重型柴油機ECU控制策略顆粒排放雙模協同監控研究

2025-04-26 00:00:00黃令宇高慶徐文凱

專用汽車 2025年4期

摘要：針對重型柴油機顆粒物（PM）排放后處理系統對物理傳感器的依賴問題，提出一種基于壓差模型與原排模型的雙模型協同控制策略。通過構建排氣背壓差與原始排放的數學模型，結合ECU實時數據融合算法，實現顆粒物濃度的動態預測與監控。實驗表明，該策略在穩態和瞬態工況下可替代PM傳感器的功能，滿足國六排放法規要求，同時降低后處理系統成本與維護復雜度。

關鍵詞：柴油機；顆粒物濃度預測；雙模型監控

中圖分類號：U461" " " "收稿日期：2025-02-25" " " " DOI：10.19999/j.cnki.1004-0226.2025.04.013

?Research on Dual-Model Cooperative Monitoring of Particulate Emissions in Heavy-Duty Diesel Engine ECU Control Strategies

Huang Lingyu" Gao Qingwen" Xu Wenkai

Jiangling Motors Co.Ltd.，Nancahng 330200，China

Abstract：To address the dependency of heavy-duty diesel engine particulate matter （PM） emission after-treatment systems on physical sensors， this paper proposes a dual-model collaborative control strategy based on a pressure differential model and an original emission model. By establishing mathematical models for exhaust backpressure differential and raw emissions， combined with an ECU real-time data fusion algorithm， dynamic prediction and monitoring of particulate matter concentration are achieved. Experimental results demonstrate that this strategy can replace the functionality of PM sensors under both steady-state and transient operating conditions， meeting China VI emission regulations while reducing the cost and maintenance complexity of after-treatment systems.

Key words：Diesel engines；Particulate matter concentration prediction；Dual-model monitoring

1 前言

1.1 研究背景

隨著我國排放法規日趨嚴格，商用車行業競爭形勢嚴峻，提升產品的競爭力迫在眉睫。如何通過關鍵技術創新驅動降本增效，已經成為產品研發戰略的重中之重［1-2］。當前，PM傳感器的替代方案是重型柴油機研究重點方向之一。

a.PM傳感器的局限性：傳統柴油機后處理系統依賴PM傳感器實現顆粒物濃度監測，但存在成本高、易受污染、低溫失效等問題［3］。

b.法規與成本驅動：國六排放標準對PM實時監測提出嚴格要求，而取消物理傳感器可降低整車企業生產成本［4］。

c.模型替代的可行性：通過ECU內部算法構建軟測量模型，已成為汽車電子領域的研究熱點。

1.2 研究目標

汽車行業中，重型柴油車國六顆粒物排放監控主流技術路線是通過PM傳感器實現的。此技術路線優勢在于發動機需要達成的顆粒原機排放要求低，故障件與正常件顆粒捕捉器（DPF）的顆粒物排放監測區分度明顯，劣勢則在于后處理系統復雜和成本過高［7-8］。本文旨在構建壓差模型與原排模型的雙模型協同策略，達成顆粒物排放濃度的OBD監控要求，實現后處理系統簡化和成本的顯著降低。

2 雙模型構建方法

2.1 壓差模型構建

2.1.1 理論基礎

2.1.2 模型實現

2.2 原排模型構建

2.2.1 排放預測模型

2.2.2 數據驅動優化

采用BP神經網絡對臺架試驗數據進行訓練，建立多工況下的排放預測數據庫。具體如下：

a.數據治理與特征工程，整合臺架試驗的工況參數、排放物數據及環境參數。基于時間戳同步傳感器數據與排放分析儀數據，采用插值法補償采樣率差異。

b.數據增強與降噪，通過拉丁超立方采樣設計補充實驗，填補原始數據中稀疏工況區域。應用小波閾值去噪處理傳感器信號，保留工況瞬態特征。異常值檢測：基于孤立森林算法識別并剔除異常工況片段。

c.網絡架構設計與優化，根據特征重要性分析，動態選擇關鍵輸入變量。采用漸進式增長策略，初始為單隱層，逐步增加至雙隱層，通過貝葉斯優化確定最佳拓撲。隱層使用Leaky ReLU，輸出層采用歸一化輸出。

d.正則化策略，在隱層間插入Dropout，動態稀疏化網絡以提升泛化能力。損失函數中引入權重衰減項，約束復雜工況下的過擬合風險。

e.訓練策略與超參數調優，采用Nadam優化器，初始學習率10-3，配合ReduceLROnPlateau動態調整。實施漸進式批量縮放，兼顧初期收斂速度與后期穩定性。

f.交叉驗證框架，按工況類別分層劃分數據，確保各類工況分布一致。監控驗證集損失，容忍度設為10epoch，保留最佳權重快照。

g.模型驗證與可解釋性增強，計算MAE、RMSE、R2，重點關注高排放區段的預測精度。構建極端工況測試集，驗證模型外推能力。

h.可解釋性技術，通過局部加權回歸量化輸入變量對排放預測的邊際貢獻。全局解釋不同工況下關鍵參數對排放的影響趨勢。

i.預測數據庫構建與部署，采用PostgreSQL時序擴展，按工況模式分區存儲預測數據。預計算典型工況區間的排放均值、峰值及統計分布，支持快速多維查詢。

j.提供在線預測服務，通過知識蒸餾訓練小型網絡，滿足嵌入式系統實時推理需求。基于FastAPI發布RESTful服務，輸入工況參數JSON，返回排放預測值及置信區間。

k.持續學習與系統迭代，設計彈性權重固化模塊，利用新臺架試驗數據微調模型，避免災難性遺忘。基于KS檢驗監控輸入數據分布偏移，觸發模型再訓練流程。

3 雙模型協同控制策略

3.1 模型融合架構

a.數據層：ECU通過實時采集發動機的詳細運行參數，同時，監測后處理系統的關鍵狀態。

b.決策層。

①壓差模型提供DPF碳載量估計值：建立基于物理原理的壓差與DPF碳載量之間的數學模型，考慮DPF的結構參數、氣流特性等因素。

②原排模型預測PM原始排放量：基于發動機燃燒理論和排放特性，建立PM原始排放量的預測模型。

③反饋修正：基于卡爾曼濾波算法實現雙模型輸出值的動態加權融合，將壓差模型輸出的碳載量估計值作為測量值，原排模型輸出的PM排放量預測值作為預測值，構建卡爾曼濾波的狀態空間模型。

3.2 控制邏輯設計

4 實驗驗證與結果分析

4.1 臺架試驗設計

設備：重型柴油機臺架（滿足ISO 8178標準）。

工況：涵蓋WHTC循環及整車實際道路等場景。

4.2 性能對比

a.DPF故障件效率監控表現。

在發動機碳顆粒排放值相同的條件下，低效率故障件DPF累碳量遠低于正常件累碳量的物理特性，通過雙模法（原排模型/流阻模型）在原排模型計算的碳載相對增加量達到診斷觸發限值時，觸發判斷流阻模型計算的碳載相對增加量是否達到限值要求，未到達限值要求則診斷報錯。在排放水平滿足DOC后PM≤40 mg/（kW·h）且匹配高精度壓差傳感器（±5 hPa）的條件下，通過雙模法監控可實現對DPF效率的有效監控，并滿足國六OBD法規要求，如圖1所示。

b.DPF正常件和故障件全場景工況效率監控表現。

整車上分別使用DPF正常件和故障件在平原、高原、高寒環境驗證雙模法監控，試驗結果顯示DPF故障件與正常件壓差分布區分度明顯（圖2），滿足法規對DPF效率監控的診斷要求，且沒有出現誤報錯的情況。

5 結語

a.雙模型協同控制策略應用于重型柴油國六商用車后處理系統中可實現模型替代PM傳感器硬件，實現整車后處理系統成本下降11%，模型監控精度達成國六排放OBD法規要求。

b.未來可結合數字孿生技術實現模型參數的在線自學習，進一步提高模型精度，實現自適應顆粒排放監控。

參考文獻：

[1]唐蛟，李國祥，王志堅，等.DPF碳載量模型的建立及試驗[J].內燃機學報，2015（1）：51-57.

[2]于津濤，周濤，張凡.重型國六排放標準中OBD主要變化及驗證[J].小型內燃機與摩托車，2019，48（3）：43-47.

[3]孟忠偉，譚杰，方嘉，等.DPF再生時出口氣體和顆粒排放特性的試驗[J].內燃機學報，2021（3）：257-264.

[4]王忠，張啟霞，劉帥，等.柴油機排氣顆粒吸附行為及微觀特征[J].內燃機學報，2022（5）：440-446.

[5]陳昊天，王玥，曹晶，等.基于粒子群算法的增壓柴油機神經網絡模型[J].車用發動機，2021（3）：1-7.

[6]劉海報，詹坤.一種基于PM傳感器監控柴油機DPF性能的控制策略[J].汽車博覽，2021（5）：71-71.