英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

外 文 译 文

基于模型的汽油自动点火控制

摘要：内燃机的创新低温燃烧模式，如汽油控制的自动点火，对过程控制提出了非常高的要求。一方面，需要对发动机负载和燃烧相位进行快速参考跟踪，同时，必须拒绝作用于高度敏感过程的大量干扰，以确保在较宽的工作范围内稳定运行。基于模型的预测控制概念有很大的潜力来满足这些要求。本文介绍了一种基于模型的预测控制方法，包括静态和动态优化阶段。它能够解释在汽油控制的自动点火中发生的特征循环到循环动力学，并且能够处理对过程的操纵和控制变量施加的约束。

关键词：汽油控制自动点火、基于模型的预测控制、内燃机控制、系统辨识、低温燃烧

1 引言

1.1 汽油控制自动点火过程

汽油控制自动点火(GCAI)是汽油机燃烧过程中一项很有前途的技术。GCAT燃烧过程是最近研究的一部分，因为它可以同时降低燃油消耗和污染物排放。与传统的化学计量节流操作相比，GCAI燃烧提供了高达30%的燃油消耗降低潜力，这与最先进的稀薄分层燃烧概念相当，此外，由于产生低温燃烧，在部分负荷运行时，将NOx原始排放量降低到可检测限值以下。

然而，这些好处是有代价的。GCAI燃烧需要比常规操作复杂得多的过程控制。在传统汽油发动机中，点火和燃烧正时可以直接由火花塞控制。相比之下，GCAI缺乏这种直接触发，因为燃烧是通过自动点火启动的，因此完全由化学动力学决定，化学动力学强烈依赖于燃烧室内的局部热力学状态。这种对局部压力、温度和缸内装料成分等参数的高度敏感性通常会导致低温燃烧过程的不稳定运行，尤其是GCAI，这表现在燃烧中的不规则性，甚至根本没有点火（失火）。这意味着，即使是环境条件的微小变化也会对过程行为产生强烈影响。处理这些燃烧不稳定性的常用方法是闭环燃烧控制。

燃烧控制的任务是保证在静止，尤其是瞬态条件下的稳定运行，为此，必须对作用在过程上的干扰进行可靠、快速的补偿。同时，在仍然实现最佳效率和低污染物排放的同时，必须考虑有关热机械应力和执行器的约束。到目前为止，这只能在很小的工作范围内实现。这一工作范围的扩展，尤其是更高的负荷范围，仍然是一个尚未解决的问题和活跃的研究领域。

1.2 控制问题与实验系统设置

GCAI中的自动点火以及燃烧相位受上一个燃烧循环中的内部再循环废气量的高度影响，这是启动高辛烷值燃料自动点火的一种可能性。这导致了控制GCAI过程的主要挑战——连续循环的强耦合，可以解释为过程记忆。必须在控制概念中考虑这些循环之间的动态。因此，当再循环废气的特性发生强烈变化时，对控制的最高要求会导致瞬态运行。

控制GCAI的初始方法基于传统的启发式调整增益计划比例-积分-微分(PID）反馈控制。然而，新发布的方法几乎都是基于模型的，因为它们在处理复杂系统动力学方面具有许多优势。从控制方法的角度来看，正在研究几种线性和非线性方法。Hellstro'm等人在Bidarvatan等人的一项研究中使用了线性化半物理模型设计的线性二次调节器(LQR）控制。在Bidarvatan等人的研究中，使用了滑模控制，Chiang使用了自适应控制。而在Jade等人的研究中，使用了一种参考调节器方法来考虑执行器约束，而在Widd等人的研究中，使用了18个开关/混合控制器。另一种常用的方法是基于模型的预测控制（MPC），因为它非常适合GCAI过程的特点，因此与其他（非线性）控制方法相比具有一些关键优势。多输入多输出（MIMO）过程行为、尊重输入和输出约束的必要性，以及非最小相位系统动力学是本文要提及的主要原因。例如，Albin等人、Ravi等人和Erlien等人的研究中已经使用了MPC。

一般来说，GCAI过程的特点是非线性、不稳定和混沌行为。根据截留的废气量，燃烧可能会出现较大的压力上升梯度（DPMAX），这与高噪声排放和部件上的高应力有关。相比之下，较低的残余气体率会增加点火延迟，并导致较高的循环变化，通常通过指示平均有效压力（IMEP）的变化系数（CoV）来测量，或者甚至可能不会发生自燃，最终导致所有后续循环中没有自燃。上述所有特征都是闭环控制对实现GCAI操作至关重要的原因。因此，控制器的任务是通过

表1 内燃机研究所（VKA）单缸GCAl发动机的特性表

影响空气和废气混合物以及燃油喷射来稳定过程。在本文中，我们提出了一个基于MPC的概念。

控制器的所有后续识别和验证试验均在单缸汽油发动机试验台上进行（发动机主要特性概述见表1）。

该发动机配备了压电直接喷射系统和全可变机电气门机构（EMVT），可以在循环的基础上单独控制进气门和排气门正时。为了改变内部废气再循环（EGR）的速率，使用了阀控制策略燃烧室再循环(CCR)。通过操纵气门正时、排气门关闭u_EVC，可以改变截留的残余气体量。进气门开启（IVO）正时与上止点（TDC）对称选择，以最小化泵送工作。在整个GCAI工作范围内，其余阀门正时选择为恒定。在这种方法中，燃烧也由可变的双喷射策略控制，该策略分为进气门和排气门关闭时进入中间压缩冲程的早期预喷射和进气门关闭（IVC）事件后不久的主喷射。在此，喷油器启动的持续时间分别被选为前喷油和主喷油的操纵变量u_DOI1和u_DOI2，同时喷油正时的开始保持恒定。之前进行的研究表明，燃烧特性方面的最佳可控性，例如，燃烧相位和压力上升梯度，可以通过仅改变喷油量而不是喷油正时来实现。特别是，预喷射燃油量对燃烧特性的影响仅次于内部EGR率。预喷射相对较低的燃油质量已经导致中间压缩过程中的部分热释放，从而在主压缩冲程开始时增加空气-燃油-排气混合物的温度，从而导致压缩过程中的整体温度水平较高，因此点火率较低延迟此外，中间反应物物种正在形成，这也直接影响点火行为。主喷射的燃油量主要

图1 定义GCAI过程闭环燃烧控制的工作循环和驱动策略（操纵变量：DOI1、DOI2、EVC和SI）

用于控制发动机负载，尽管它也会强烈影响燃烧相位，必须通过适当操纵预喷射和内部EGR速率来抵消燃烧相位，如下部分所示。作为控制变量，使用IMEP y_IMEP作为负载代理。燃烧相位通过燃烧中心yCA50控制，与燃烧过程的效率相关。此外，与燃烧噪声排放和部件机械应力相关的DPMAX y_DPMAX必须控制在预定义的限值以下；在这种情况下，y_DPMAX不应超过5 bar/CA的上限，这相当于噪声排放量仍然可以接受。图1给出了定义的工作周期和操纵变量的概述。

受控和操纵变量可以是求和为向量y=[y_IMEP，y_CA50，y_DPMAX]^T和u=[u_DOI1，u_DOI2，u_EVC]^T。

总的来说，GCAI控制器的任务具有挑战性，因为一方面，过程对干扰非常敏感，这就要求控制器具有很强的抗干扰能力。此外，控制器必须能够快速跟踪IMEP和CA50的参考，因为它将用于乘用车发动机应用，同时将DPMAX保持在预定义的上限以下。对于跟踪工作点变化的参考，控制器中必须经常考虑循环间的动态。

2 基于模型的控制概念

本文介绍了一种基于罗林斯提出的一般概念的两级MPC控制方法。它特别适用于GCAI过程施加的要求，即在DPMAX上限未激活的标称情况下（两个受控变量对应三个驱动变量)，循环间动力学和非方系统特性（过驱动)。

图3描述了总体控制结构。燃烧控制器在每个燃烧循环中计算一次驱动变量。除了操纵变量uDOI1、uDOI2和uEVC外，用于在低负载下实现火花辅助GCAI(SACI)操作的火花点火（SI）由单独的SI控制器控制。基于最后一个燃烧循环的测量IMEP作为SI控制器的输入，基于滞后逻辑计算火花驱动。对于状态和干扰估计，使用卡尔曼滤波器。最后，两阶段MPC算法计算当前燃烧循环k的三个操纵变量u(k)。在以下小节中，将从GCAI过程模型开始，对实际燃烧控制器进行更详细的描述，该模型将用于MPC方法、卡尔曼滤波器和，并详细描述了两阶段MPC算法。

2.1 GCAl过程模型

在MPC框架中，内部预测模型是控制器不可分割的一部分。这里使用了一个具有维纳型动力学的动态黑盒模型(见图2）。该模型由串联的动态线性和静态非线性组成。对于线性（仿射）参数变化(LPV)模型，它可以写成状态空间形式。

图2 GCAl过程模型的结构实现为维纳模型

模型的识别基于发动机试验台上输入-输出转换行为的测量，识别过程本身分为动态和静态两部分。

模型的静态部分由参数变化输出矩阵C（n_eng（k），SI（k），y_IMEP（k））和向量f（n_eng（k），SI（k），y_IMEP（k））表示，这取决于发动机转速能、SI的驱动和IMEP。除了发动机转速，静态传递行为主要取决于发动机负载。图6给出了这种依赖性的定量印象。描述了负载变化和负载不变模型对测量数据的验证。

对于该验证，操纵变量u以准静态方式围绕高负荷单独变化，并测量中低负荷工作点和过程输出IMEP、CA50和DPMAX的响应。使用来自整个负载范围（2–4 bar IMEP）的数据确定负载不变模型。使用整个负载范围（2-4巴IMEP）的数据确定。相比之下，对于负荷变化模型，仅使用来自相应验证负荷点的数据。可以清楚地看到，静态灵敏度随着负荷的变化而变化很大，尤其是燃烧相位CA50和压力上升梯度DPMAX的静态灵敏度。

在运行期间，模型的LPV部分根据参数n_eng、IMEP和SI而变化。对于IMEP和SI，这些变化是通过硬开关实现的，使用基于迟滞的逻辑来避免抖振效应，并通过在为相应操作模式定义的模型之间对n_eng进行线性插值。图4给出了将GCAI操作图划分为不同静态LPV子模型部分的概述。在这种情况下，确定了24个静态线性仿射子模型。已在发动机试验台上使用专门设计的测量程序进行识别测量，以减少所需的总测量时间。

模型的动态部分（捕捉循环之间的动态）由常数矩阵A和B表示。为了识别系统动态，过程由操纵变量的逐步变化激发。这些测量是在几个工作点进行的。随后对记录的阶跃响应数据进行的分析表明，动态过程行为几乎独立于操作点，尤其是负载依赖性，因此可以假设过程的参数不变动态。

动态识别程序面临的一个挑战是，一方面，过程的快速动态性，这意味着在操纵变量发生逐步变化后，只有少数循环受到循环-循环动态性的影响，直到达到稳定状态，另一方面，这几个周期叠加在一起，过程和测量噪声的比率都很高。

图3 GCAI发动机的总体控制结构，包括在FPGA模块上实现的热力学实时分析（TRA）、基于滞后的SI控制和带卡尔曼滤波器的两级MPC

图4 工作点——依赖于静态仿射模型、基于滞后的切换（负载和火花辅助），以及工作图中模型之间的线性插值（发动机转速）

因此，对每个阶跃响应进行30次测量，为了最终识别，对这些阶跃响应进行整体平均，以减少两个噪声部分的影响。

图5显示了两个不同操作点的流程模型的总体验证。两个工作点中的一个在GCAI内，另一个在SACI工作范围内。在验证数据中，一个步骤同时应用于所有三个操纵变量。三个输出变量以红色绘制）的30个动态响应的测量总体平均值表明，两个不同工作点的动态响应非常相似。考虑到驱动变量的值时，可以看到两个工作点的静态灵敏度不同。这与图6中的静态模型验证一致。总的来说，过程模型的模拟数据可以定性和定量地再现测量的平均阶跃响应。该步骤后的第一个循环中出现的循环间动力学可以很好地再现两个工作点。例如，CA50中的下冲可以在模拟和测量数据中看到。在这一点上，我们应该记住，模型只应再现过程的平均转移行为，即受控变量对操纵变量变化的动态响应。

2.2 两级MPC

控制算法由不同的部分组成。其结构如图7所示。发动机转速n_eng、过程输出y的最后测量值以及IMEP和CA50 y_ref的参考值用作控制器的输入。卡尔曼滤波器用于估计作用于测量输出的系统状态x^和干扰d^。两阶段MPC本身可分为稳态优化（称为目标计算）和动态优化(称为动态调节)。这种结构背后的基本思想是将目标计算完成的稳态工作点优化与动态调节器完成的循环间动态补偿分离。在以下部分中，将对不同部分进行更详细的解释。

卡尔曼滤波器。MPC算法的动态预测基于系统的当前状态，作为初始条件。由于在这种情况下，状态无法直接测量，因此使用状态估计器作为卡尔曼滤波器。为了确保控制器在稳态下的无偏移参考跟踪，必须估计一个额外的干扰状态，该干扰状态可以解释模型行为与实际过程之间的偏差，28由模型失配和干扰引起。因此，标称模型方程（1）和（2）被扰动状态向量d增强isin;R³，它采用以下形式，带有新定义的增广状态向量x_aug和增广系统矩阵A_aug、B_aug、C_au

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591359]，资料为PDF文档或Word文档，PDF文档可免费转换为Word