全球范围内正在进行的交通部门脱碳努力推动了替代动力总成的快速开发和部署,这些总成既能满足严格的环境法规,又能保持甚至提高车辆性能和可靠性。在这些技术中,氢内燃机(H?ICEs)是一个非常有吸引力的选择,因为它结合了传统发动机的成熟机械结构与氢燃料无碳燃烧的特性[1]。当氢来自可再生能源时,它提供了一种可持续的能源方式,有潜力显著减少与交通相关的生命周期温室气体排放[2]。与依赖关键原材料的电池电动汽车(BEVs)不同,后者仍面临能量密度、充电基础设施和电池生产可持续性方面的挑战,H?ICEs具有快速加油、高能量密度以及与现有制造和维护生态系统兼容的优势[1,3,4]。这些因素使得H?ICEs成为那些需要操作灵活性和长续航里程且要求脱碳的领域的理想选择[5,6]。尽管如此,H?ICEs的广泛采用仍受到若干技术限制的阻碍[7,8]。氢的燃烧特性(包括高火焰速度、宽的可燃性范围和低点火能量)使其与传统碳氢燃料有所不同[1,9]。这些特性虽然可以提高热效率并允许极稀的混合气运行,但也带来了复杂的问题,如更容易发生爆震、早燃、回火(对于端口燃油喷射,PFI)以及在某些条件下的高NOx排放[[9], [10], [11], [12]]。此外,为了降低NOx排放和减少爆震,使用极稀的混合气和延迟燃烧相位往往会导致显著的效率损失[11,13]。这一缺点,加上需要实现高的制动平均有效压力(BMEPs),导致必须使用较高的增压压力,这可能会产生过高的峰值燃烧压力(Pmax),从而需要进一步延迟燃烧[14]。这些权衡突显了需要创新的发动机控制策略,以便实时优化燃烧,平衡性能、效率和排放[15]。此外,H?ICEs通常配备有废气再循环(EGR)系统来降低峰值温度,从而减少NOx排放和爆震风险[11,[16], [17], [18]]。然而,这些系统通常不使用直接反馈控制。因此,EGR供给的任何波动、不稳定或故障都可能导致发动机在次优条件下运行,从而影响效率、可靠性和排放。
为了应对这些挑战,自适应控制策略作为一种强大的解决方案正在出现,因为它们能够在不断变化的环境和条件下自我调整[[19], [20], [21], [22], [23], [24]]。通过根据发动机和外部传感器的反馈持续更新控制参数,自适应算法可以应对环境温度变化、发动机磨损或组件故障等问题。
近年来,机器学习技术在内燃机建模和控制领域的应用也日益增多,它们在表示非线性行为方面表现出色[15,[25], [26], [27], [28], [29], [30], [31], [32]]。这些技术可以用于不同的目的。
- •
离线建模和预测[15,[25], [26], [27], [28], [29], [30], [31], [32],其中利用ANN捕捉非线性多变量关系来建立黑箱模型:
- •
在线/实时非自适应控制[31,32],其中ANN用于软测量和诊断。ANNs离线训练后,在实时环境中替代复杂模型。
人工神经网络(ANNs)在捕捉燃烧现象的非线性多变量关系方面表现出色,例如在不同运行条件(如空燃比、发动机转速、EGR率等)下,火花提前(SA)位置与50%能量释放时的曲轴角度(CA50)之间的相关性[15,25,32]。
总体而言,最近的综述[31,32]指出,人工神经网络主要被用作离线预测工具或发动机校准和优化的替代模型。尽管它们具有公认的潜力,但基于ANN的实时燃烧控制策略仍然依赖于离线校准过程,这限制了它们适应实际条件的能力。在参考文献[32]中,作者指出ANN是基于有限数据库训练的黑箱模型,因此它们的可靠性仅限于训练范围。仅依赖离线训练的静态ANN在EGR或AFR变化时对实际条件的适应性较差。
另一方面,最近机器学习技术在自适应控制中的应用正在不同应用领域获得关注[[33], [34], [35], [36]]:在参考文献[33]中,作者系统地比较了自适应机器学习(AML)和静态机器学习(SML)技术,得出结论:当控制系统随时间变化或出现漂移时,应使用AML。在参考文献[34]中证实了AML对漂移的鲁棒性。吴等人在参考文献[35]中展示了如何将AML实际应用于化学过程的反馈控制回路。黄等人在参考文献[36]中展示了自适应神经网络可以在发动机怠速控制器中成功实施,但AML尚未被用于控制燃烧过程以实现持续优化。
先前的研究(包括[15])表明,CA50是一个具有物理意义的控制变量,可用于优化燃烧过程,因为它与燃烧相位、扭矩产生和效率密切相关。在这些方法中,CA50通常被调节到一个预定义的目标值以实现所需的发动机输出。然而,在不同的运行条件下,最佳CA50值可能会发生变化,这激发了需要能够实时识别最佳CA50目标的自适应策略的需求,而不是强制使用固定参考值。
尽管人工神经网络已被广泛用于发动机建模和控制,但大多数现有研究仅限于离线训练或静态神经架构,这些架构在非设计条件下和随时间变化的现象(如EGR率变化)下性能会下降。最近的自适应神经控制方法主要解决跟踪和干扰抑制问题,并没有明确解决燃烧相位的在线优化问题。在这方面,本研究通过引入一种基于自适应ANN的控制策略,填补了研究空白,该策略能够实时更新CA50与性能之间的关系,并在可靠性约束下计算最佳燃烧相位目标,而无需离线重新校准。
所提出的方法在各种运行条件下进行了评估,展示了其在最大化燃烧效率的同时解决可靠性限制方面的有效性。由于其自适应能力,该方法可以动态识别和调整最佳CA50,补偿诸如EGR执行机构漂移或由于系统老化或组件退化导致的发动机爆震倾向等干扰。