基于參數(shù)自學(xué)習(xí)的柴油機(jī)轉(zhuǎn)速主動抗擾控制

邵 燦，宋 康，陳 韜，謝 輝

(天津大學(xué) 內(nèi)燃機(jī)燃燒學(xué)國家重點實驗室，天津 300350)

柴油機(jī)具有靈活性高、使用方便快捷等優(yōu)點，廣泛應(yīng)用于生產(chǎn)和生活中．其中，轉(zhuǎn)速控制的平穩(wěn)性是影響柴油機(jī)運(yùn)行平順性的關(guān)鍵，但在實際應(yīng)用中面臨諸多控制難題，制約了轉(zhuǎn)速的控制品質(zhì)，如外部突變負(fù)荷和隨機(jī)負(fù)荷難以直接測量，使得傳統(tǒng)控制算法只能根據(jù)轉(zhuǎn)速控制誤差被動調(diào)節(jié)，轉(zhuǎn)速響應(yīng)慢；從噴油量到燃燒做功，再到驅(qū)動轉(zhuǎn)矩輸出，這個過程復(fù)雜、非線性，導(dǎo)致傳統(tǒng)控制策略需要標(biāo)定大量Map[1]，工作量大；發(fā)動機(jī)存在老化變異現(xiàn)象，使得控制參數(shù)不再適應(yīng)實際柴油機(jī)，影響了轉(zhuǎn)速控制效果．

比例-積分-微分(PID)控制是產(chǎn)品柴油發(fā)動機(jī)中常用的控制方法，但PID控制器的工況適應(yīng)范圍有限，超出設(shè)計工況后控制效果變差[2]．因而在實際應(yīng)用中通常需要PID控制器根據(jù)工況的變化進(jìn)行參數(shù)優(yōu)化，如PID參數(shù)自整定[3]．文獻(xiàn)[4]最早將模糊控制應(yīng)用于柴油機(jī)的轉(zhuǎn)速控制中，獲得了比傳統(tǒng)PID更好的工況適應(yīng)能力．Di等[5]將模糊控制理論應(yīng)用于轉(zhuǎn)速的PID控制，降低了轉(zhuǎn)速控制中的超調(diào)量和調(diào)節(jié)時間，但模糊規(guī)則的設(shè)計比較復(fù)雜耗時．

除傳統(tǒng)PID控制以外，學(xué)者們對自適應(yīng)控制和基于模型的控制方法也進(jìn)行了研究．Yildiz等[6]和Yin等[7]較早將自適應(yīng)控制應(yīng)用于轉(zhuǎn)速控制中，改善了怠速工況的轉(zhuǎn)速控制品質(zhì)．Pavkovi?等[8]提出一種基于自適應(yīng)卡爾曼濾波的轉(zhuǎn)速控制方法，降低了對噪聲的敏感性，但在負(fù)荷突變過程的轉(zhuǎn)速波動幅度仍然較大．Li等[9]設(shè)計了基于線性規(guī)劃的模型預(yù)測轉(zhuǎn)速控制器，Xu等[10]設(shè)計了一種非線性的模型預(yù)測控制器，結(jié)果表明：控制器在負(fù)荷轉(zhuǎn)矩擾動和參數(shù)不確定的情況下，實現(xiàn)了良好的控制品質(zhì)；同時，模型預(yù)測控制所需的計算量較大，在實時性要求較高的嵌入式環(huán)境下，毫秒級的控制過程實現(xiàn)困難．

基于此，筆者以目標(biāo)運(yùn)行轉(zhuǎn)速為1500r/min的發(fā)電用柴油機(jī)為研究對象，并在滿足轉(zhuǎn)速控制偏差(7%)的行業(yè)標(biāo)準(zhǔn)基礎(chǔ)上進(jìn)一步優(yōu)化控制效果，提出一種參數(shù)自學(xué)習(xí)主動抗擾控制算法．在傳統(tǒng)轉(zhuǎn)速控制模型中引入等變化率負(fù)荷轉(zhuǎn)矩模型，采用擴(kuò)張狀態(tài)觀測器[11](ESO)對其進(jìn)行在線主動觀測，并用于實時抑制轉(zhuǎn)速波動；為不斷改善控制品質(zhì)、適應(yīng)發(fā)動機(jī)特性變化，提出了模型參數(shù)的自學(xué)習(xí)算法；通過硬件在環(huán)(HIL)仿真平臺和發(fā)動機(jī)臺架試驗平臺對算法的抗干擾能力和自學(xué)習(xí)能力進(jìn)行了測試和驗證．

1 研究平臺及面向控制的模型

1.1 臺架試驗平臺

通過一臺配備高壓共軌燃油噴射系統(tǒng)的直列6缸、渦輪增壓柴油機(jī)試驗臺架開展研究．圖1為試驗臺架及數(shù)據(jù)采集方式示意．后處理包括柴油氧化催化器(DOC)、柴油顆粒捕集器(DPF)和選擇性催化還原(SCR)3部分．表1為發(fā)動機(jī)主要技術(shù)參數(shù)．

圖1 試驗臺架及數(shù)據(jù)采集方式示意 Fig.1 Schematic of test platform and data collection method

表1 發(fā)動機(jī)主要技術(shù)參數(shù) Tab.1 Engine specifications

1.2 面向控制的模型

針對標(biāo)定和負(fù)荷估計難的問題，開發(fā)了基于牛頓第二定律的曲軸轉(zhuǎn)速動態(tài)模型[12]．主要包括指示熱效率子模型、摩擦轉(zhuǎn)矩子模型和負(fù)荷轉(zhuǎn)矩，其中負(fù)荷轉(zhuǎn)矩由擴(kuò)張狀態(tài)觀測器觀測得到，動態(tài)模型可表示為

式中：J為曲軸及剛性連接軸系的轉(zhuǎn)動慣量；n為轉(zhuǎn)速；Min、Mfric和Mload分別為平均指示轉(zhuǎn)矩、摩擦轉(zhuǎn)矩和負(fù)荷轉(zhuǎn)矩．

1.2.1 指示熱效率模型

平均指示轉(zhuǎn)矩[13]可表示為

式中：ncyl為沖程系數(shù)；HLHV為柴油燃料低熱值，取值為4.325×107J/kg；ηin為指示熱效率；mf為單缸的循環(huán)供油量．

ηin隨負(fù)荷和轉(zhuǎn)速的改變而變化，經(jīng)驗?zāi)Ｐ蜑?/p>

式中：h1、h2和h3為轉(zhuǎn)速項待標(biāo)定參數(shù)；d1、d2和d3為循環(huán)供油量項待標(biāo)定參數(shù)．

為得到指示熱效率模型待標(biāo)定參數(shù)，需利用試驗數(shù)據(jù)對模型進(jìn)行標(biāo)定．以發(fā)動機(jī)臺架試驗熱效率實測值為基準(zhǔn)，使用全工況的數(shù)據(jù)對模型進(jìn)行標(biāo)定．采集不同轉(zhuǎn)速、負(fù)荷下穩(wěn)態(tài)工況時的指示熱效率數(shù)據(jù)，同步采集轉(zhuǎn)速和循環(huán)供油量穩(wěn)態(tài)數(shù)據(jù)，得到119個穩(wěn)態(tài)工況點標(biāo)定數(shù)據(jù)，可確定模型參數(shù)．

采用非線性批量最小二乘方法對指示熱效率模型進(jìn)行離線參數(shù)辨識．最小二乘方法通過代價函數(shù)的迭代計算使模型的估計值與實際值差值的平方和最小，優(yōu)化得到模型參數(shù)．優(yōu)化函數(shù)為

式中：F(x,xdata)為數(shù)據(jù)x輸入后計算的模型估計值；ydata為實際值．

表2為辨識得到指示熱效率模型的參數(shù)，可適應(yīng)不同運(yùn)行工況下的指示熱效率估計．

表2 指示熱效率模型參數(shù)辨識結(jié)果 Tab.2 Parameter identification results of indicating thermal efficiency model

為驗證辨識得到的指示熱效率模型精度，將離線辨識得到的指示熱效率模型參數(shù)值代入模型，計算與數(shù)據(jù)采集工況相同轉(zhuǎn)速和循環(huán)供油量工況下模型輸出的ηin模擬值，圖2為ηin試驗值與模擬值對比．

圖2 不同負(fù)荷下指示熱效率模型驗證 Fig.2 Verification of indicating thermal efficiency model under different loads

可知，模擬值與試驗值吻合度較高，模型估計偏差在6.3%以內(nèi)．在高速、低負(fù)荷區(qū)和低速、高負(fù)荷區(qū)存在小范圍的模型估計值偏差增大的情況．雖然模型在部分工況的誤差較大，但是由于研究對象為發(fā)電用柴油機(jī)，其運(yùn)行轉(zhuǎn)速區(qū)間在1500r/min附近，而在轉(zhuǎn)速為1500r/min的典型工作轉(zhuǎn)速下，指示熱效率模型估計值的相對偏差在4.5%以內(nèi)．

1.2.2 摩擦轉(zhuǎn)矩建模

摩擦轉(zhuǎn)矩采用簡化平均值模型[14]，即

式中：m1、m2和m3為轉(zhuǎn)速項待標(biāo)定模型參數(shù)．

與指示熱效率模型類似，為得到摩擦轉(zhuǎn)矩模型待標(biāo)定參數(shù)，需要利用試驗數(shù)據(jù)對模型進(jìn)行標(biāo)定．根據(jù)轉(zhuǎn)速和負(fù)荷的不同，劃分為119個工況點，利用倒拖工況，得到各工況點下穩(wěn)態(tài)時的摩擦轉(zhuǎn)矩，同步采集轉(zhuǎn)速穩(wěn)態(tài)數(shù)據(jù)，形成標(biāo)定數(shù)據(jù)用于模型參數(shù)的確定．

同樣，通過非線性批量最小二乘方法進(jìn)行離線參數(shù)辨識，得到摩擦轉(zhuǎn)矩模型的參數(shù)如表3所示．

表3 摩擦轉(zhuǎn)矩模型參數(shù)辨識結(jié)果 Tab.3 Parameter identification results of friction torque model

為驗證辨識得到的摩擦轉(zhuǎn)矩模型的精度，將辨識得到的參數(shù)代入摩擦轉(zhuǎn)矩模型中，得到不同轉(zhuǎn)速下摩擦轉(zhuǎn)矩的模擬值，與摩擦轉(zhuǎn)矩試驗值對比，如圖3所示．可知，試驗值與模擬值吻合度較高，摩擦轉(zhuǎn)矩模型的相對偏差在7%以內(nèi)．與指示熱效率模型類似，摩擦轉(zhuǎn)矩模型模擬值在負(fù)荷較低或高轉(zhuǎn)速工況下有偏差明顯增加的現(xiàn)象，在1500r/min左右的工作轉(zhuǎn)速區(qū)，模型估計偏差較小(5%以內(nèi))．

圖3 不同負(fù)荷下摩擦轉(zhuǎn)矩模型驗證 Fig.3 Verification of friction torque model under different loads

綜上，根據(jù)數(shù)據(jù)驅(qū)動建模與經(jīng)驗建模相結(jié)合的方式得到摩擦轉(zhuǎn)矩和指示熱效率模型的表達(dá)式，曲軸轉(zhuǎn)速動態(tài)模型可表示為

負(fù)荷轉(zhuǎn)矩Mload通過筆者提出的觀測方法得到．

2 控制算法設(shè)計

2.1 柴油機(jī)轉(zhuǎn)速控制算法架構(gòu)

針對柴油機(jī)負(fù)荷轉(zhuǎn)矩不可測、不確定及發(fā)動機(jī)老

化變異的問題，提出的轉(zhuǎn)速控制架構(gòu)見圖4．

圖4 轉(zhuǎn)速自學(xué)習(xí)主動抗擾控制算法架構(gòu)示意 Fig.4 Architecture of the speed self-learning active disturbance rejection control

根據(jù)目標(biāo)轉(zhuǎn)速與實際轉(zhuǎn)速之差，計算所需的慣性力矩Mintia；通過擴(kuò)張狀態(tài)觀測器(ESO)的觀測作用，補(bǔ)償所估計的負(fù)荷轉(zhuǎn)矩Mload后，得到所需的有效轉(zhuǎn)矩Me；最后，經(jīng)過摩擦轉(zhuǎn)矩Mfric補(bǔ)償，結(jié)合平均指示轉(zhuǎn)矩反算得到所需要的循環(huán)供油量．轉(zhuǎn)矩關(guān)系為

慣性力矩Mintia為轉(zhuǎn)速變化的動態(tài)過程中，由曲軸軸系的旋轉(zhuǎn)運(yùn)動而產(chǎn)生的往復(fù)慣性力矩；有效轉(zhuǎn)矩Me為發(fā)動機(jī)曲軸上可以輸出的轉(zhuǎn)矩值；負(fù)荷轉(zhuǎn)矩由“負(fù)荷轉(zhuǎn)矩主動觀測”算法估算．

摩擦轉(zhuǎn)矩模型參數(shù)和ηin在參數(shù)離線辨識的基礎(chǔ)上，通過自學(xué)習(xí)算法在線更新．其中，摩擦轉(zhuǎn)矩參數(shù)是在停機(jī)過程根據(jù)發(fā)動機(jī)轉(zhuǎn)速和自身摩擦轉(zhuǎn)矩的關(guān)系，運(yùn)用遞推最小二乘方法學(xué)習(xí)得到．ηin則是通過在發(fā)動機(jī)負(fù)荷和轉(zhuǎn)速相對穩(wěn)定時，利用噴油量和轉(zhuǎn)速之間的動態(tài)關(guān)系，根據(jù)遞推最小二乘方法學(xué)習(xí)得到．

2.2 主動抗擾控制算法

2.2.1 負(fù)荷轉(zhuǎn)矩的主動觀測算法

在曲軸轉(zhuǎn)速動態(tài)模型中，負(fù)荷轉(zhuǎn)矩是未知動態(tài)，無法進(jìn)行精確建模．因而筆者運(yùn)用主動抗擾控制思想，將負(fù)荷轉(zhuǎn)矩等效為總擾動[15-16]的一部分，通過ESO進(jìn)行在線觀測，對負(fù)荷轉(zhuǎn)矩進(jìn)行控制補(bǔ)償．

由于算法設(shè)計是針對負(fù)荷突變情況下的負(fù)荷轉(zhuǎn)矩觀測，可假設(shè)負(fù)荷轉(zhuǎn)矩在加載初期變化率保持恒定，將式(6)改為帶有負(fù)荷轉(zhuǎn)矩的模型，即

式中C為假定未知常量．

式(9)中，負(fù)荷轉(zhuǎn)矩未知，且摩擦轉(zhuǎn)矩模型及指示轉(zhuǎn)矩模型中具有估計偏差，將其影響統(tǒng)一視為“總擾動”這一擴(kuò)張狀態(tài)，得

式中u為控制器循環(huán)供油量控制輸出．

由于n可直接測量，因而設(shè)計針對式(11)的降階擴(kuò)張狀態(tài)觀測器[17](RESO)．可得總擾動測量值為

以總擾動和總擾動的二階導(dǎo)數(shù)為狀態(tài)量，得二階RESO的表達(dá)式為

由于在總擾動的測量值表達(dá)式中存在轉(zhuǎn)速的微分，而微分的處理極易使信號產(chǎn)生噪聲，因而需對ESO做進(jìn)一步處理，將轉(zhuǎn)速的微分項消除．

定義兩個新的狀態(tài)量η、ξ，將其轉(zhuǎn)化為擴(kuò)張狀態(tài)觀測器的兩個新的狀態(tài)，分別表示為

將式(12)～(14)代入式(15)，得

式中：ξ和η為降階觀測器狀態(tài)量，是替換原狀態(tài)量負(fù)荷轉(zhuǎn)矩和負(fù)荷轉(zhuǎn)矩變化率，以消除容易產(chǎn)生測量噪聲的轉(zhuǎn)速微分信號．

將式(16)整理成狀態(tài)空間的形式，有

將ESO的極點配置在ωo?處[18]，則觀測誤差增益β1和β2為

式中ωo為觀測器帶寬．

2.2.2 主動抗擾控制律設(shè)計

針對式(11)，主動抗擾控制律可表示為

式(20)的積分器容易被一個比例控制器控制，即

式中：ωc為控制器帶寬；ntrgt為目標(biāo)轉(zhuǎn)速．

將式(21)代入式(19)，則控制律為

因而控制整定參數(shù)可以概括為：(1)控制器帶寬ωc，其可根據(jù)目標(biāo)控制效果進(jìn)行整定；(2)在進(jìn)行ESO極點配置時得到的觀測器帶寬ωo，其值關(guān)系到觀測器的性能，具體根據(jù)被觀測對象的響應(yīng)特性確定，可設(shè)定為控制器帶寬的倍數(shù)關(guān)系；(3)通過對象模型得到的控制參數(shù)a、b和g．

2.3 模型參數(shù)自學(xué)習(xí)算法

2.3.1 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法

為保證摩擦轉(zhuǎn)矩模型的精度，根據(jù)式(6)，利用停機(jī)過程中轉(zhuǎn)速與摩擦轉(zhuǎn)矩的關(guān)系設(shè)計針對摩擦轉(zhuǎn)矩參數(shù)的自學(xué)習(xí)算法，如圖5所示．

圖5 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法架構(gòu) Fig.5 Self-learning algorithm architecture of friction torque model parameters

摩擦轉(zhuǎn)矩自學(xué)習(xí)算法的學(xué)習(xí)過程設(shè)定為停機(jī)工況，即本次停機(jī)過程是修正的本次運(yùn)行過程結(jié)束后，相比于上一次停機(jī)過程中摩擦轉(zhuǎn)矩的變化．在實時運(yùn)行過程中，如果出現(xiàn)運(yùn)行條件惡化的情況，此時的摩擦轉(zhuǎn)矩模型的偏差則通過筆者提出的轉(zhuǎn)速主動抗擾控制算法的擾動主動觀測作用進(jìn)行補(bǔ)償．

在斷油停機(jī)工況，由于自身的摩擦轉(zhuǎn)矩阻力，轉(zhuǎn)速逐漸降低，直至完全停止運(yùn)轉(zhuǎn)，由式(5)得

系統(tǒng)采樣頻率為100Hz．轉(zhuǎn)速信號可以直接采集，但是轉(zhuǎn)速的微分信號不方便獲取，容易產(chǎn)生噪聲，此時，仿真和HIL測試過程中采用差分代替微分的形式，均可以達(dá)到設(shè)計要求，完成參數(shù)的學(xué)習(xí)過程．對式(23)做離散處理，得

式中：nk為當(dāng)前采樣時刻轉(zhuǎn)速的測量值；nk?1為上一采樣時刻轉(zhuǎn)速測量值；Vt為算法調(diào)度周期．

式(24)滿足：Y(k)=φ(k)?θ(k)+w，其中k為當(dāng)前采樣編號，w為噪聲干擾．φ(k)和Y(k)為遞推最小二乘算法輸入，θ(k)為通過遞推計算得到的模型參數(shù)．

運(yùn)用帶有遺忘因子的遞推最小二乘法，在停機(jī)工況對式(24)中3個參數(shù)進(jìn)行在線自學(xué)習(xí)更新．定義

可得摩擦轉(zhuǎn)矩模型參數(shù)學(xué)習(xí)算法為

式中：μ為遺忘因子(0＜μ＜1)；I為單位矩陣．由此可實現(xiàn)對摩擦轉(zhuǎn)矩模型參數(shù)的在線更新．

2.3.2 指示熱效率自學(xué)習(xí)算法

為主動適應(yīng)發(fā)動機(jī)老化變異造成的發(fā)動機(jī)熱效率下降，設(shè)計了針對式(6)中ηin的自學(xué)習(xí)算法，算法結(jié)構(gòu)如圖6所示．

圖6 指示熱效率自學(xué)習(xí)算法架構(gòu) Fig.6 Self-learning algorithm architecture of indicating thermal efficiency

因式(6)中Mload未知，為降低估計的難度，選擇在負(fù)荷不變的工況下對噴油量mf引入正弦干擾信號，同步采集該過程中的轉(zhuǎn)速信號．正弦干擾信號的頻率主要受到發(fā)動機(jī)的動態(tài)響應(yīng)速度和熱效率辨識速度的影響，1Hz是在兩者之間折中優(yōu)化值．頻率太高，則發(fā)動機(jī)轉(zhuǎn)速波動太小，熱效率辨識不準(zhǔn)；若頻率太低，則熱效率學(xué)習(xí)過程太慢．利用該動態(tài)過程的信息進(jìn)行ηin>的實時估計．首先，對式(6)做離散化，得

式中：Mfric采用摩擦轉(zhuǎn)矩模型計算值，負(fù)荷轉(zhuǎn)矩采用RESO的負(fù)荷觀測值．

式(27)滿足Y(k)=?(k)?θ(k)+w，k為當(dāng)前采樣編號，定義

根據(jù)式(26)遞推最小二乘方法，即可遞推計算得 到熱效率的學(xué)習(xí)值．

3 算法驗證

3.1 主動抗擾控制算法HIL測試驗證

3.1.1 硬件在環(huán)仿真平臺

筆者以臺架試驗平臺為原型，構(gòu)建HIL測試平臺，主要包括發(fā)動機(jī)實時運(yùn)行模擬設(shè)備、算法實時運(yùn)行系統(tǒng)和上位機(jī)環(huán)境3部分．發(fā)動機(jī)實時運(yùn)行模擬由dSPACE系統(tǒng)實現(xiàn)，系統(tǒng)搭載的DS1006實時處理器用于實時運(yùn)行動力系統(tǒng)模型．算法實時運(yùn)行系統(tǒng)是基于搭載了Infineon多核微控制器的域控制器，算法燒錄后實現(xiàn)在嵌入式環(huán)境的實時運(yùn)行．上位機(jī)環(huán)境包括UDE上位機(jī)和ControlDesk上位機(jī)，分別實現(xiàn)對域控制器參數(shù)和dSPACE運(yùn)行環(huán)境參數(shù)的標(biāo)定和監(jiān)控．

3.1.2 負(fù)荷突增、突減測試

將2.2和2.3節(jié)的控制算法生成C代碼并下載于DCU中，與dSPACE硬件平臺耦合，開展硬件在環(huán)仿真測試，包括負(fù)荷突變和負(fù)荷隨機(jī)變化測試場景．圖7為突變大負(fù)荷加載曲線．在負(fù)荷變化工況下，對比采用遺傳算法進(jìn)行參數(shù)整定后的PID算法[19]和筆者提出的主動抗擾控制算法的轉(zhuǎn)速，如圖8所示．

圖7 突變大負(fù)荷轉(zhuǎn)矩加載曲線 Fig.7 Abrupt change of large load torque loading curve

圖8 負(fù)荷加載過程轉(zhuǎn)速控制效果驗證 Fig.8 Verification of speed control effect during loading

可知，PID算法中轉(zhuǎn)速的抗擾能力相對較差，在第一次負(fù)荷加載過程，轉(zhuǎn)速下降幅度為70r/min，2.1s轉(zhuǎn)速恢復(fù)為1500r/min穩(wěn)定轉(zhuǎn)速．主動抗擾控制算法中，轉(zhuǎn)速大幅減小，降至28r/min，改善60%．轉(zhuǎn)速 恢復(fù)時間約為1.6s，縮短23.8%．在負(fù)荷突減過程，主動抗擾控制算法中，轉(zhuǎn)速上升38r/min，比PID算法改善52.5%．轉(zhuǎn)速恢復(fù)時間為1.8s，縮短38.0%．

分析采用降階ESO的主動抗擾控制算法在轉(zhuǎn)速控制效果上提升的原因發(fā)現(xiàn)，降階ESO有較好的負(fù)荷轉(zhuǎn)矩觀測速度和準(zhǔn)確性，圖9為負(fù)荷轉(zhuǎn)矩觀測值與實際負(fù)荷轉(zhuǎn)矩的對比．可知，在負(fù)荷轉(zhuǎn)矩突變過程中，降階ESO能在2～3個調(diào)度周期(0.02～0.03s)快速、高效地觀測出真實的負(fù)荷轉(zhuǎn)矩，從而提高主動抗擾控制算法對擾動的在線擾動補(bǔ)償能力．

圖9 負(fù)荷轉(zhuǎn)矩觀測值與實際值對比 Fig.9 Comparison of estimated load torque and actual value

3.2 模型參數(shù)自學(xué)習(xí)算法HIL驗證

3.2.1 摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)算法驗證

圖10、圖11為摩擦轉(zhuǎn)矩參數(shù)和摩擦轉(zhuǎn)矩在線學(xué)習(xí)效果．在硬件在環(huán)仿真平臺上，首先對摩擦轉(zhuǎn)矩模型參數(shù)自學(xué)習(xí)過程進(jìn)行了驗證，由于是為學(xué)習(xí)在發(fā)動機(jī)正常工作轉(zhuǎn)速范圍內(nèi)的摩擦轉(zhuǎn)矩模型參數(shù)，因而停 機(jī)過程從1500r/min開始，至轉(zhuǎn)速降至0r/min．

圖10 摩擦轉(zhuǎn)矩模型參數(shù)學(xué)習(xí)過程 Fig.10 Friction torque model parameter learning process

由圖10中參數(shù)在線學(xué)習(xí)曲線可以得出，參數(shù)m1、m2和m3經(jīng)過8.4s左右參數(shù)收斂到真實值的5%誤差帶范圍內(nèi)．由圖11摩擦轉(zhuǎn)矩模型學(xué)習(xí)曲線可得，經(jīng)過4.5s摩擦轉(zhuǎn)矩模型輸出值收斂到摩擦轉(zhuǎn)矩真實值的5%誤差帶內(nèi)．

圖11 停機(jī)工況摩擦轉(zhuǎn)矩模型自學(xué)習(xí)算法驗證 Fig.11 Self-learning algorithm verification of friction torque model under stop conditions

3.2.2 指示熱效率學(xué)習(xí)驗證

為保證控制精度，在定負(fù)荷工況對ηin進(jìn)行在線學(xué)習(xí)．此處模擬燃燒過程惡化而導(dǎo)致的ηin下降情況，ηin約為0.31左右．在硬件在環(huán)仿真過程中，經(jīng)過1.1s左右，ηin的學(xué)習(xí)值趨近于實際值，學(xué)習(xí)誤差在3%以內(nèi)，ηin學(xué)習(xí)結(jié)果如圖12所示．

圖12 指示熱效率學(xué)習(xí)過程驗證 Fig.12 Verification of indicating thermal efficiency learning process

3.3 自學(xué)習(xí)算法對轉(zhuǎn)速控制效果的影響驗證

為驗證自學(xué)習(xí)算法對轉(zhuǎn)速控制效果的影響，模擬柴油機(jī)運(yùn)行條件發(fā)生惡化的運(yùn)行場景．通過對摩擦轉(zhuǎn)矩模型參數(shù)和ηin的在線學(xué)習(xí)修正，使得控制算法主動適應(yīng)柴油機(jī)運(yùn)行條件的變化，實現(xiàn)在線優(yōu)化控制參數(shù)，改善轉(zhuǎn)速控制效果．圖13對比了柴油機(jī)運(yùn)行條件惡化前、后負(fù)荷突增、突減過程模型參數(shù)自學(xué)習(xí)算法對控制效果的優(yōu)化．

圖13 模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速控制效果驗證 Fig.13 Verification of speed control effect before and after model parameter learning

模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速對比表明，通過對摩擦轉(zhuǎn)矩模型參數(shù)和ηin的在線學(xué)習(xí)優(yōu)化，使得轉(zhuǎn)速波動幅度減小約10r/min，控制效果明顯改善，如表4所示．

表4 模型參數(shù)學(xué)習(xí)前、后轉(zhuǎn)速控制效果對比 Tab.4 Comparison of speed control effect before and after model parameter learning

3.4 臺架試驗測試

數(shù)據(jù)采集與標(biāo)定設(shè)備采用ETAS ES582汽車標(biāo)定總線模塊．模塊通過連接電控單元(ECU)控制器采集運(yùn)行過程數(shù)據(jù)，并通過USB接口與計算機(jī)連接進(jìn)行數(shù)據(jù)標(biāo)定與分析．所有ES582的測量數(shù)據(jù)都由INCA(ETAS標(biāo)定軟件)使用ECU信號精確同步．使用測功機(jī)模擬用電負(fù)荷的變化．按圖1中的試驗臺架結(jié)構(gòu)和數(shù)據(jù)采集方式進(jìn)行．試驗測試過程主要驗證負(fù)荷突增及突減過程的轉(zhuǎn)速控制響應(yīng)，進(jìn)行了多次負(fù)荷突變試驗．負(fù)荷加載過程轉(zhuǎn)矩如圖14所示．

圖14 試驗過程轉(zhuǎn)矩加載曲線 Fig.14 Torque curve during test

圖15為負(fù)荷加載臺架試驗轉(zhuǎn)速控制結(jié)果．相比于遺傳算法進(jìn)行參數(shù)整定后的PID算法，筆者提出的采用降階ESO的主動抗擾控制算法的轉(zhuǎn)速控制效果改善明顯．

圖15 負(fù)荷加載臺架試驗轉(zhuǎn)速控制結(jié)果 Fig.15 Rotation speed control results of bench test with sudden load change

在相同的突增負(fù)荷工況下，采用降階ESO的主動抗擾控制算法時轉(zhuǎn)速下降18r/min，1.4s后轉(zhuǎn)速恢復(fù)至目標(biāo)值，達(dá)到穩(wěn)定，而采用遺傳算法整定的PID算法轉(zhuǎn)速下降58r/min，在出現(xiàn)約16r/min的超調(diào)后恢復(fù)至目標(biāo)值，恢復(fù)時間為3.5s．筆者提出的主動抗擾算法在轉(zhuǎn)速的抗干擾能力上比PID算法提升68.9%，恢復(fù)時間縮短約60.0%．在突減負(fù)荷時，可以控制的能力極限即為停止噴油，發(fā)動機(jī)根據(jù)自身慣性的作用使轉(zhuǎn)速的波動盡可能減小，所以無論是采用遺傳算法標(biāo)定的PID，還是筆者提出的主動抗擾轉(zhuǎn)速控制算法，在突減負(fù)荷時都是采用盡快停止噴油的控制法，轉(zhuǎn)速的控制效果也相近，出現(xiàn)約50r/min的轉(zhuǎn)速波動．試驗結(jié)果見表5．

表5 轉(zhuǎn)速跌落幅值和恢復(fù)時間對照 Tab.5 Speed drop amplitude and recovery

圖16為PID算法和主動抗擾控制算法噴油量補(bǔ)償對比．降階ESO通過增加負(fù)荷變化率狀態(tài)觀測并 進(jìn)一步降低ESO階次，實現(xiàn)了提升觀測精度和觀測速度的效果，從而主動抗擾控制算法完成了對需求油量的快速補(bǔ)償．在負(fù)荷突加工況下，降階主動抗擾控制算法噴油量的補(bǔ)償速度明顯比PID更快，提前約0.16s達(dá)到目標(biāo)噴油量．

圖16 75%負(fù)荷加載試驗結(jié)果對比 Fig.16 Comparison of 75% load test results

4 結(jié) 論

(1) 通過機(jī)理建模和數(shù)據(jù)驅(qū)動建模相結(jié)合的方式構(gòu)建了柴油機(jī)曲軸轉(zhuǎn)速動態(tài)模型，在此基礎(chǔ)上提出降階主動抗擾控制算法；為提升算法的自適應(yīng)能力，設(shè)計了針對轉(zhuǎn)速動態(tài)模型中摩擦轉(zhuǎn)矩模型參數(shù)和指示熱效率的自學(xué)習(xí)算法，最終構(gòu)成了柴油機(jī)轉(zhuǎn)速自學(xué)習(xí)抗擾控制器．

(2) HIL測試表明，通過優(yōu)化ESO設(shè)計方法，增加負(fù)荷轉(zhuǎn)矩變化率可觀測狀態(tài)，使得降階ESO能在2～3個調(diào)度周期(0.02s～0.03s)觀測出真實的負(fù)荷轉(zhuǎn)矩；負(fù)荷突變過程觀測值也能快速跟隨實際負(fù)荷轉(zhuǎn)矩值的變化，轉(zhuǎn)速控制效果得到明顯提升，轉(zhuǎn)速跌幅大幅減小，降至28r/min，改善60.0%，轉(zhuǎn)速恢復(fù)時間約為1.6s，縮短23.8%．

(3) 模型參數(shù)自學(xué)習(xí)算法HIL測試表明，在嵌入式控制器中可以完成在特定場景下的模型參數(shù)學(xué)習(xí)任務(wù)；摩擦轉(zhuǎn)矩模型學(xué)習(xí)可在斷油停機(jī)過程完成參數(shù)的在線學(xué)習(xí)；在ηin的學(xué)習(xí)過程中，可以在穩(wěn)態(tài)工況下快速學(xué)習(xí)得到實際ηin，誤差在3%以內(nèi)；自學(xué)習(xí)算法開啟后轉(zhuǎn)速控制效果提升24.3%．

(4) 采用降階ESO的主動抗擾控制算法，在負(fù)荷突變過程中轉(zhuǎn)速的抗干擾能力得到大幅提升，相比遺傳算法整定的PID算法，負(fù)荷突增過程，轉(zhuǎn)速下降18r/min，改善68.9%；轉(zhuǎn)速控制響應(yīng)的恢復(fù)時間降至1.4s，縮短約60.0%．