汽油機排放優化標定技術的現狀與展望

戴超麒 劉煒 谷鑫 李東明 張成

1.上汽通用五菱汽車股份有限公司 廣西柳州市 545000 2.哈爾濱工程大學 黑龍江省哈爾濱市 150006

1 引言

當前，綠色發展和碳中和是國家層面關注的重點議題，同時清潔低碳內燃機發展的趨勢，為了滿足當下時代的發展需要，企業應承擔的重要責任?！遁p型汽車污染物排放限值及測量方法（中國第六階段）》對汽車的排放方面作出了嚴格規定要求，為了滿足排放法規汽油機的電子控制技術是關鍵一環，其性能（包含排放性能）在很大程度上取決于標定系統方案的成熟程度及標定技術水平，這對于標定從業人員既是機遇也是挑戰。排放優化標定是綜合性較強的標定模塊，不僅在覆蓋車輛散差、識別系統風險等方面有所貢獻，還可以挖掘系統軟硬件中的排放性能余量，在由安全線、法規線、口碑線圍成的范圍內尋找空間，降低單車排放合規成本，提升產品競爭力。

在軟件定義汽車的洗禮下，汽車產業正在發生深刻變革的復雜局面，汽車產業的內涵與外延正在不斷擴展。以互聯網、大數據、云計算、人工智能等技術為代表的新一輪科技革命，正在引發全球制造業的深刻變革。在掌握傳統排放優化標定基本原理與方法的基礎上，將人工智能、大數據等技術應用到排放優化標定領域，已經是大勢所趨。

2 汽油機排放優化標定

2.1 排放物生成機理

受法規控制的汽車排放包括氣態污染物和顆粒物。其中，氣態污染物包括排氣污染物中的一氧化碳（CO）、氮氧化物（NO）、碳氫化合物（THC 和NMHC）、氧化亞氮（NO）。 冷 機 工 況 下HC、NMHC 與CO的生成機理基本，一般HC 生成量較大時，NMHC 與CO 生成量也較大。HC 排放的主要來源有車輛尾氣、曲軸箱泄漏及蒸發排放，其中車輛尾氣中的HC 生成機理是燃料的不完全燃燒、壁面淬熄效應、狹隙效應、壁面油膜和積碳吸附等。影響NO生成的三個因素是為缸內燃燒溫度、氧氣含量以及燃燒時間，一般認為高溫富氧的情況會生成較多的NO。顆粒物是排氣中固相（碳顆粒、灰分）及液相（除水之外）的總稱，其來源主要有燃油濕壁（活塞濕壁、缸頂和氣門濕壁、噴油器頂部燃油堆積等）和混合氣局部過濃。

2.2 汽油車排放主要影響因素

汽油車整車排放水平主要由硬件、軟件控制水平及外部因素綜合決定。硬件方面，整車動力總成及后處理系統的設計選型和制造水平，決定了整車排放的原始排放高低和減排能力強弱，如發動機、變速箱、車重功率比、整車阻力、三元催化器及顆粒捕集器等。而動力總成核心零部件，如油泵、噴油器、進排氣系統、關鍵執行器及傳感器等，也對排放有影響。軟件方面，電噴系統各個功能模塊的數據綜合調教水平決定了最終的排放性能，包括充氣和扭矩計算、溫度模型、空燃比控制、過渡工況控制、起動控制、催化器加熱控制等。外部影響因素，如車用燃油、排放測試設備與測試方法、駕駛員等，也會對排放結果產生決定性影響，不可忽視，實際操作中需嚴格按照法規的相關規定執行。

基于此，對傳統動力總成技術的持續優化，是面向未來排放需求的主要技術方案之一，一方面通過硬件上的升級，另一方面通過軟件上標定優化整車的控制參數，使得整車發揮出最好的排放性能。在外圍硬件基本確定的情況下，發動機電子管理系統已經成為提高燃油經濟性和滿足更為嚴格的排放法規的決定性因素。

2.3 排放優化標定

發動機標定工作就是在某個確定的發動機管理系統下，通過各種項目標定，為發動機電子控制單元（Electronic Control Unit，簡稱ECU）中各類參數設置合適的值，以使汽車各工況工作在進氣、噴油、點火的最優組合參數下，滿足動力性、經濟性、安全性、排污性的綜合要求。對于排放優化標定，標定項目主要有三元催化器加熱控制策略標定、催化器窗口標定、起動及混合氣標定等。

3 排放優化標定方法討論

3.1 傳統的排放優化標定方法

傳統的排放優化標定是“問題導向型”的工作流程，基于排放測試結果，輔以試驗設計技術進行尋優的循環。例如對于典型的WLTC 測試循環，排放集中于起動后的30s 內，這個階段的控制重點是通過設定目標轉速和目標點火角加速催化器的起燃，同時通過空燃比控制盡可能產生少的原始排放，以上兩個目標平衡擇優。具體標定手段是根據已有工程經驗，篩選出排放產生工況點，用試驗設計DOE 等方法列出備選控制參數組合，并通過試驗選取最優參數組合，視情況再進行進一步精調，這樣方法試驗任務量大、試驗成本高、標定周期長。

3.2 基于模型的標定技術

排放優化標定當前的研究熱點是基于模型的標定技術，該技術融合了發動機技術、試驗設計、自動控制、嵌入式系統、計算機技術等多個領域的關鍵技術。近年來，由于計算機技術的不斷發展，用神經網絡等機器學習算法建立的排放模型被得到更多的關注與應用。機器學習算法在內燃機領域的應用主要集中于性能及排放預測、故障診斷以及智能控制等三個方面，并體現出了跟傳統方法比較下的諸多優勢。利用機器學習算法建立發動機排放性能黑盒模型，需要大量的測試數據支持，但其用于標定可有效減少實際試驗的數量，進而縮短標定周期。另一方面，黑盒模型缺乏對系統潛在物理性的解釋力，模型還容易出現過擬合等問題，模型的訓練也需要一定的工程經驗。

基于機器學習算法，王子垚建立了輸入是發動機重要運行參數集，輸出為各氣態污染物的發動機排放模型，訓練集和測試集來自發動機多工況臺架試驗數據。通過算法的升級與優化，模型可被用于處理非線性、復雜的發動機性能和排放預測。相關研究7表明，數據清洗、模型拓撲、優化算法等環節的優化，都是提高模型的預測精度的有效手段。受益于算法進化和深度學習技術的發展，具備更新和學習功能的排放模型也被廣泛研究和應用，如Wong Pakkin等人利用支持向量機建立了可以學習的發動機功率及性能預測模型，模型的預測精度隨著學習的進行不斷提高。

3.3 基于機器學習算法的排放性能模型研究方向展望

機器學習算法用于排放建模是當下的研究熱點，隨著研究的深入和技術的發展，該研究方向可以從數據來源、輸入選擇、算法優化、模型評估等四個方面進行深入。

數據來源方面，大多數研究的數據來源于臺架試驗或是穩態工況測試，然而未來更具實用價值的是對整車瞬態工況排放的建模及應用，后續研究可將數據來源逐漸拓展至瞬態工況數據甚至實際道路排放數據。對瞬態數據的預處理是機器學習算法建模的重要先決條件，決定了模型的精度，是建模的重點及難點。

輸入選擇方面，對于選取哪些參數作為模型的輸入變量，大部分研究是基于經典物理模型或者實際工程經驗，這樣做也有提升運算速度的考慮。模型的輸入選擇也是模型建立的關鍵環節，如前所述，不同的污染物的產生機理不盡相同，可以用相關性分析方法，篩選出跟各污染物的產生相關性靠前的關鍵變量，以此做為輸入變量選擇的依據，隨著機器學習建模便捷性的提升，在輸入選擇環節進行充分的論證有利于后續模型的性能提升。

圖1 基于模型的標定技術

圖2 基于機器學習算法的排放性能模型

算法優化方面，主流機器學習算法諸如神經網絡和支持向量機等得到了較多應用，體現了這些算法的普適性，但逐步也有一些其它算法被應用至特定場景，并表現出了較好的性能。后續算法優化的目標將是可以對瞬態過程或者時變系統進行處理，能用于建立具備更新和學習功能模型的算法也有較高的研究及應用價值。

模型評估方面，模型性能評估不僅要對模型質量、模型性能進行評價，還需對模型適用性（適配動態過程的重構優化），模型適應性（在其它發動機上的遷移復用），以及模型價值（交付、流通、應用）進行評價。

4 結語

排放優化標定是控制汽車污染物的有效方法，經比較傳統排放優化方法與基于模型的標定技術，基于機器學習算法的發動機排放性能建模是較有潛力的技術路徑，在前人研究的基礎上，可以從數據來源、輸入選擇、算法優化及模型評估等方面進行深入和創新?；跈C器學習算法開發的模型使用場景豐富，可以提升標定效率提升，挖掘出更優的綜合性能表現，可實現標定數字化、智能化、精細化。