分会场

智能控制与混合动力

摘要

内燃机缸内压力信号所包含的燃烧相关信息最多，且更为直观和准确，所以缸压信号对于柴油机燃烧状态评估是必不可少的。虽然缸压传感器是缸内压力信号最常见的来源，但由于缸压传感器的成本较高且安装较为困难，利用其他信号间接识别缸内压力信息逐渐成为人们研究的主要内容。 基于振动信号的识别方法，实测的振动信号易受到环境的干扰并造成反演过程的严重失真；模态分析法只能定量表征缸内压力的大小，实际缸内压力仍需进一步标定。为实现内燃机的连续和非侵入式缸内压力检测，研究人员现利用瞬时曲轴扭矩反向求解缸压。在利用数学建模法进行缸压重构的研究中，多使用包含曲柄柔性的复杂全动态动力学模型，由于在活塞上止点处曲轴瞬时速度为零，加速度在此处也有极大的误差，因此该方法一直存在上止点的奇点问题。 针对此问题，本文提出一种依靠神经网络填补曲柄模型在上止点处的数据空缺，以提高整体缸压预测精准度的方法。首先，利用中速柴油机在不同工况下的运行参数建立数据集，并将曲轴转速、指示扭矩、曲轴转角、进排气温度等主要参数输入径向基函数神经网络（RBF）。其次，训练后的RBF神经网络可以准确预测在各自工况下缸压上止点处与峰值压力处的曲轴转角和缸压。然后使用Levenberg-Marquardt (LM) 算法，利用瞬时曲轴扭矩、进气参数、径向基函数神经网络预测的燃烧参数等，求解整个工作过程的缸内压力。最后利用GT-Power校核过的中速柴油机模型对该方法进行验证，结果表明重构的缸内压力与实际缸内压力的误差在允许范围内，能够结合进气温度、氧浓度等参数进行缸内燃烧状态的准确评估。

关键词

曲轴瞬时扭矩;缸内压力;径向基函数;反问题;曲轴动力学

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录