習(xí)抗擾控制器．

(2) HIL測(cè)試表明，通過(guò)優(yōu)化ESO設(shè)計(jì)方法，增加負(fù)荷轉(zhuǎn)矩變化率可觀測(cè)狀態(tài)，使得降階ESO能在2～3個(gè)調(diào)度周期(0.02s～0.03s)觀測(cè)出真實(shí)的負(fù)荷轉(zhuǎn)矩；負(fù)荷突變過(guò)程觀測(cè)值也能快速跟隨實(shí)際負(fù)荷轉(zhuǎn)矩值的變化，轉(zhuǎn)速控制效果得到明顯提升，轉(zhuǎn)速跌幅大幅減小，降至28r/min，改善60.0%，轉(zhuǎn)速恢復(fù)時(shí)間約為1.6s，縮短23.8%．

(3) 模型參數(shù)自學(xué)習(xí)算法HIL測(cè)試表明，在嵌入式控制器中可以完成在特定場(chǎng)景下的模型參數(shù)學(xué)習(xí)任務(wù)；摩擦轉(zhuǎn)矩模型學(xué)習(xí)可在斷油停機(jī)過(guò)程完成參數(shù)的在線學(xué)習(xí)；在ηin的學(xué)習(xí)過(guò)程中，可以在穩(wěn)態(tài)工況下快速學(xué)習(xí)得到實(shí)際ηin，誤差在3%以內(nèi)；自學(xué)習(xí)算法開(kāi)啟后轉(zhuǎn)速控制效果提升24.3%．

(4) 采用降階ESO的主動(dòng)抗擾控制算法，在負(fù)荷突變過(guò)程中轉(zhuǎn)速的抗干擾能力得到大幅提升，相比遺傳算法整定的PID算法，負(fù)荷突增過(guò)程，轉(zhuǎn)速下降18r/min，改善68.9%；轉(zhuǎn)速控制響應(yīng)的恢復(fù)時(shí)間降至1.4s，縮短約60.0%．