一種基于神經網絡的氧化催化器出口溫度控制方法

李延紅，高發廷，王秋花，劉 浩，黃少文

（中國重型汽車集團有限公司技術發展中心，山東 濟南 250101）

前言

隨著國家機動車第6階段排放法規的發布及亟待解決的大氣環境污染需求，重型柴油車污染物的排放需要進行嚴格控制。在柴油發動機的排氣氣體中含有大部分由煤和可溶性有機物質構成的顆粒物排放，目前氧化催化器 （Diesel oxidation catalyst，DOC）耦合顆粒捕集器 （Diesel particulate filter，DPF）成為降低顆粒物排放的主要技術手段。尾氣中的顆粒物經DOC后在DPF內被捕集過濾，過濾效率可達90%以上。被捕集過濾的顆粒物會沉積在DPF內，隨著發動機不斷運行，DPF內顆粒物累積量增加，會引起發動機排氣阻力增加，排放進一步惡化，因此需要對累積的顆粒物再生。發動機在正常運行狀態下排氣溫度一般低于400℃，難以達到顆粒物主動再生所要求的600 20℃范圍。目前，在重型發動機中，通常采用在DOC上游入口處排氣管噴燃油，在DOC內部進行燃油氧化放熱來解決DOC出口溫度即DPF入口溫度控制。

目前DOC出口溫度的控制方法主要為根據DOC下游設定溫度及傳感器采集溫度，利用PID方法控制DOC上游HC噴嘴的噴射油量。但是由于DOC下游溫度傳感器采集的滯后性、DOC下游溫度傳感器安裝位置的不同以及DOC本身為大的慣性系統，使該方法的控制效果比較差，無法達到對DOC下游溫度的精確控制。DOC出口溫度的精確控制對DPF安全可靠主動再生影響很大，如果控制偏差過大，將會導致DPF再生過程中DPF載體熱損壞或者出現再生過程中斷；DPF載體熱損壞不可逆轉，DPF再生過程中斷會影響碳載量的精確計算，進而影響下次再生時機的判斷。

針對DOC出口溫度響應的長時延特征，本文提出了一種基于神經網絡的氧化催化器出口溫度控制方法，并通過整車試驗驗證控制策略的有效性。

1 氧化催化器熱響應過程出口溫度建模

將氧化催化器DOC按照排氣流向分為6塊，根據能量熱平衡定律，DOC能量熱響應示意圖如圖1所示。

圖1 DOC能量熱響應示意圖

如圖1所示，DOC能量熱響應主要包括DOC入口排氣能量、DOC與環境熱傳遞能量、DOC中燃油燃燒化學反應放熱能量以及DOC介質本身能量。本文將DOC分為6塊，將DOC上游溫度傳感器采集的溫度作為第1塊DOC的入口溫度，將DOC的入口HC噴射總油量作為第1塊DOC的入口油量，根據熱平衡公式計算第6塊DOC的出口排氣溫度。

對于每塊DOC而言，根據能量熱平衡，可得如下公式：

式中：Qoutn——催化器第n塊出口總能量；QSlicen——催化器第n塊介質本身能量；QEGSlicon——催化器第n塊入口排氣能量；QSliceEnvn——催化器第n塊與環境熱傳遞能量；QFueln——催化器第n塊中化學反應放熱能量，此處1≤n≤6。

根據能量等于熱容與溫度的乘積，公式 （1）變形為：

式中：CSlicesum——催化器第n塊出口混合熱容；Toutn——催化器第n塊出口介質溫度；CSlice——催化器第n塊介質熱容；Tinn——催化器第n塊介質溫度；CEGSlicen——催化器第n塊排氣熱容；TEGinn——催化器第n塊入口排氣溫度；CSliceEnv——催化器第n塊環境熱容；TEnvn——催化器第n塊環境溫度。

由于是在DOC上游噴射燃油，所以催化器每塊中受到燃油化學反應放熱能量不均勻。公式 （1）、 （2）中的催化器第n塊中化學反應放熱能量QFueln計算如下：

式中：QFuel——催化器DOC燃油化學反應放熱總能量；n——每塊受到燃油化學反應放熱能量影響系數。

催化器DOC燃油化學反應放熱總能量QFuel計算如下：

式中：qdmhc——在DOC上游噴射燃油質量流量；qdmFIEG——排氣帶入的發動機正常運行狀態噴射燃油中未燃燒燃油質量流量；Caldmq——燃油熱量值。

每塊受到燃油化學反應放熱能量影響系數 計算如下：

式中：f1raw、f2raw、f3raw、f4raw、f5raw、f6raw——催化氧化器每塊受到燃油化學反應放熱能量影響原始系數。

由能量守恒定律可得，當催化器第n塊與催化器第n-1塊之間的熱交換為理想熱交換時，則催化器第n塊出口介質溫度等于催化器第n塊出口排氣溫度，可得：

將公式 （11）代入公式 （2）可得：

在每塊之間認為是理想熱傳遞，即認為每一塊的下游出口溫度為下一塊的上游入口溫度。

將公式 （3）帶入公式 （12）可得：

2 DOC出口溫度控制器結構

DOC出口溫度控制直接體現在HC噴射量的控制。由于HC噴射用于氧化放熱，HC噴射量的前饋模型分為氧化放熱量與少部分不完全反應的HC以及直接耗散掉的熱量兩部分。由于前饋模型僅考慮了系統的穩態特征，如加入動態特征則會引起前饋模型的不穩定。因此在HC噴射量控制時，采用反饋控制來實現系統動態響應及穩態誤差控制。

具體控制結構如圖2所示，包括HC噴射量目標計算反饋控制器以及預測DOC出口溫度兩部分。預測DOC出口溫度計算出的DOC出口溫度作為實際溫度，用于HC噴射量目標計算反饋控制器的反饋輸入。由于DOC溫度具有長時延及高度非線性，為避免排溫控制中需要盡可能的超調，本文采用基于神經網絡的DOC出口溫度預測建模。

圖2 DOC出口溫度控制器結構圖

3 基于神經網絡的DOC出口溫度預測建模

3.1 神經網絡介紹

典型神經網絡的結構包括輸入層、隱含層、輸出層，各層之間實行互連接，層內神經元之間無法連接。即下層的每個單元與上層的每個單元都實現權連接，而每層各神經元之間無權連接。

在神經網絡中，單個樣本有m個輸入，有n個輸出，在輸入層和輸出層之間通常還有若干個隱含層。一個3層的神經網絡就可以完成任意的m維到n維的映射，即這3層分別為：輸入層I，隱含層H，輸出層O，如圖3所示。

3.2 基于神經網絡的DOC出口溫度預測方法

基于神經網絡的DOC出口溫度預測方法包括如下步驟。

圖3 神經網絡

3.2.1 步驟1：根據影響DOC出口溫度變化的因素，設計人工神經網絡模型

影響DOC出口溫度的因素有：發動機轉速、環境溫度、DOC上游傳感器溫度、DOC中廢氣流量、DOC的入口HC噴射總油量、發動機正常運行狀態噴射燃油中未燃燒燃油質量流量、DPF上游傳感器溫度、燃油熱量值，因此神經網絡輸入層節點數為8個。隱含層數1個，隱含層節點數為4個，分別為催化器第n塊介質本身能量與單塊介質本身能量最大值比值、催化器第n塊入口排氣能量與每塊排氣能量最大值比值、催化器第n塊與環境熱傳遞能量與每塊環境熱傳遞能量最大值比值、催化器第n塊中化學反應放熱能量與每塊化學反應放熱能量最大值比值。輸出層節點個數為6個，分別為催化器每塊出口介質溫度。

3.2.2 步驟2：采集訓練樣本，對人工神經網絡模型進行訓練

取18個熱電偶，分別對DOC每塊出口溫度按照DOC橫截面中心、邊緣、距離中心1／2半徑處進行溫度采集，取DOC每塊出口溫度按照DOC橫截面中心、邊緣、距離中心1／2半徑處溫度平均值作為DOC該塊出口溫度值，以此作為人工神經網絡的訓練樣本。根據以上方式采集多組訓練樣本，制作出樣本集Xp，其中，下標p＝1，2，3，…，N。

利用該樣本集Xp對人工神經網絡模型進行訓練，包括以下內容。

3.2.2.1 前向學習

1）從神經網絡模型的輸入層向隱含層計算隱含層第j個節點來自輸入層的總輸入為

式中：i——輸入層的節點編號；j——隱含層的節點編號；xi——依次對應輸入層的8個輸入參數的具體數值；wij——輸入層第i個節點到隱含層第j個節點的權值。

隱含層第j個節點的輸出為：

2）從神經網絡模型的隱含層向輸出層計算

輸出層來自隱含層的總輸入為：

式中：wjk——隱含層到輸出層的權值；k——輸出層節點個數1。

輸出層的輸出為：

3.2.2.2 誤差反向計算

1）首先定義該人工神經網絡模型誤差

式中：δ——人工神經網絡輸出和輸出層樣本信號的差的平方；Ti——給出的學習樣本中DOC各塊出口溫度值；yk——輸出層的輸出。

2）定義該模型反向學習效率β

該模型訓練完成后允許的模型最小誤差為γ，當δ大于等于γ時，則利用β調整初始權值wij、wjk，并開始重新進行前向學習過程；一直至δ小于γ滿足時，則認為該誤差滿足要求，停止訓練學習，即模型訓練完成。

其中調整初始權值wij、wjk采用梯度下降法：

3）權值更新計算

式中：wijn——權值wij本次計算結果；wijn-1——權值wij上次計算結果；wjkn——權值wjk本次計算結果；wjkn-1——權值wjkn上次計算結果。每次訓練學習，均會調整權值。

3.2.3 步驟3：重新采集影響DOC出口溫度變化的所有數據將重新采集的所有數據輸入訓練好的人工神經網絡模型中，利用人工神經網絡模型計算出DOC出口溫度。

4 試驗結果分析

為驗證基于神經網絡的DOC出口溫度作為反饋的DOC出口溫度控制方法，本文將該方法代碼下載到控制器中進行驗證。

由于實際系統中，DOC出口溫度控制時處于排氣流量連續變化過程中，本文進行實車連續變化工況測試算法。設定DOC出口目標溫度為600±20℃，廢氣流量變化范圍為200～1200kg／h；發動機轉速變化范圍為500～2000r／min。發動機轉速變化如圖4所示，排氣質量流量及HC噴射流量變化如圖5所示，DOC出口實際溫度、DOC出口計算溫度變化如圖6所示。

由圖4中的發動機轉速及圖5中的廢氣質量流量可見，整個驗證過程處于動態變化過程中。由圖6的DOC出口實際溫度可見，在HC噴射65s后能達到580℃，在隨后的動態變化工況中，DOC出口溫度始終在600±20℃范圍內。

圖4 發動機轉速變化

圖5 廢氣質量流量與HC噴射量

5 結論

1）結合DOC系統的實際特征、DOC傳熱及化學反應特性建立了一階延遲DOC出口溫度模型，分析了影響DOC出口溫度變化特征因素。

2）基于神經網絡建立了DOC出口溫度預測模型，并將DOC出口溫度預測值作為閉環反饋，輸入反饋控制器計算HC噴射量進而控制DOC出口溫度。

3）利用整車試驗進行了控制策略驗證，通過對連續變化工況驗證，DOC出口溫度在DPF再生過程中控制在600 20℃范圍內。

圖6 DOC出口溫度