基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)及其優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及氫燃料發(fā)動機點火提前角優(yōu)化技術(shù)領(lǐng)域，尤其涉及一種基于粒子群模 糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)及其優(yōu)化方法。
【背景技術(shù)】
[0002] 在生態(tài)環(huán)境逐步惡化的今天，傳統(tǒng)能源和資源逐漸短缺。據(jù)統(tǒng)計，截止到2012年， 汽車用汽柴油消費占全國汽柴油消費的比例已經(jīng)達到了 55%左右，每年新增石油消費量 的70%以上被新增汽車所消耗。而我國原油進口依賴度已經(jīng)高達59. 6%。按每年平均新 增2000萬輛車的速度，原油進口依賴度將超過70%。隨著人類社會不斷發(fā)展的需要，人們 迫切地希望能夠?qū)ふ业揭环N清潔、可再生的替代能源以減少化石燃料的消耗和污染物的排 放，進而改善我們賴以生存的環(huán)境。為了能尋找到化石燃料的合適替代燃料，人們展開了深 入的研究，其中，氫氣作為一種清潔、可再生的新能源，其熱值高，排放少（僅NOx)，為解決 能源危機提供了一種十分理想的方案。然而，相比于普通汽車發(fā)動機燃料，氫氣在燃燒過程 中火焰?zhèn)鞑ニ俣瓤?、著火界限寬廣，導致氫內(nèi)燃機容易出現(xiàn)早然、回火等異常燃燒現(xiàn)象，直 接影響到了氫內(nèi)燃機的性能和排放。
[0003] 發(fā)動機點火提前角對發(fā)動機動力性，經(jīng)濟性，排放，燃燒過程均存在較大影響，優(yōu) 化控制氫燃料發(fā)動機的點火提前角，是改善發(fā)動機性能和異常燃燒的關(guān)鍵技術(shù)，也是目前 研究的重點方向。傳統(tǒng)的方法是根據(jù)發(fā)動機負荷和轉(zhuǎn)速對點火提前角進行控制，通過大量 的發(fā)動機試驗測取隨不同工況（轉(zhuǎn)速，負荷）點的符合優(yōu)化思想的最佳點火提前角參數(shù)數(shù) 據(jù)，并把這些數(shù)據(jù)存入ECU的ROM中，在發(fā)動機實際運轉(zhuǎn)過程中，ECU根據(jù)負荷和轉(zhuǎn)速傳感 器提供的信息從ROM中調(diào)出最佳點火提前角數(shù)據(jù)，然后再利用程序進行適當?shù)男拚拚?后的數(shù)據(jù)傳遞給執(zhí)行器，控制發(fā)動機運行。但其控制規(guī)律需要預(yù)先做大量的發(fā)動機試驗來 標定，工作量浩繁，且不可能將所有的工況考慮在內(nèi)。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提出了一種基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃 料發(fā)動機點火提前角優(yōu)化系統(tǒng)及其優(yōu)化方法，能夠精確、快速地實現(xiàn)氫燃料發(fā)動機最佳點 火提前角的標定工作，極大程度減小人工標定的工作量，對于氫燃料發(fā)動機的試驗研究具 有十分現(xiàn)實的意義。
[0005] 本發(fā)明采用以下技術(shù)方案：一種基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火 提前角優(yōu)化系統(tǒng)，包含主機系統(tǒng)、燃料/空氣供給系統(tǒng)、接口單元、電控系統(tǒng)、信號采集單元 及測試系統(tǒng)，主機系統(tǒng)包含粒子群算法處理模塊，燃料/空氣供給系統(tǒng)、信號采集單元、測 試系統(tǒng)分別通過接口單元與電控系統(tǒng)相通訊，主機系統(tǒng)通過接口單元與電控系統(tǒng)相信號連 接。
[0006] 上述的，所述信號采集單元包含轉(zhuǎn)速信號傳感器、節(jié)氣門信號傳感器、空氣流量信 號傳感器、氫氣流量信號傳感器及爆燃信號傳感器。
[0007] 優(yōu)選的，測試系統(tǒng)將接收到的信號采集單元數(shù)據(jù)，經(jīng)過信號調(diào)理電路進行數(shù)據(jù)處 理后，傳輸至主機系統(tǒng)。
[0008] -種基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化方法，是以上述的 基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)為基礎(chǔ)的優(yōu)化方法，其具體 包括如下步驟：
[0009] 步驟1.根據(jù)發(fā)動機試驗測試系統(tǒng)，選定不同工況進行試驗，得到相應(yīng)的最佳點火 提前角，作為標定數(shù)據(jù)，選定標定數(shù)據(jù)中部分數(shù)據(jù)為用于優(yōu)化的數(shù)據(jù)，另一部分為用于測試 驗證的數(shù)據(jù)；
[0010] 步驟2.根據(jù)基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)，建 立模糊神經(jīng)網(wǎng)絡(luò)，初定模糊神經(jīng)網(wǎng)絡(luò)，及轉(zhuǎn)速、負荷、冷卻水溫度、進氣管壓力的參數(shù)；
[0011] 步驟3.根據(jù)步驟1中選定的用于優(yōu)化的數(shù)據(jù)設(shè)定粒子群算法參數(shù)，粒子群算法參 數(shù)包含微粒群規(guī)模Z、慣性權(quán)重常數(shù)w、迭代終止次數(shù)、最大速度Vmax、最大位置Xmax和訓練 樣本數(shù)目；
[0012] 步驟4.利用粒子群算法對模糊神經(jīng)網(wǎng)絡(luò)進行參數(shù)優(yōu)化，將模糊神經(jīng)網(wǎng)絡(luò)中的所 有神經(jīng)元間的連接權(quán)值編碼成實數(shù)碼串表示的個體，并利用粒子群算法的優(yōu)化結(jié)果輸出作 為模糊神經(jīng)網(wǎng)絡(luò)的最佳連接權(quán)值參數(shù)，根據(jù)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的 氫燃料發(fā)動機點火提前角的優(yōu)化模型；
[0013] 步驟5.根據(jù)步驟4構(gòu)建的優(yōu)化模型，結(jié)合用于優(yōu)化的數(shù)據(jù)，利用優(yōu)化模型的自學 習功能進行仿真訓練，直至滿足迭代終止次數(shù)為止，確定模糊神經(jīng)網(wǎng)絡(luò)內(nèi)部的最佳連接權(quán) 值，并對優(yōu)化效果通過均方誤差適應(yīng)度函數(shù)進行量化評價；
[0014] 步驟6.根據(jù)步驟5中的仿真訓練結(jié)果對步驟4構(gòu)建的優(yōu)化模型的粒子群參數(shù)進 行修正，通過均方誤差適應(yīng)度函數(shù)的收斂速度及進度來評判參數(shù)的優(yōu)劣；
[0015] 步驟7.利用其中用于測試驗證的數(shù)據(jù)對仿真訓練結(jié)果進行測試、驗證、評價，將 用于測試驗證的數(shù)據(jù)導入已經(jīng)訓練完成的優(yōu)化模型中進行測試，通過相對誤差與絕對誤差 對其進行評價，來驗證該優(yōu)化模型的優(yōu)劣并得到優(yōu)化完成后的系統(tǒng)模型；
[0016] 步驟8.利用優(yōu)化完成后的系統(tǒng)模型，并結(jié)合實際情況進行發(fā)動機點火提前角的 預(yù)測、優(yōu)化。
[0017] 所述步驟2中的模糊神經(jīng)網(wǎng)絡(luò)包含輸入層、模糊化層、去模糊化層和輸出層，輸入 層包含η個輸入節(jié)點，輸出層包含一個輸出節(jié)點。
[0018] 上述的優(yōu)化方法，所述步驟5具體包含如下步驟：
[0019] 步驟5. 1.初始化微粒群，根據(jù)微粒群規(guī)模Ζ，按照個體結(jié)構(gòu)隨機產(chǎn)生個體微粒組 成種群，其中，不同的個體代表神經(jīng)網(wǎng)絡(luò)的一組不同權(quán)值，隨機初始化種群的初始位置X，初 始速度V，個體最優(yōu)pBest和全局最優(yōu)gBest ;
[0020] 步驟5. 2.組建模糊神經(jīng)網(wǎng)絡(luò)，將微粒群中每一個體的分量映射為模糊神經(jīng)網(wǎng)絡(luò) 中的權(quán)值，設(shè)置慣性權(quán)重常數(shù)w，非負常數(shù)cl和c2,構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，模糊神經(jīng)網(wǎng)絡(luò)輸出 層包含一個輸出節(jié)點，其輸出為
其中《,為去模糊化層第j個節(jié)點與輸出層 之間的鏈接權(quán)值，〇/3)為去模糊化層的輸出，〇/3)是模糊化層和去模糊化層之間、輸入層與 模糊化層之間的所有鏈接權(quán)值的函數(shù)；
[0021] 步驟5. 3.隨機抽取用于優(yōu)化的數(shù)據(jù)作為訓練樣本；
[0022] 步驟5. 4.由均方誤差適應(yīng)度函數(shù)計算每個個體微粒的適應(yīng)度值，計算每個模糊
神經(jīng)網(wǎng)絡(luò)在訓練集上產(chǎn)生的均方誤差 作為優(yōu)化目標函數(shù)，由步驟5. 2知 均方誤差適應(yīng)度函數(shù)的目標優(yōu)化函數(shù) ，是模糊神經(jīng)網(wǎng)絡(luò)各層之間所有鏈 十.1=1 接權(quán)值的函數(shù)，其中，Y1是模糊神經(jīng)網(wǎng)絡(luò)預(yù)測輸出，y是實際輸出，K為測試樣本集數(shù)目，對 鏈接權(quán)值的優(yōu)化過程就是對均方誤差適應(yīng)度函數(shù)求最小值的收斂過程，所求得的鏈接權(quán)值 可以使網(wǎng)絡(luò)的輸出值與實際標定點火提前角之間的誤差最小，即均方誤差最??；
[0023] 步驟5. 5.判斷個體微粒是否滿足迭代終止次數(shù)，如果是，進入步驟5. 7,否則，進 入步驟5. 6繼續(xù)迭代；
[0024] 步驟5. 6.更新個體微粒速度和位置，速度更新公式如下：
位置更新公式如下： ^^2為（0, 1)之間的隨機數(shù)，k為迭代次數(shù)；并 更新個體最優(yōu)pBest和全局最優(yōu)gBest，將當前值與個體最優(yōu)pBest相比較，如果當前值小 于pBest，則將當前值賦予pBest，否則，不進行賦值；將當前值與全局最優(yōu)gBest進行比較， 若當前值小于gBest，則將當前值賦予gBest，否則，不進行賦值；
[0025] 步驟5. 7.判斷是否還有剩余用于優(yōu)化數(shù)據(jù)，如果有，則轉(zhuǎn)入步驟5. 3,否則，輸出 全局最優(yōu)作為優(yōu)化結(jié)果。
[0026] 優(yōu)選的，個體微粒位置限制區(qū)間為[_X_，X_]，個體微粒速度限制區(qū)間為
[Vmax，Vmax]。
[0027] 本發(fā)明基于粒子群模糊神經(jīng)網(wǎng)絡(luò)的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)及其優(yōu)化 方法的有益效果：
[0028] 1.本發(fā)明根據(jù)模糊神經(jīng)網(wǎng)絡(luò)處理非線性數(shù)據(jù)和自學習的