發動機神經網絡自適應PID轉速控制

吳笑偉+史雷鳴

摘要：為提高發動機怠速控制的準確性，解決非線性、復雜的系統控制問題，詳細介紹發動機模型建立方法、轉速神經控制的結構和神經網絡的形式，并將神經網絡同PID控制很好的結合起來，以有效解決發動機轉速控制問題。

關鍵詞：發動機；神經網絡自適應PID；設計；轉速控制；神經網絡

中圖分類號：U467.2 文獻標識碼：A 文章編號：1674-1161（2014）01-0030-03

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用于控制系統，解決非線性、復雜的系統控制問題。發動機的轉速控制問題一直是熱點研究課題，特別是發動機的怠速控制更是研究重點。怠速轉速是汽車發動機的主要性能指標之一。目前，雖然在發動機燃油控制方面的研究取得了一定進展，但影響發動機性能的參數相當多，在建模時不可能面面俱到（常會忽略一些不重要的參數，如進氣歧管截面積隨溫度的變化、發動機的磨損情況等），常造成發動機模型不精確，且相對可靠性比較差。對發動機轉速神經控制的結構和神經網絡的形式進行研究，將神經網絡同PID控制相結合，很好地解決了發動機轉速與燃油控制問題，可以使發動機在最優狀態下工作，對節能減排具有重要的現實意義。

1 發動機模型與PID控制

1.1 發動機模型

丹麥技術大學Elbert Hendricks教授提出的發動機模型具有較高精度。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型。

1.1.1 發動機進氣系統動力學子模型 進氣系統動力學描述歧管中空氣的質量變化率，它是流經節氣門的空氣質量流量與流入氣缸的空氣質量流量ap之差：

=1.4RT （at（α）ap-）/V （1）

式中，α是節氣門角度；氣體常數R=0.000 287 m3MPa/K；歧管氣體溫度T=293 K；歧管容積V=0.000 564 m3。

ap=nVDηV（0.096 1p-0.07）/（120RTm） （2）

式中：n為發動機轉速，rpm/1000；p為進氣歧管壓力，MPa；發動機排量Vd=1.275 m3。ηV是發動機的容積效率。

ηV為歧管壓力的函數，可表示為：

ηV=0.952-0.075/p （3）

式中：ap可表示為兩個并行的等嫡物理過程。

1.1.2 發動機曲軸系統動力學子模型 根據能量守恒定律描述發動機中的熱能向機械能的轉換及做功過程。發動機的加速度表達式為：

=Huηi（n，p）f（t-d）/nI-[Pf（n）+PP（n，p）+Pb（n）/nI] （4）

等式右端第一項表示燃油在氣缸內燃燒產生熱能所轉換的機械能，燃油燃燒值Hu=43 000 kJ/kg；標定后的總發動機轉動慣量I=5.264 Kg·m2。等式右端第二項，表示需要克服的負載扭矩Pb、泵氣功率損耗PP和磨擦損失。

1.1.3 發動機油膜子模型 Elbert Hendricks將油膜模型標記為瞬態燃油補償（TFC），如式（5）—（7）所示：

fv=（1-X）fc （5）

ff=（Xfi-mff）/τf （6）

fi=fv+ff （7）

式中：X為燃油沉積系數；Tf為油膜蒸發時間常數。它們隨發動機工況變化，是發動機轉速n（或ω）、進氣岐管壓力Pi、溫度Ti等的非線性函數；fc是按指令噴射的燃油質量流量，分為完全氣化部分fv和油膜蒸發部分ff兩部分：fi是氣缸的總燃油量，為兩部分燃油量之和。

1.2 PID算法

發動機的轉速控制采用可變增益的PID方法，具體控制算法為：

α=Kpε+Ki∫εdt+Kddε/dt （8）

式中：α為節氣門開度；ε為轉速誤差；Kp，Ki，Kd由發動機的工作狀態確定，點火提前角θ和噴油量由其它控制規律或經驗數據給出。若數字微分處理不好，可能會帶來很大的瞬時值，故Kd一般取0。

根據式（8）建立如圖1所示的PID轉速控制框圖。

利用MATLAB中的SIMULINK仿真軟件對上述控制方案的PID調節器參數Kp，Ki，Kd進行優化，結果為：Kp=1～2，Ki=1～2，Kd=0。

為對空燃比進行良好控制，現代汽車一般采用如下的燃油控制方式：

fpc=+KpIy+KiI∫ydt （9）

式中：fpc為進入發動機氣缸所需要的燃油質量流速；ap為進入發動機氣缸的空氣質量流速；y為氧傳感器的輸出；Lh為發動機運行空燃比，汽油車取14.67～14.7；KpI，KiI為控制器增益。

1.3 仿真結果

發動機PID轉速控制計算機仿真的條件如下：仿真軟件為MATLAB6.5/SIMULINK；發動機仿真模型如前所述；發動機干擾信號周期為0.1 s，能量為0.01的噪聲；給定轉速信號采用階躍信號，比較符合實際使用情況；采用一般線性點火提前角規律。PID轉速跟蹤情況見圖2。

從圖2的仿真結果可看出：當發動機負載很低（0.5 kW）或負載不大（5確kW），且設定轉速不高（約21000 rpm）時，PID調節器能正常工作；當發動機輸入有干擾時，PID調節器失調；當發動機負載有擾動時，發動機轉速不平穩。這表明PID調節器只適應于負載小、發動機各種干擾小的轉速控制。仿真結果還表明，PID調節器的轉速跟蹤（負載較大時）效果很差。

2 發動機轉速的神經網絡控制

2.1 發動機轉速的NC設計

對如圖3所示的控制結構進行研究。神經網絡NN2用于建立被控系統的動態模型，并為神經網絡NN1的學習訓練過程提供必要信息。神經網絡NN1根據系統的狀態，不斷調節PID控制器的增益，以達到所規定的最優性能指標。

2.2 發動機轉速NC中的神經網絡

采用如圖4所示的神經網絡結構對發動機系統進行模型識別，其離散時間模型可以表示為：

ym（k+1）=f[y（k），y（k-1），…，y（k-n），u（k-1），u（k-2），

…，u（k-m）] （10）

式中：y為發動機的輸出轉速；u為對發動機的控制（節氣門開度）；ym為模型的輸出；n，m分別為y（k）和u（k）的階次；f為非線性函數。

采用如圖5所示的BP神經網絡結構對NC控制器中的參數（PID中的增益）進行優化。圖5中，E（k）為轉速誤差；P（k）為發動機負載因子；G1—G3為要優化的增益參數。

2.3 仿真結果

仿真條件為：仿真軟件為MATLAB；發動機模型如上所述；參數優化神經網絡中n=2，m1=2，m2=10，i=0～2（PID）；模型辨識神經網絡中選取n=2，m1=2，m2=10，i=0，仿真結果如圖6所示。從仿真結果可以看出，神經網絡自適應PID控制，能有效抑制轉速的超調量，減小轉速在調整過程中的波動。

3 結語

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用到控制系統中，解決非線性、復雜的系統控制問題。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型，對發動機轉速神經控制的結構和神經網絡的形式進行研究，采用神經網絡自適應PID方法對發動機轉速控制進行計算仿真。仿真結果表明，神經網絡自適應PID控制能有效抑制轉速的超調量，減小轉速在調整過程中的波動。

摘要：為提高發動機怠速控制的準確性，解決非線性、復雜的系統控制問題，詳細介紹發動機模型建立方法、轉速神經控制的結構和神經網絡的形式，并將神經網絡同PID控制很好的結合起來，以有效解決發動機轉速控制問題。

關鍵詞：發動機；神經網絡自適應PID；設計；轉速控制；神經網絡

中圖分類號：U467.2 文獻標識碼：A 文章編號：1674-1161（2014）01-0030-03

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用于控制系統，解決非線性、復雜的系統控制問題。發動機的轉速控制問題一直是熱點研究課題，特別是發動機的怠速控制更是研究重點。怠速轉速是汽車發動機的主要性能指標之一。目前，雖然在發動機燃油控制方面的研究取得了一定進展，但影響發動機性能的參數相當多，在建模時不可能面面俱到（常會忽略一些不重要的參數，如進氣歧管截面積隨溫度的變化、發動機的磨損情況等），常造成發動機模型不精確，且相對可靠性比較差。對發動機轉速神經控制的結構和神經網絡的形式進行研究，將神經網絡同PID控制相結合，很好地解決了發動機轉速與燃油控制問題，可以使發動機在最優狀態下工作，對節能減排具有重要的現實意義。

1 發動機模型與PID控制

1.1 發動機模型

丹麥技術大學Elbert Hendricks教授提出的發動機模型具有較高精度。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型。

1.1.1 發動機進氣系統動力學子模型 進氣系統動力學描述歧管中空氣的質量變化率，它是流經節氣門的空氣質量流量與流入氣缸的空氣質量流量ap之差：

=1.4RT （at（α）ap-）/V （1）

式中，α是節氣門角度；氣體常數R=0.000 287 m3MPa/K；歧管氣體溫度T=293 K；歧管容積V=0.000 564 m3。

ap=nVDηV（0.096 1p-0.07）/（120RTm） （2）

式中：n為發動機轉速，rpm/1000；p為進氣歧管壓力，MPa；發動機排量Vd=1.275 m3。ηV是發動機的容積效率。

ηV為歧管壓力的函數，可表示為：

ηV=0.952-0.075/p （3）

式中：ap可表示為兩個并行的等嫡物理過程。

1.1.2 發動機曲軸系統動力學子模型 根據能量守恒定律描述發動機中的熱能向機械能的轉換及做功過程。發動機的加速度表達式為：

=Huηi（n，p）f（t-d）/nI-[Pf（n）+PP（n，p）+Pb（n）/nI] （4）

等式右端第一項表示燃油在氣缸內燃燒產生熱能所轉換的機械能，燃油燃燒值Hu=43 000 kJ/kg；標定后的總發動機轉動慣量I=5.264 Kg·m2。等式右端第二項，表示需要克服的負載扭矩Pb、泵氣功率損耗PP和磨擦損失。

1.1.3 發動機油膜子模型 Elbert Hendricks將油膜模型標記為瞬態燃油補償（TFC），如式（5）—（7）所示：

fv=（1-X）fc （5）

ff=（Xfi-mff）/τf （6）

fi=fv+ff （7）

式中：X為燃油沉積系數；Tf為油膜蒸發時間常數。它們隨發動機工況變化，是發動機轉速n（或ω）、進氣岐管壓力Pi、溫度Ti等的非線性函數；fc是按指令噴射的燃油質量流量，分為完全氣化部分fv和油膜蒸發部分ff兩部分：fi是氣缸的總燃油量，為兩部分燃油量之和。

1.2 PID算法

發動機的轉速控制采用可變增益的PID方法，具體控制算法為：

α=Kpε+Ki∫εdt+Kddε/dt （8）

式中：α為節氣門開度；ε為轉速誤差；Kp，Ki，Kd由發動機的工作狀態確定，點火提前角θ和噴油量由其它控制規律或經驗數據給出。若數字微分處理不好，可能會帶來很大的瞬時值，故Kd一般取0。

根據式（8）建立如圖1所示的PID轉速控制框圖。

利用MATLAB中的SIMULINK仿真軟件對上述控制方案的PID調節器參數Kp，Ki，Kd進行優化，結果為：Kp=1～2，Ki=1～2，Kd=0。

為對空燃比進行良好控制，現代汽車一般采用如下的燃油控制方式：

fpc=+KpIy+KiI∫ydt （9）

式中：fpc為進入發動機氣缸所需要的燃油質量流速；ap為進入發動機氣缸的空氣質量流速；y為氧傳感器的輸出；Lh為發動機運行空燃比，汽油車取14.67～14.7；KpI，KiI為控制器增益。

1.3 仿真結果

發動機PID轉速控制計算機仿真的條件如下：仿真軟件為MATLAB6.5/SIMULINK；發動機仿真模型如前所述；發動機干擾信號周期為0.1 s，能量為0.01的噪聲；給定轉速信號采用階躍信號，比較符合實際使用情況；采用一般線性點火提前角規律。PID轉速跟蹤情況見圖2。

從圖2的仿真結果可看出：當發動機負載很低（0.5 kW）或負載不大（5確kW），且設定轉速不高（約21000 rpm）時，PID調節器能正常工作；當發動機輸入有干擾時，PID調節器失調；當發動機負載有擾動時，發動機轉速不平穩。這表明PID調節器只適應于負載小、發動機各種干擾小的轉速控制。仿真結果還表明，PID調節器的轉速跟蹤（負載較大時）效果很差。

2 發動機轉速的神經網絡控制

2.1 發動機轉速的NC設計

對如圖3所示的控制結構進行研究。神經網絡NN2用于建立被控系統的動態模型，并為神經網絡NN1的學習訓練過程提供必要信息。神經網絡NN1根據系統的狀態，不斷調節PID控制器的增益，以達到所規定的最優性能指標。

2.2 發動機轉速NC中的神經網絡

采用如圖4所示的神經網絡結構對發動機系統進行模型識別，其離散時間模型可以表示為：

ym（k+1）=f[y（k），y（k-1），…，y（k-n），u（k-1），u（k-2），

…，u（k-m）] （10）

式中：y為發動機的輸出轉速；u為對發動機的控制（節氣門開度）；ym為模型的輸出；n，m分別為y（k）和u（k）的階次；f為非線性函數。

采用如圖5所示的BP神經網絡結構對NC控制器中的參數（PID中的增益）進行優化。圖5中，E（k）為轉速誤差；P（k）為發動機負載因子；G1—G3為要優化的增益參數。

2.3 仿真結果

仿真條件為：仿真軟件為MATLAB；發動機模型如上所述；參數優化神經網絡中n=2，m1=2，m2=10，i=0～2（PID）；模型辨識神經網絡中選取n=2，m1=2，m2=10，i=0，仿真結果如圖6所示。從仿真結果可以看出，神經網絡自適應PID控制，能有效抑制轉速的超調量，減小轉速在調整過程中的波動。

3 結語

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用到控制系統中，解決非線性、復雜的系統控制問題。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型，對發動機轉速神經控制的結構和神經網絡的形式進行研究，采用神經網絡自適應PID方法對發動機轉速控制進行計算仿真。仿真結果表明，神經網絡自適應PID控制能有效抑制轉速的超調量，減小轉速在調整過程中的波動。

摘要：為提高發動機怠速控制的準確性，解決非線性、復雜的系統控制問題，詳細介紹發動機模型建立方法、轉速神經控制的結構和神經網絡的形式，并將神經網絡同PID控制很好的結合起來，以有效解決發動機轉速控制問題。

關鍵詞：發動機；神經網絡自適應PID；設計；轉速控制；神經網絡

中圖分類號：U467.2 文獻標識碼：A 文章編號：1674-1161（2014）01-0030-03

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用于控制系統，解決非線性、復雜的系統控制問題。發動機的轉速控制問題一直是熱點研究課題，特別是發動機的怠速控制更是研究重點。怠速轉速是汽車發動機的主要性能指標之一。目前，雖然在發動機燃油控制方面的研究取得了一定進展，但影響發動機性能的參數相當多，在建模時不可能面面俱到（常會忽略一些不重要的參數，如進氣歧管截面積隨溫度的變化、發動機的磨損情況等），常造成發動機模型不精確，且相對可靠性比較差。對發動機轉速神經控制的結構和神經網絡的形式進行研究，將神經網絡同PID控制相結合，很好地解決了發動機轉速與燃油控制問題，可以使發動機在最優狀態下工作，對節能減排具有重要的現實意義。

1 發動機模型與PID控制

1.1 發動機模型

丹麥技術大學Elbert Hendricks教授提出的發動機模型具有較高精度。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型。

1.1.1 發動機進氣系統動力學子模型 進氣系統動力學描述歧管中空氣的質量變化率，它是流經節氣門的空氣質量流量與流入氣缸的空氣質量流量ap之差：

=1.4RT （at（α）ap-）/V （1）

式中，α是節氣門角度；氣體常數R=0.000 287 m3MPa/K；歧管氣體溫度T=293 K；歧管容積V=0.000 564 m3。

ap=nVDηV（0.096 1p-0.07）/（120RTm） （2）

式中：n為發動機轉速，rpm/1000；p為進氣歧管壓力，MPa；發動機排量Vd=1.275 m3。ηV是發動機的容積效率。

ηV為歧管壓力的函數，可表示為：

ηV=0.952-0.075/p （3）

式中：ap可表示為兩個并行的等嫡物理過程。

1.1.2 發動機曲軸系統動力學子模型 根據能量守恒定律描述發動機中的熱能向機械能的轉換及做功過程。發動機的加速度表達式為：

=Huηi（n，p）f（t-d）/nI-[Pf（n）+PP（n，p）+Pb（n）/nI] （4）

等式右端第一項表示燃油在氣缸內燃燒產生熱能所轉換的機械能，燃油燃燒值Hu=43 000 kJ/kg；標定后的總發動機轉動慣量I=5.264 Kg·m2。等式右端第二項，表示需要克服的負載扭矩Pb、泵氣功率損耗PP和磨擦損失。

1.1.3 發動機油膜子模型 Elbert Hendricks將油膜模型標記為瞬態燃油補償（TFC），如式（5）—（7）所示：

fv=（1-X）fc （5）

ff=（Xfi-mff）/τf （6）

fi=fv+ff （7）

式中：X為燃油沉積系數；Tf為油膜蒸發時間常數。它們隨發動機工況變化，是發動機轉速n（或ω）、進氣岐管壓力Pi、溫度Ti等的非線性函數；fc是按指令噴射的燃油質量流量，分為完全氣化部分fv和油膜蒸發部分ff兩部分：fi是氣缸的總燃油量，為兩部分燃油量之和。

1.2 PID算法

發動機的轉速控制采用可變增益的PID方法，具體控制算法為：

α=Kpε+Ki∫εdt+Kddε/dt （8）

式中：α為節氣門開度；ε為轉速誤差；Kp，Ki，Kd由發動機的工作狀態確定，點火提前角θ和噴油量由其它控制規律或經驗數據給出。若數字微分處理不好，可能會帶來很大的瞬時值，故Kd一般取0。

根據式（8）建立如圖1所示的PID轉速控制框圖。

利用MATLAB中的SIMULINK仿真軟件對上述控制方案的PID調節器參數Kp，Ki，Kd進行優化，結果為：Kp=1～2，Ki=1～2，Kd=0。

為對空燃比進行良好控制，現代汽車一般采用如下的燃油控制方式：

fpc=+KpIy+KiI∫ydt （9）

式中：fpc為進入發動機氣缸所需要的燃油質量流速；ap為進入發動機氣缸的空氣質量流速；y為氧傳感器的輸出；Lh為發動機運行空燃比，汽油車取14.67～14.7；KpI，KiI為控制器增益。

1.3 仿真結果

發動機PID轉速控制計算機仿真的條件如下：仿真軟件為MATLAB6.5/SIMULINK；發動機仿真模型如前所述；發動機干擾信號周期為0.1 s，能量為0.01的噪聲；給定轉速信號采用階躍信號，比較符合實際使用情況；采用一般線性點火提前角規律。PID轉速跟蹤情況見圖2。

從圖2的仿真結果可看出：當發動機負載很低（0.5 kW）或負載不大（5確kW），且設定轉速不高（約21000 rpm）時，PID調節器能正常工作；當發動機輸入有干擾時，PID調節器失調；當發動機負載有擾動時，發動機轉速不平穩。這表明PID調節器只適應于負載小、發動機各種干擾小的轉速控制。仿真結果還表明，PID調節器的轉速跟蹤（負載較大時）效果很差。

2 發動機轉速的神經網絡控制

2.1 發動機轉速的NC設計

對如圖3所示的控制結構進行研究。神經網絡NN2用于建立被控系統的動態模型，并為神經網絡NN1的學習訓練過程提供必要信息。神經網絡NN1根據系統的狀態，不斷調節PID控制器的增益，以達到所規定的最優性能指標。

2.2 發動機轉速NC中的神經網絡

采用如圖4所示的神經網絡結構對發動機系統進行模型識別，其離散時間模型可以表示為：

ym（k+1）=f[y（k），y（k-1），…，y（k-n），u（k-1），u（k-2），

…，u（k-m）] （10）

式中：y為發動機的輸出轉速；u為對發動機的控制（節氣門開度）；ym為模型的輸出；n，m分別為y（k）和u（k）的階次；f為非線性函數。

采用如圖5所示的BP神經網絡結構對NC控制器中的參數（PID中的增益）進行優化。圖5中，E（k）為轉速誤差；P（k）為發動機負載因子；G1—G3為要優化的增益參數。

2.3 仿真結果

仿真條件為：仿真軟件為MATLAB；發動機模型如上所述；參數優化神經網絡中n=2，m1=2，m2=10，i=0～2（PID）；模型辨識神經網絡中選取n=2，m1=2，m2=10，i=0，仿真結果如圖6所示。從仿真結果可以看出，神經網絡自適應PID控制，能有效抑制轉速的超調量，減小轉速在調整過程中的波動。

3 結語

發動機是一個典型的非線性、時滯、時變系統。智能控制能夠將人類的智慧應用到控制系統中，解決非線性、復雜的系統控制問題。參照Elbert Hendricks發動機模型建立發動機進氣系統動力學、曲軸動力學和油膜子模型，對發動機轉速神經控制的結構和神經網絡的形式進行研究，采用神經網絡自適應PID方法對發動機轉速控制進行計算仿真。仿真結果表明，神經網絡自適應PID控制能有效抑制轉速的超調量，減小轉速在調整過程中的波動。