基于l?m神經網絡的氫內燃機點火正時標定優(yōu)化系統(tǒng)及其優(yōu)化方法
【專利摘要】本發(fā)明涉及一種基于L?M神經網絡的氫內燃機點火正時標定優(yōu)化系統(tǒng)及其優(yōu)化方法，該系統(tǒng)包含數據采集模塊、信號調理模塊、控制單元、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單元、接口電路及監(jiān)控模塊，控制單元包含數據處理單元及點火正時優(yōu)化控制模塊，數據處理單元根據控制單元接收到的各個工況參數，利用L?M尋優(yōu)算法進行神經網絡優(yōu)化訓練，得到當前工況的最佳點火正時，并將其傳輸至點火正時優(yōu)化控制模塊，點火正時優(yōu)化控制模塊將接收到的最佳點火正時輸出給點火執(zhí)行器。本發(fā)明利用基于L?M神經網絡準確、快速地進行氫內燃機全工況優(yōu)化控制，點火正時標定誤差小、速度快，能夠達到理想的預測效果，對于氫內燃機試驗研究具有十分重要的意義。
【專利說明】
基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)及其優(yōu) 化方法
技術領域
[0001] 本發(fā)明設及氨燃料發(fā)動機點火正時優(yōu)化技術領域，尤其設及一種基于L-M神經網 絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)及其優(yōu)化方法。
【背景技術】
[0002] 近年來我國汽車工業(yè)呈現一片繁榮景象，據中國汽車工業(yè)協會最新統(tǒng)計，2015年 我國汽車產銷量超過2450萬輛，創(chuàng)全球歷史新高。連續(xù)7年贈聯全球第一，產銷量比上年分 別增長3.3%和4.7%，總體呈現平穩(wěn)增長態(tài)勢。汽車工業(yè)的快速發(fā)展使得環(huán)境問題更加凸 顯。在生態(tài)環(huán)境逐步惡化、能源逐漸短缺的今天，保護環(huán)境、節(jié)能減排已成為經濟社會可持 續(xù)發(fā)展的必經之路。近年來我國大面積出現的霧靈天氣也促使人們加快新能源技術的開發(fā) 與利用，新能源汽車W其突出的優(yōu)勢正在走向歷史舞臺。
[0003] 氨能W其排放低、可再生、熱值高等突出優(yōu)勢得到了各國研究人員的青睞，由于氨 燃料電池發(fā)動機技術尚不成熟、生產成本過高，氨能作為內燃機燃料在今后很長一段時間 內都將作為氨燃料電池發(fā)動機的過渡產品。目前熱口的電動車技術，也存在如充電粧不足、 充電速度慢、成本高等諸多難題，且電能往往也來源于化石燃料的燃燒供電，因此電動汽車 并非真正"節(jié)能減排"，只是廢氣排放的"搬家"。隨著制氨、儲氨技術的不斷升級進步，氨內 燃機必將在新能源汽車領域發(fā)揮其越來越突出的作用。氨氣相對于傳統(tǒng)內燃機燃料，有著 燃燒速度快、著火界限寬廣等特性，在內燃機上燃燒時易發(fā)生早燃和進氣道回火等非正常 燃燒現象，嚴重時使發(fā)動機停止運轉。針對發(fā)動機不同工況，優(yōu)化控制其點火系統(tǒng)，能夠改 善發(fā)動機運行，很大程度上避免異常燃燒現象，也是目前各國研究人員著力于突破的技術 難點。優(yōu)化氨內燃機點火正時，往往需要做大量的實驗標定工作，在每一個不同的工況經多 次測試得到最佳點火正時，因此當需要考慮的工況參數(如轉速、負荷、冷卻水溫度等)較多 或需提高控制精度時，實驗工作量將非常浩繁。

【發(fā)明內容】

[0004] 為了克服現有技術中的不足，本發(fā)明提出一種基于L-M神經網絡的氨內燃機點火 正時標定優(yōu)化系統(tǒng)及其優(yōu)化方法，能夠精確、快速地進行氨內燃機全工況優(yōu)化控制，確保氨 內燃機的正常運轉，對于氨燃料發(fā)動機的試驗研究具有十分重要的意義。
[0005] 本發(fā)明采用W下技術方案:一種基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化 系統(tǒng)，包含數據采集模塊、信號調理模塊、控制單元、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單 元、接口電路及監(jiān)控模塊，數據采集模塊采集各個工況參數，并將采集的工況參數傳輸至信 號調理模塊，信號調理模塊、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單元、監(jiān)控模塊分別通過 接口電路與控制單元相信號連接，控制單元包含數據處理單元及點火正時優(yōu)化控制模塊， 數據處理單元根據控制單元接收到的各個工況參數，利用L-M尋優(yōu)算法進行神經網絡優(yōu)化 訓練，得到當前工況的最佳點火正時，并將其傳輸至點火正時優(yōu)化控制模塊，點火正時優(yōu)化 控制模塊將接收到的最佳點火正時輸出給點火執(zhí)行器。
[0006] 上述的，數據采集模塊包含空氣流量傳感器、進氣管壓力傳感器、節(jié)氣口開度傳感 器、氣缸壓力傳感器、爆燃傳感器、冷卻水溫傳感器、氨氣流量傳感器、氨氣壓力傳感器、曲 軸相位與轉速傳感器，各個傳感器采集相應工況參數，并傳輸至信號調理模塊。
[0007] 上述的，數據處理單元根據標定試驗所獲數據作為L-M尋優(yōu)算法的訓練樣本和測 試樣本，建立神經網絡結構模型，將工況參數作為神經網絡結構模型的輸入向量，將點火正 時作為神經網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練該模型的權值和闊值，W達到輸 出值與真實值的均方誤差最小化，得到當前工況的最佳點火正時，其中，標定試驗所獲數據 是指選取部分工況下的工況參數進行點火正時標定試驗，根據內燃機綜合評價指標選取當 前工況最佳點火正時的數據。
[000引一種基于L-M神經網絡的氨內燃機點火正時標定的優(yōu)化方法，是W上述的基于L-M 神經網絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)為基礎的優(yōu)化方法，其具體包括如下步驟：
[0009] 步驟1.進行氨內燃機點火正時標定試驗，選取不同工況下的工況參數，對不同工 況進行試驗，得到相應工況的最佳點火提前角，作為標定數據，選定標定數據中部分數據作 為訓練樣本，另一部分作為測試樣本；
[0010] 步驟2.建立點火正時優(yōu)化模型，首先建立神經網絡結構模型，包含輸入層、隱含層 和輸出層，將內燃機各個工況參數作為神經網絡結構模型輸入向量，將點火正時作為神經 網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練神經網絡結構模型的權值和闊值，W達到其 輸出值與真實值的均方誤差最小化；
[0011] 步驟3.設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數，設定輸入層神 經元個數η，隱含層神經元個數q，輸出層數值，各層神經元之間的傳遞函數，初始化神經網 絡結構模型的權值和闊值向量W、最大迭代次數E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數Ak、樣本數量Κ;
[0012] 步驟4.利用L-M尋優(yōu)算法訓練神經網絡結構模型，根據步驟3中的初始參數進行神 經網絡結構模型的權值和闊值優(yōu)化訓練，通過輸出值與實際樣本值的均方誤差的收斂速度 及精度評判訓練過程，直至滿足預定迭代條件為止；
[0013] 步驟5.利用測試樣本進行神經網絡結構模型誤差測試，利用絕對誤差和相對誤差 進行測試樣本評判，若滿足允許誤差精度ε，則跳轉至步驟7，否則，執(zhí)行步驟6;
[0014] 步驟6.根據步驟5的誤差測試評判結果修正神經網絡結構模型和L-M尋優(yōu)算法的 初始參數，包含修正神經元個數q，各層神經元之間的傳遞函數，最大迭代次數Ε，允許誤差 精度ε，初始控制參數Ak，并跳轉至步驟4執(zhí)行；
[0015] 步驟7.確定神經網絡結構模型參數及權值闊值，利用優(yōu)化后的神經網絡結構模型 進行內燃機全工況點火正時預測標定，控制單元將標定結果傳遞給點火執(zhí)行器W進行點火 正時優(yōu)化控制。
[0016] 步驟3中設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數包含設定隱含 層神經元個數q由輸入層神經元個數η決定，輸出層數值設定為1，各層神經元之間的傳遞函 數選擇sigmoid函數，最大迭代次數Ε = 100，允許誤差精度ε = 10-3，樣本數量Κ = 84。
[0017] 上述的優(yōu)化方法，步驟4具體包含如下內容：
[0018] 步驟4.1.抽取訓練樣本并輸入到神經網絡結構模型中；
[0019] 步驟4.2.計算神經網絡結構模型輸出值，并將輸出值與實際樣本值進行比較，根 據公式
計算訓練樣本的均方誤差，其中，K是訓練樣本數目，yi是神經 網絡預測輸出J是實際輸出；
[0020] 步驟4.3.判斷該次迭代是否滿足預定迭代條件，若滿足，則跳轉至步驟4.5，否則， 執(zhí)行步驟4.4;
[0021 ]步驟4.4.修正L-M尋優(yōu)算法控制參數Ak，利用迭代公式：
[002^ χΑ")=χΑ)-?Γ?(χ?+如）▽F(X(k))，更新神經網絡結構模型權值和闊值，并
[0023] 轉步驟4.2執(zhí)行，其中，為第k次迭代時的解，即為權值和闊值向量，
[0024] H-i(X(k)+AkI)為海森矩陣，VF化(k))為梯度；
[0025] 步驟4.5.輸出最優(yōu)的權值和闊值作為優(yōu)化結果。
[0026] 優(yōu)選的，所述滿足預定迭代條件為達到最大迭代次數E或滿足允許誤差精度ε。
[0027] 本發(fā)明的有益效果：
[0028] 1.本發(fā)明利用L-M尋優(yōu)算法，避免牛頓法對海森矩陣的嚴苛要求，并且其同樣具有 牛頓法的快速性、算法簡單易行;加入的控制參數Ak，使L-M算法既擁有牛頓算法的局部捜 索特性，又具有梯度算法的全局收斂特性，迭代次數少，訓練網絡效率高;并結合神經網絡 的自學習能力和非線性映射能力，改善傳統(tǒng)BP算法的精度低，收斂慢，易陷入局部極值的問 題。
[0029] 2.本發(fā)明利用L-M尋優(yōu)算法與神經網絡相結合，只需少量的實驗標定樣本，便可對 氨內燃機的點火正時標定MAP進行高精度的仿真運算，代替大量的人為實驗操作，精度高、 速度快，能夠極大程度提高試驗研究效率，避免大量重復性勞動，為氨內燃機的后續(xù)研究提 供基礎;相對于傳統(tǒng)的點火系統(tǒng)標定方法，本發(fā)明減少了大量人工試驗操作過程，結合神經 網絡的非線性映射及L-M尋優(yōu)算法能夠快速準確地全局尋優(yōu)，僅利用部分標定試驗數據實 現氨內燃機點火正時標定的智能優(yōu)化控制，點火正時標定誤差小、速度快，達到理想的預測 效果，對于氨燃料發(fā)動機的實驗研究具有十分重要的意義。
【附圖說明】
[0030] 圖1為本發(fā)明的基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)控制原理圖；
[0031] 圖2為本發(fā)明的神經網絡結構模型；
[0032] 圖3為本發(fā)明的基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化方法流程示意圖；
[0033] 圖4為本發(fā)明的基于L-M算法對神經網絡進行訓練的實現流程示意圖。
【具體實施方式】
[0034] 根據發(fā)動機根據不同工況參數，包括內燃機轉速、負荷、冷卻水溫度、進氣管壓力， W內燃機動力性、內燃機動力性、NOx排放和燃油經濟性作為評價指標綜合選取當前工況的 最佳點火正時。
[0035] 下面結合附圖和技術方案對本發(fā)明作進一步詳細的說明，并通過優(yōu)選的實施例詳 細說明本發(fā)明的實施方式，但本發(fā)明的實施方式并不限于此。
[0036] 實施例一，參見圖1所示，一種基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化系 統(tǒng)，包含數據采集模塊、信號調理模塊、控制單元、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單 元、接口電路及監(jiān)控模塊，數據采集模塊采集各個工況參數，并將采集的工況參數傳輸至信 號調理模塊，信號調理模塊、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單元、監(jiān)控模塊分別通過 接口電路與控制單元相信號連接，控制單元包含數據處理單元及點火正時優(yōu)化控制模塊， 數據處理單元根據控制單元接收到的各個工況參數，利用L-M尋優(yōu)算法進行神經網絡優(yōu)化 訓練，得到當前工況的最佳點火正時，并將其傳輸至點火正時優(yōu)化控制模塊，點火正時優(yōu)化 控制模塊將接收到的最佳點火正時輸出給點火執(zhí)行器。
[0037] 上述的，數據采集模塊包含空氣流量傳感器、進氣管壓力傳感器、節(jié)氣口開度傳感 器、氣缸壓力傳感器、爆燃傳感器、冷卻水溫傳感器、氨氣流量傳感器、氨氣壓力傳感器、曲 軸相位與轉速傳感器，各個傳感器采集相應工況參數，并傳輸至信號調理模塊。
[0038] 上述的，數據處理單元根據標定試驗所獲數據作為L-M尋優(yōu)算法的訓練樣本和測 試樣本，建立神經網絡結構模型，將工況參數作為神經網絡結構模型的輸入向量，將點火正 時作為神經網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練該模型的權值和闊值，W達到輸 出值與真實值的均方誤差最小化，得到當前工況的最佳點火正時，其中，標定試驗所獲數據 是指選取部分工況下的工況參數進行點火正時標定試驗，根據內燃機綜合評價指標選取當 前工況最佳點火正時的數據。
[0039] 實施例二，參見圖1~3所示，一種基于L-M神經網絡的氨內燃機點火正時標定的優(yōu) 化方法，是W實施例一所述的基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)為基礎 的優(yōu)化方法，其具體包括如下步驟：
[0040] 步驟1.進行氨內燃機點火正時標定試驗，選取不同工況下的工況參數，對不同工 況進行試驗，得到相應工況的最佳點火提前角，作為標定數據，選定標定數據中部分數據作 為訓練樣本，另一部分作為測試樣本；
[0041 ]步驟2.建立點火正時優(yōu)化模型，首先建立神經網絡結構模型，包含輸入層、隱含層 和輸出層，將內燃機各個工況參數作為神經網絡結構模型輸入向量，將點火正時作為神經 網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練神經網絡結構模型的權值和闊值，W達到其 輸出值與真實值的均方誤差最小化；
[0042] 步驟3.設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數，設定輸入層神 經元個數η，隱含層神經元個數q，輸出層數值，各層神經元之間的傳遞函數，初始化神經網 絡結構模型的權值和闊值向量W、最大迭代次數E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數Ak、樣本數量Κ;
[0043] 步驟4.利用L-M尋優(yōu)算法訓練神經網絡結構模型，根據步驟3中的初始參數進行神 經網絡結構模型的權值和闊值優(yōu)化訓練，通過輸出值與實際樣本值的均方誤差的收斂速度 及精度評判訓練過程，直至滿足預定迭代條件為止；
[0044] 步驟5.利用測試樣本進行神經網絡結構模型誤差測試，利用絕對誤差和相對誤差 進行測試樣本評判，若滿足允許誤差精度ε，則跳轉至步驟7，否則，執(zhí)行步驟6;
[0045] 步驟6.根據步驟5的誤差測試評判結果修正神經網絡結構模型和L-M尋優(yōu)算法的 初始參數，包含修正神經元個數q，各層神經元之間的傳遞函數，最大迭代次數Ε，允許誤差 精度ε，初始控制參數Ak，并跳轉至步驟4執(zhí)行；
[0046] 步驟7.確定神經網絡結構模型參數及權值闊值，利用優(yōu)化后的神經網絡結構模型 進行內燃機全工況點火正時預測標定，控制單元將標定結果傳遞給點火執(zhí)行器w進行點火 正時優(yōu)化控制。
[0047] 根據模糊神經網絡處理非線性數據和自學習的能力，并結合了粒子群優(yōu)化算法所 具有的收斂速度快、全局捜索能力強、魯棒性高等優(yōu)點，提出一種模糊神經網絡進行發(fā)動機 點火提前角的優(yōu)化模型，并針對其利用粒子群算法進行優(yōu)化訓練尋找最優(yōu)適應度及對應的 權值，改善其收斂速度慢及易陷入局部極值的缺點，對氨燃料發(fā)動機的實驗標定工作起到 了有效的代替作用;與其他進化算法相比較，粒子群算法是一種更高效的并行捜索算法，簡 單，參數少，易于實現，可用于求解大量非線性、不可微和多峰值的復雜優(yōu)化問題，且計算效 率高，可同時處理群體中多個個體，具有本質的并行性，算法解的質量不依賴于初始點的選 取，極大的減小工作量及試驗成本。
[0048] 實施例Ξ，參見圖1~4所示，一種基于L-M神經網絡的氨內燃機點火正時標定的優(yōu) 化方法，是W實施例一所述的基于L-M神經網絡的氨內燃機點火正時標定優(yōu)化系統(tǒng)為基礎 的優(yōu)化方法，其具體包括如下步驟：
[0049] 步驟1.進行氨內燃機點火正時標定試驗，選取不同工況下的工況參數，對不同工 況進行試驗，得到相應工況的最佳點火提前角，作為標定數據，選定標定數據中部分數據作 為訓練樣本，另一部分作為測試樣本；
[0050] 步驟2.建立點火正時優(yōu)化模型，首先建立神經網絡結構模型，包含輸入層、隱含層 和輸出層，將內燃機各個工況參數作為神經網絡結構模型輸入向量，將點火正時作為神經 網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練神經網絡結構模型的權值和闊值，W達到其 輸出值與真實值的均方誤差最小化；
[0051] 步驟3.設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數，設定輸入層神 經元個數η，隱含層神經元個數q，輸出層數值，各層神經元之間的傳遞函數，初始化神經網 絡結構模型的權值和闊值向量W、最大迭代次數E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數Ak、樣本數量Κ;
[0052] 步驟4.利用L-M尋優(yōu)算法訓練神經網絡結構模型，根據步驟3中的初始參數進行神 經網絡結構模型的權值和闊值優(yōu)化訓練，通過輸出值與實際樣本值的均方誤差的收斂速度 及精度評判訓練過程，直至滿足預定迭代條件為止，具體包含如下內容：
[0053] 步驟4.1.抽取訓練樣本并輸入到神經網絡結構模型中；
[0054] 步驟4.2.計算神經網絡結構模型輸出值，并將輸出值與實際樣本值進行比較，根 據公式
十算訓練樣本的均方誤差，其中，K是訓練樣本數目，yi是神經 網絡預測輸出J是實際輸出；
[0055] 步驟4.3.判斷該次迭代是否滿足預定迭代條件，若滿足，則跳轉至步驟4.5，否則， 執(zhí)行步驟4.4;
[0056] 步驟4.4.修正L-M尋優(yōu)算法控制參數Ak，利用迭代公式：
[0057] X(k")=X(k)-H-i(X(k )+AkI)VF(X(k))，更新神經網絡結構模型權值和闊值，并轉步驟 4.2執(zhí)行，其中，XW為第k次迭代時的解，即為權值和闊值向量，(X?+^kI)為海森矩陣，▽ F化W)為梯度；
[005引步驟4.5.輸出最優(yōu)的權值和闊值作為優(yōu)化結果。
[0059] 步驟5.利用測試樣本進行神經網絡結構模型誤差測試，利用絕對誤差和相對誤差 進行測試樣本評判，若滿足允許誤差精度ε，則跳轉至步驟7，否則，執(zhí)行步驟6;
[0060] 步驟6.根據步驟5的誤差測試評判結果修正神經網絡結構模型和L-M尋優(yōu)算法的 初始參數，包含修正神經元個數q，各層神經元之間的傳遞函數，最大迭代次數Ε，允許誤差 精度ε，初始控制參數Ak，并跳轉至步驟4執(zhí)行；
[0061] 步驟7.確定神經網絡結構模型參數及權值闊值，利用優(yōu)化后的神經網絡結構模型 進行內燃機全工況點火正時預測標定，控制單元將標定結果傳遞給點火執(zhí)行器W進行點火 正時優(yōu)化控制。
[0062] 優(yōu)選的，所述步驟3中設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數包 含設定隱含層神經元個數q由輸入層神經元個數η決定，輸出層數值設定為1，各層神經元之 間的傳遞函數選擇sigmoid函數，最大迭代次數Ε = 100，允許誤差精度ε = 10-3，樣本數量Κ = 84。
[0063] 所述滿足預定迭代條件為達到最大迭代次數Ε或滿足允許誤差精度ε。
[0064] 根據
【發(fā)明內容】
進行仿真試驗，其訓練樣本的均方誤差經100次計算就達到了 0.0028; 84組測試樣本的預測值與真實值的最大絕對誤差為0.2454,最小絕對誤差為 0.00426，最大相對誤差為0.64%，最小相對誤差為0.008%。仿真試驗結果表明，基于L-M神 經網絡算法的點火正時標定誤差小、速度快，能夠達到理想的預測效果。
[0065] 利用L-M尋優(yōu)算法，兼具牛頓法和梯度法在尋優(yōu)過程中的優(yōu)勢，避免了牛頓法對海 森矩陣的嚴苛要求，并且其同樣具有牛頓法的快速性、算法簡單易行，在目標函數結構簡單 時效果卓著；加入控制參數Ak，使L-M算法既擁有牛頓法的局部捜索特性，又具有梯度法的 全局收斂特性，迭代次數少，訓練網絡效率高;并結合神經網絡的自學習能力和非線性映射 能力，結合L-M尋優(yōu)算法進行氨內燃機點火正時標定與優(yōu)化，改善傳統(tǒng)BP算法的精度低，收 斂慢，易陷入局部極值的問題，通過優(yōu)化系統(tǒng)，實現對氨內燃機的優(yōu)化控制，在實際運轉過 程中達到理想的效果。
[0066] 本發(fā)明并不局限于上述【具體實施方式】，本領域技術人員還可據此做出多種變化， 但任何與本發(fā)明等同或者類似的變化都應涵蓋在本發(fā)明權利要求的范圍內。
【主權項】
1. 一種基于L-M神經網絡的氫內燃機點火正時標定優(yōu)化系統(tǒng)，包含數據采集模塊、信號 調理模塊、控制單元、電源模塊、時鐘模塊、存儲模塊、執(zhí)行單元、接口電路及監(jiān)控模塊，數據 采集模塊采集各個工況參數，并將采集的工況參數傳輸至信號調理模塊，信號調理模塊、電 源模塊、時鐘模塊、存儲模塊、執(zhí)行單元、監(jiān)控模塊分別通過接口電路與控制單元相信號連 接，其特征在于:控制單元包含數據處理單元及點火正時優(yōu)化控制模塊，數據處理單元根據 控制單元接收到的各個工況參數，利用L-M尋優(yōu)算法進行神經網絡優(yōu)化訓練，得到當前工況 的最佳點火正時，并將其傳輸至點火正時優(yōu)化控制模塊，點火正時優(yōu)化控制模塊將接收到 的最佳點火正時輸出給點火執(zhí)行器。2. 根據權利要求1所述的基于L-M神經網絡的氫內燃機點火正時標定優(yōu)化系統(tǒng)，其特征 在于:數據采集模塊包含空氣流量傳感器、進氣管壓力傳感器、節(jié)氣門開度傳感器、氣缸壓 力傳感器、爆燃傳感器、冷卻水溫傳感器、氫氣流量傳感器、氫氣壓力傳感器、曲軸相位與轉 速傳感器，各個傳感器采集相應工況參數，并傳輸至信號調理模塊。3. 根據權利要求1所述的基于L-M神經網絡的氫內燃機點火正時標定優(yōu)化系統(tǒng)，其特征 在于:數據處理單元根據標定試驗所獲數據作為L-M尋優(yōu)算法的訓練樣本和測試樣本，建立 神經網絡結構模型，將工況參數作為神經網絡結構模型的輸入向量，將點火正時作為神經 網絡結構模型的輸出值;利用L-M尋優(yōu)算法訓練該模型的權值和閾值，以達到輸出值與真實 值的均方誤差最小化，得到當前工況的最佳點火正時，其中，標定試驗所獲數據是指選取部 分工況下的工況參數進行點火正時標定試驗，根據內燃機綜合評價指標選取當前工況最佳 點火正時的數據。4. 一種利用權利要求1~3任一項所述的基于L-M神經網絡的氫內燃機點火正時標定優(yōu) 化系統(tǒng)的優(yōu)化方法，其特征在于:包括如下步驟： 步驟1.進行氫內燃機點火正時標定試驗，選取不同工況下的工況參數，對不同工況進 行試驗，得到相應工況的最佳點火提前角，作為標定數據，選定標定數據中部分數據作為訓 練樣本，另一部分作為測試樣本； 步驟2.建立點火正時優(yōu)化模型，首先建立神經網絡結構模型，包含輸入層、隱含層和輸 出層，將內燃機各個工況參數作為神經網絡結構模型輸入向量，將點火正時作為神經網絡 結構模型的輸出值;利用L-M尋優(yōu)算法訓練神經網絡結構模型的權值和閾值，以達到其輸出 值與真實值的均方誤差最小化； 步驟3.設定神經網絡結構模型初始參數和L-M尋優(yōu)算法初始參數，設定輸入層神經元 個數η，隱含層神經元個數q，輸出層數值，各層神經元之間的傳遞函數，初始化神經網絡結 構模型的權值和閾值向量W、最大迭代次數E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控制參 數4、樣本數量Κ; 步驟4.利用L-M尋優(yōu)算法訓練神經網絡結構模型，根據步驟3中的初始參數進行神經網 絡結構模型的權值和閾值優(yōu)化訓練，通過輸出值與實際樣本值的均方誤差的收斂速度及精 度評判訓練過程，直至滿足預定迭代條件為止； 步驟5.利用測試樣本進行神經網絡結構模型誤差測試，利用絕對誤差和相對誤差進行 測試樣本評判，若滿足允許誤差精度ε，則跳轉至步驟7，否則，執(zhí)行步驟6; 步驟6.根據步驟5的誤差測試評判結果修正神經網絡結構模型和L-M尋優(yōu)算法的初始 參數，包含修正神經元個數q，各層神經元之間的傳遞函數，最大迭代次數Ε，允許誤差精度 ε，初始控制參數Ak，并跳轉至步驟4執(zhí)行； 步驟7.確定神經網絡結構模型參數及權值閾值，利用優(yōu)化后的神經網絡結構模型進行 內燃機全工況點火正時預測標定，控制單元將標定結果傳遞給點火執(zhí)行器以進行點火正時 優(yōu)化控制。5. 根據權利要求4所述的優(yōu)化方法，其特征在于:所述步驟3中設定神經網絡結構模型 初始參數和L-M尋優(yōu)算法初始參數包含設定隱含層神經元個數q由輸入層神經元個數η決 定，輸出層數值設定為1，各層神經元之間的傳遞函數選擇s igmo i d函數，最大迭代次數Ε = 100，允許誤差精度ε = 10-3，樣本數量K = 84。6. 根據權利要求4所述的優(yōu)化方法，其特征在于:所述步驟4具體包含如下內容： 步驟4.1.抽取訓練樣本并輸入到神經網絡結構模型中； 步驟4.2.計算神經網絡結構模型輸出值，并將輸出值與實際樣本值進行比較，根據公 式計算訓練樣本的均方誤差，其中，Κ是訓練樣本數目，yi是神經網絡 預測輸出，?是實際輸出； 步驟4.3.判斷該次迭代是否滿足預定迭代條件，若滿足，則跳轉至步驟4.5，否則，執(zhí)行 步驟4.4; 步驟4.4.修正L-M尋優(yōu)算法控制參數，利用迭代公式： )(0^ = )^_11-1()^+41)^ 17()(〇〇)，更新神經網絡結構模型權值和閾值，并轉步驟4.2 執(zhí)行，其中，X(k)為第k次迭代時的解，即為權值和閾值向量，!^(X^+Akl)為海森矩陣，VF(H (k))為梯度； 步驟4.5.輸出最優(yōu)的權值和閾值作為優(yōu)化結果。7. 根據權利要求4或6任一項所述的優(yōu)化方法，其特征在于:所述滿足預定迭代條件為 達到最大迭代次數E或滿足允許誤差精度ε。
【文檔編號】G05B13/04GK106066606SQ201610371545
【公開日】2016年11月2日
【申請日】2016年5月30日 公開號201610371545.2, CN 106066606 A, CN 106066606A, CN 201610371545, CN-A-106066606, CN106066606 A, CN106066606A, CN201610371545, CN201610371545.2
【發(fā)明人】王麗君, 劉源, 翟昱堯, 張晨, 楊振中, 趙亞楠
【申請人】華北水利水電大學