孫宏杰，彭溢文，荊家樂，黃棟杰

（1.長安大學汽車學院，陜西 西安 710064；2.中國鐵路廣州局集團有限公司廣州職工培訓基地培訓科，廣東 廣州 510800）

引言

隨著日益嚴苛的排放法規(guī)和傳統化石燃料的短缺，均質壓燃（HCCI）這種高效清潔的內燃機燃燒方式開始受到研究人員的重視。HCCI發(fā)動機的燃燒過程屬于低溫均質燃燒，因此能夠同時降低PM和NOx的排放，并且實現較高的熱效率，但隨之也帶來了燃燒相位控制困難和負荷范圍窄的問題。人工神經網絡就提供了一種精確預測HCCI發(fā)動機各項參數的方法，該模型是基于實驗的預測模型不需要考慮復雜的缸內燃燒過程，這為HCCI發(fā)動機實時在線控制提供了潛在的解決方案。本文主要介紹人工神經網絡在HCCI發(fā)動機上的應用研究。

1 人工神經網絡在HCCI發(fā)動機上的應用

1.1 HCCI發(fā)動機運轉特性和排放特性預測

HCCI發(fā)動機的運轉特性和排放特性受進氣溫度、進氣壓力、燃料類型、EGR率、負荷、轉速等的多重影響，這些影響因素與發(fā)動機輸出參數大多都存在著很強的非線性關系。由于人工神經網絡具有高度的非線性，因此能夠精確地模擬發(fā)動機輸入和輸出之間的關系，近些年有大量研究人員在這方面作出了努力。Javad R[1]等人將燃料的混合比例和過量空氣系數作為輸入參數，分別構建徑向基神經網絡和前饋神經網絡來預測HCCI發(fā)動機的輸出參數，通過實驗數據驗證發(fā)現兩種模型對參數預測的平均誤差都低于 4%。Harisan-kar B[2]等人則將進氣溫度和負荷作為輸入構建了一個廣義回歸神經網絡來預測HCCI發(fā)動機的輸出參數，并利用網格搜索法優(yōu)化模型參數。隨后Harisankar B[3]還設計了一個廣義回歸神經網絡和粒子群優(yōu)化的混合模型，利用粒子群優(yōu)化算法來優(yōu)化HCCI發(fā)動機的進氣溫度、負荷和EGR率。

1.2 HCCI發(fā)動機失火檢測

失火是制約HCCI發(fā)動機向低負荷拓展的重要因素，對于SI/HCCI復合發(fā)動機而言失火檢測的精確度會直接影響到燃燒模式切換的質量。HCCI發(fā)動機的失火主要是由不穩(wěn)定燃燒造成的，一旦發(fā)動機失火就會造成未燃燒的燃料進入尾氣后處理系統中對催化劑進行冷卻，當催化劑的活性降低后會顯著增加HC和CO的排放量，因此HCCI發(fā)動機的失火檢測至關重要。Bahram B[4]等人通過大量實驗驗證發(fā)現上止點前5、10、15和20°CA處的缸內壓力是決定發(fā)動機失火的關鍵因素，經驗證發(fā)現利用神經網絡將這些壓力作為輸入來預測發(fā)動機失火的精確度可以達到100%。

1.3 HCCI發(fā)動機燃燒初始時刻預測

燃燒初始時刻對內燃機燃燒過程起著主導作用，點燃式內燃機由火花塞點火來控制燃燒初始時刻，壓燃式內燃機則由噴油時刻來間接控制燃燒初始時刻，而HCCI發(fā)動機屬于均質壓燃，燃燒初始時刻由化學反應動力學控制，進氣溫度、壓力以及燃料特性都會影響到燃燒初始時刻。M.Taghavi[5]等人將發(fā)動機轉速、進氣溫度、壓力、當量比、辛烷值和EGR率作為輸入，通過構建神經網絡來預測燃燒初始時刻，并利用遺傳算法對神經網絡的結構參數進行優(yōu)化，不僅提高了預測精度還降低了計算成本。而Y. Choi[6]等人則通過燃燒初始時刻的半經驗模型和人工神經網絡進行耦合建立了一個全新的燃燒初始時刻預測模型，該預測模型的平均CPU計算時間在20 - 30毫秒，具有應用于HCCI發(fā)動機燃燒實時動態(tài)控制的潛力。

1.4 HCCI發(fā)動機實時控制

在HCCI發(fā)動機的實際應用中，為了確保HCCI發(fā)動機的穩(wěn)定運轉，往往需要增加一些發(fā)動機輔助控制設計，即廢氣再循環(huán)、可變氣門正時、進氣加熱以及可控供油系統等。這些復雜的發(fā)動機設計會增加HCCI發(fā)動機的復雜性，使得HCCI發(fā)動機的控制成本上升。先前的研究主要關注于在離線狀態(tài)下利用實驗數據來訓練神經網絡對HCCI發(fā)動機的運轉參數進行預測，然而這需要大量的實驗數據，對計算機的處理能力要求高，計算成本大；另一方面不同發(fā)動機最佳運轉工況點都不同，這就會造成一些訓練效果很好的神經網絡很難應用到其他的發(fā)動機上去。此外，實現發(fā)動機工作過程中參數的實時預測對模型的計算速度和數據的更新迭代能力也有苛刻的要求。Vijay M J[7]等人結合HCCI發(fā)動機線上實時控制的特點開發(fā)了一個基于隨機梯度的極限學習機的穩(wěn)定在線學習算法（SG-ELM），通過該算法能夠對一臺HCCI發(fā)動機進行在線的回歸學習同時檢測該發(fā)動機的動態(tài)運轉邊界。SG-ELM算法不僅保證了學習的穩(wěn)定性，而且降低了計算量，有望未來應用到發(fā)動機的實時在線控制中。

2 結論

HCCI發(fā)動機的穩(wěn)定運轉受到多種因素的干擾，因此對HCCI發(fā)動機輸出參數的預測相對更難，與其他預測模型相比，經過訓練的人工神經網絡對HCCI發(fā)動機輸出參數的預測能夠達到很高的預測精度，可以作為發(fā)動機仿真試驗平臺；另一方面，由于人工神經網絡是基于實驗的一種預測模型，不需要考慮缸內燃燒過程，往往具有很高的預測速度，這有利于HCCI發(fā)動機的實時在線控制調整。

綜上所述，隨著人工智能算法地進一步發(fā)展，人工神經網絡在 HCCI發(fā)動機上的應用會越來越受到科研人員的重視，這也為HCCI發(fā)動機實現實時精確控制提供了可供參考的方向，相信在眾多研究工作者的努力下，HCCI發(fā)動機的商用化指日可待。