基于Binary-STLSQ-MT方法的柴油发动机进排气系统非线性稀疏识别与模型预测控制研究

《IEEE Open Journal of the Industrial Electronics Society》：GA-Based Binary Sparse Data-Driven Identification and Nonlinear Model Predictive Control of Diesel Engine Air-Path System

　　本研究探讨利用非线性动态系统的稀疏识别（SINDy）对柴油发动机进排气系统进行建模，并将其应用于该进排气系统的非线性模型预测控制（NLMPC）。所提出的建模策略采用基于遗传算法（GA）的二值优化方案，以提升模型精度和稀疏性。先前的研究已证明，基于传统顺序阈值最小二乘法（STLSQ）的 SINDy 建模方法在柴油发动机进排气系统中具有适用性。该进排气系统是一个高次非线性多输入多输出（MIMO）系统。然而，传统基于 STLSQ 的方法在建模精度上存在局限性，特别是在模型库中加入高阶非线性项时。因此，本研究提出了一种新的数据驱动模型发现方法，结合基于遗传算法的二值优化和多阈值 STLSQ，称为 Binary-STLSQ-MT，以克服上述局限性。结果，Binary-STLSQ-MT 成功识别出包含高阶项的模型库模型，而传统 STLSQ 在对此类模型进行识别时往往出现数值不稳定或发散。与传统方法相比，它还取得了更高的决定系数，y? 的提升约为 2%。此外，在应用于 NLMPC 时，Binary-STLSQ-MT 识别的模型实现了更优的控制性能，与传统基于 STLSQ 的模型相比，NLMPC 目标函数值降低了约 57%。这些发现表明，所提出的建模方法大大扩展了 SINDy 在实际非线性 MIMO 控制问题中的适用性。