用于氢内燃机中在多重约束条件下优化CA50的自适应神经网络控制器

《International Journal of Hydrogen Energy》:Adaptive neural network controller for CA50 optimization under multiple constraints in hydrogen internal combustion engines

【字体: 大 中 小 】 时间:2026年05月08日 来源:International Journal of Hydrogen Energy 8.3

编辑推荐:

  皮耶尔·保罗·布兰卡莱奥尼(Pier Paolo Brancaleoni)、恩里科·科蒂(Enrico Corti)、亚历山德罗·罗西(Alessandro Rossi)、维托里奥·拉瓦利奥利(Vittorio Ravaglioli)、亚历山德罗·布鲁萨(Alessandro B

  
皮耶尔·保罗·布兰卡莱奥尼(Pier Paolo Brancaleoni)、恩里科·科蒂(Enrico Corti)、亚历山德罗·罗西(Alessandro Rossi)、维托里奥·拉瓦利奥利(Vittorio Ravaglioli)、亚历山德罗·布鲁萨(Alessandro Brusa)、尼科洛·卡维纳(Nicolò Cavina)
CIN – 工业工程系,Alma Mater Studiorum大学,博洛尼亚,40121,意大利

摘要

氢燃料内燃机是实现可持续交通的有前景的解决方案,但其效率在很大程度上取决于燃烧相位,通常通过50%质量分数燃尽时的曲轴角度(CA50)来量化。本研究提出了一种自适应CA50控制策略,在保持可靠性的同时,能够最大化效率,同时兼顾爆震强度和气缸压力峰值(Pmax)。人工神经网络(ANNs)被用来模拟制动热效率、Pmax和爆震强度与CA50之间的依赖关系。为了确保在变化或老化条件下的稳健性能,ANN参数会使用实时燃烧数据持续在线更新。更新后的ANN输出通过一个期望函数进行处理,以确定最佳的CA50目标。仿真结果显示,在非设计条件下的效率得到了提升:将EGR提高5%可以通过将CA50提前约4°来补偿,从而在满足Pmax和爆震限制的同时恢复大部分基线效率。这一策略在实际硬件上的可行性也已得到验证。

引言

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。

章节摘录

发动机模型和基线控制策略

这项研究是在一个先前开发的虚拟H?ICE平台上进行的[15,37],该平台基于一个6缸双PFI火花点火氢燃料发动机,配备了高压EGR回路。为了避免进行广泛的台架测试,模型是在软件在环路(Software-in-the-loop)框架内开发和验证的[38],可以在广泛的运行条件下进行虚拟校准和性能评估,而不会对发动机造成风险

在标称条件下的验证

在所提出的框架中,CA50被视为一个决策变量,其最佳值根据重建的性能趋势和主动可靠性约束不断更新。随着运行条件的变化,效率和燃烧稳定性之间的相对权衡也会改变:为了评估所提出算法跟踪最佳燃烧相位的能力,应在不同场景下进行测试。
首先,模型的自适应性能已经

结论与未来发展方向

本研究开发了一种基于人工神经网络的内燃机控制方法。该控制器使用三个人工神经网络(ANNs)跟踪BTE、Pmax和MAPO随CA50的变化趋势,并通过实时评估的期望函数设定最佳CA50。ANN的偏置和增益不断更新,以适应燃烧分析器提供的实际燃烧指标趋势。

CRediT作者贡献声明

皮耶尔·保罗·布兰卡莱奥尼(Pier Paolo Brancaleoni):撰写——初稿、可视化、验证、软件开发、数据整理。恩里科·科蒂(Enrico Corti):撰写——审稿与编辑、监督、项目管理、方法论、资金获取、概念构思。亚历山德罗·罗西(Alessandro Rossi):验证、软件开发、数据整理、概念构思。维托里奥·拉瓦利奥利(Vittorio Ravaglioli):撰写——审稿与编辑。亚历山德罗·布鲁萨(Alessandro Brusa):撰写——审稿与编辑。尼科洛·卡维纳(Nicolò Cavina):撰写——审稿与编辑。

资金支持

本研究部分由教育、大学和研究部(MIUR)资助(2020R92Y3Z)。

利益冲突声明

作者声明以下可能的财务利益/个人关系,这些可能被视为潜在的利益冲突:恩里科·科蒂(Enrico Corti)和维托里奥·拉瓦利奥利(Vittorio Ravaglioli)报告称获得了教育部门的支持。如果有其他作者,他们声明没有已知的可能影响本文工作的财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号