模型預測控制技術在發動機空燃比控制中的應用研究*

劉靚葳

（長春金融高等專科學校，吉林 長春 130124）

0 引言

隨著我國汽車產業的迅速發展，汽車產量大幅度增長，在能源短缺和環境污染日益嚴重的情況下，減少污染物的排放、提高燃油消耗率是發動機產業最重要的目標。模型預測控制技術的推廣，為發動機空燃比控制研究提供了較好的智能化工具。目前，混沌優化算法（COA）在預測領域中發揮了特有的作用。混沌算法在復雜非線性參數估計方面有一定優勢，在優化領域因其優勢和特性被廣泛地應用，在參數優化過程中，對參數進行編碼，運用混沌的遍歷性等優勢，使其不易陷入局部最優解，逐漸靠近最優解的方向，從而求出全局最優解。在發動機空燃比實時估計研究中引入該方法，通過混沌優化算法搜索到全局最優解，運用混沌優化算法進行模型預測，具有較好的應用和發展前景。本文使用混沌算法進行模型預測，實現發動機空燃比實時估計器的設計。

粒子群優化算法（PSO）和遺傳算法（GA）都屬于仿生優化算法，使用廣泛。它們是在自然特性的基礎上模擬種群的適應性，通過一定的規則、方法來求得最優解。雖然這兩種算法的效果大致相同，但是PSO比GA更加高效。QPSO是一種基于量子力學的全新粒子群優化算法[1]，它引入δ降勢，取消了一個屬性，即粒子的移動方向。粒子移動的速度和位置在空間中不能一起確定，因此，運用波函數來表示粒子的位置，結合蒙特卡羅方法求出粒子的位置，通過求解得到最佳位置[2]。因此，QPSO相比PSO具有更好的全局收斂特性。本文針對空燃比控制中的空燃比跟蹤問題，采用了QPSO算法來解決。

本文基于模型預測控制技術實現柴油發動機空燃比控制研究，建立精確的發動機數據機理混合模型，運用混沌算法建立發動機空燃比估計模型，結合QPSO算法求出全局最優解，解決空燃比跟蹤問題，對柴油發動機節能減排具有十分重要的理論研究和現實應用意義。

1 國內外研究現狀

目前，人工智能被列為重點工作對象。隨著人工智能的迅速發展，核心技術算法的有效提升，為混沌算法和粒子群算法在眾多領域的應用奠定了基礎。當前人工智能算法在發動機應用領域的使用頻率逐漸升高，發展相當迅速。未來，隨著人工智能的逐漸普及，此技術將會在交通、金融、醫療和行政等各個領域有著廣闊的應用前景。

空燃比是發動機氣路系統中重要參數之一，具有較強的非線性結構。在建立空燃比估計數學模型的過程中，模型參數辨識是關鍵步驟。許多國內外學者都提出了空燃比模型參數辨識方法。M.Vasak等使用基于聚類的方法，識別了空燃比控制系統的模型參數。K.Nakano等基于遺傳算法和非線性優化，估計得到了系統的參數。葛曉成等使用神經網絡方法和最小二乘法，實現了空燃比控制系統的神經網絡非線性模型。以上建模方法大多數是比較復雜的非線性模型，很難應用到實時控制系統當中。將模型適當簡化，減少辨識參數數量是提高算法實時性的關鍵。關于模型辨識，有學者提出了混沌優化算法（COA），這是一種基于混沌遍歷性的優化算法，它比隨機優化算法更容易擺脫局部極小值。筆者基于COA算法來搜索出簡化后的最優參數值，建立了更為簡單和精準的空燃比估計模型。粒子群算法（PSO）是群智能優化算法。粒子群算法與遺傳算法類似，但是容易陷入局部最優解，由于QPSO相比PSO具有更好的全局收斂特性，因此，本文基于COA和QPSO算法對噴油量進行全局求解，在誤差較小的情況下實現空燃比跟蹤。

2 基本原理簡介

在人工智能中的機器學習分類算法特征選擇的優化問題上，大多數學者運用的方法主要是使用單一的算法去解決優化問題。有學者提出使用改進的二進制粒子群優化方法進行特征選擇，結果有效降低了計算成本，提高了結果精度[3]。元啟發式算法將隨機算法與局部搜索算法相結合，運行一次就會得到一組解，用時較少并且可以搜索到理想的解集，在各類實際問題中被廣泛應用[4]。本文通過綜合考慮元啟發式算法的優點，運用混沌算法高效性和準確性等特征，及量子粒子群算法在搜索參數上的優勢，利用混沌算法搜索出簡化后的最優參數值，量子粒子群算法進行參數的優化，兩種算法相結合實現發動機空燃比跟蹤控制的研究[5]。

2.1 混沌優化算法（COA）

2.1.1 混沌思想

混沌是確定性系統中對初始條件非常敏感的周期性長期行為，數學上將其定義為非線性確定性系統產生的半隨機行為[6]。混沌現象普遍存在于非線性系統中，混沌具有規律性、隨機性和遍歷性等特點[7]。混沌運動能在一定范圍內按照規律不重復地遍歷所有狀態，因此還可進行優化搜索[8]。綜上所述，可以利用混沌的特性采用混沌變量進行全局搜索和尋優。

2.1.2 混沌優化算法基本步驟

混沌算法由混沌變量、特征信息映射和混沌向量等組成[9]，其構成如圖1所示。混沌優化算法基本步驟如下。

圖1 混沌算法的構成

步驟1：初始化，列出不同軌跡的混沌變量。

步驟2：運用載波方式產生等待優化的變量，并把變化范圍放大至相應區域范圍中。

步驟3：運用剛產生的混沌變量進行迭代式搜索，計算出來相應的性能指標，然后和原來的指標進行比較。

步驟4：運用隨機擾動的方式在當前最優解的附近進行n步的細搜索，得出對應的性能指標，如果求得的解比當前最優解更優就保留，否則丟棄。

步驟5：判斷之前設置好的迭代次數，如果達到相應的迭代次數，那么就輸出最優解停止搜索；如果沒有到達迭代次數，那么就返回步驟3繼續進行迭代搜索求解[10]。

2.2 量子粒子群算法（QPSO）

粒子群優化算法（PSO）是一種進化的種群計算技術（evolutionary computation），由Eberhart博士和Kennedy博士在1995年提出，想法來自對鳥群捕食行為的研究。該算法最開始是二位學者由于受到飛鳥集群活動規律性的啟發，然后利用群體智能來建立的一個簡化的模型。粒子群優化算法在對鳥類捕食活動行為觀察的基礎上，運用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。發動機的空燃比跟蹤控制具有非常強烈的非線性動態特性，控制問題優化求解容易陷入局部最優。

針對空燃比跟蹤的非線性控制問題，本文采用新型PSO——量子粒子群優化（QPSO）算法來求解優化發動機噴油量。QPSO算法實現的流程圖如圖2所示，此算法在非線性優化問題求解方面有優勢，可以求得全局最優解，該方法在空燃比跟蹤及求解問題中具有較好的應用前景。

圖2 QPSO算法實現的流程圖

3 預測模型的設計及實現

本文是以柴油車發動機建模和空燃比控制問題為研究背景，以COA和QPSO算法為核心，以先進控制理論應用為輔助，開展的多學科交叉研究。以大量的數據分析為基礎，以具體節能減排需求為目標，提煉出人工智能技術應用的基礎科學問題，探索高效、低成本的控制策略實現方法。

本文提出基于COA算法的空燃比估計實時預測模型。此外，基于本項目COA算法空燃比估計模型具有參數自適應功能。在進行柴油發動機系統空燃比跟蹤之前，首先應該從提高發動機性能的方面考慮，即要求空燃比跟蹤誤差達到最小。為了實現發動機空燃比跟蹤，基于模型估計設計了目標函數，然后運用QPSO算法控制器對進氣量和噴油量進行求解。在COA空燃比估計參數在線更新模型的基礎上，提出了基于QPSO算法的空燃比跟蹤非線性控制器。通過仿真試驗，提升QPSO算法的全局優化求解速度，使得空燃比跟蹤誤差達到最小，達到空燃比跟蹤的要求。

4 結論

本文基于模型預測控制技術針對發動機空燃比控制開展了研究工作，提出一種基于COA算法和QPSO算法的混合式技術。首先，根據發動機的結構特性和工作原理，運用MATLAB/Simulink完成了發動機氣路系統仿真模型的搭建。其次，基于仿真試驗平臺的數據分析，提出了空燃比估計COA實時預測模型。再次，在COA估計模型基礎上，運用QPSO算法對進氣量和燃油噴射量進行求解，提出了基于QPSO算法的空燃比跟蹤非線性控制器。最后，通過MATLAB/Simulink驗證了方案的有效性以及可靠性。未來將考慮把人工智能算法應用到其他領域，并搭建硬件平臺，驗證相關算法的有效性。