柴油機廢氣再循環控制策略的優化與仿真驗證

摘要：針對發動機在瞬態工況下廢氣再循環（EGR）目標開度響應速度慢和穩定性差問題，在基于進氣量控制的基礎上，提出了一種基于最小二乘向量機的EGR 目標開度預測模型。通過改進的平衡優化器算法來調整模型的正則化參數和帶寬，并在選定的瞬態工況下對模型進行模擬仿真。結果表明：與反向傳播神經網絡（BPNN）、徑向基函數神經網絡（RBFNN）和廣義回歸神經網絡相比，所提出的預測模型在瞬態工況下具有更好的預測性能；與現有的控制策略相比，所提控制策略的EGR 率曲線有較好的實時跟蹤性，且與傳統控制相比，其響應速度更快、穩定性更好。

關鍵詞：發動機；廢氣再循環（EGR）；最小二乘向量機；預測

0 前言

廢氣再循環（EGR）技術是減少氮氧化物（NOx）排放量最實用、最有效的手段之一［1-2］。然而，EGR 率過高會導致尾氣過量，影響發動機的熱效率，進而影響發動機的動力性能。因此，有必要深入研究如何精確控制EGR 率。目前，多數發動機的ERG 控制策略是基于進氣量控制和基于EGR閥位置控制的雙閉環控制。在基于進氣量控制中，最終輸出的是EGR 目標開度，其作用是作為EGR閥位置控制中比例-積分-微分（PID）控制器的輸入，所以進氣量控制對于EGR 閥控制有著重大作用。目前，比例-積分（PI）控制與預控制相結合的方法（以下簡稱“組合控制“）被廣泛應用在EGR 基于進氣量的控制上［3］，然而該方法的比例因子脈譜（MAP）圖、積分因子MAP 圖和預控制MAP 圖均是在發動機的穩態工況下由標定人員標定而得到的；在瞬態工況下，EGR 系統具有很高的非線性，該方法難以對EGR 目標開度進行精確控制。

基于學習的預測建模技術，如最小二乘向量機（LSSVM）和神經網絡等，可以代替復雜的非線性系統模型。其中，LSSVM 具有計算量小、無極值和過擬合等優點，被廣泛用于處理分類和預測等問題。本文在基于進氣量控制的基礎上，創新性地將機器學習引入到EGR 控制中，提出了一種基于LSSVM 的EGR 目標開度預測模型，在發動機的定轉速/變扭矩和定扭矩/變轉速瞬態工況下，該模型可以根據發動機的運行狀態和環境參數來預測EGR 基于進氣量控制中PI 控制的比例因子、積分因子和EGR 預控制開度。另外，本文還建立了一種基于進氣量的EGR 控制策略，該策略通過所提出優化后的最小二乘向量機模型（PLEO-LSSVM）來實時預測瞬態工況下EGR 的目標開度，可改善在瞬態工況下EGR 控制精度不足的問題。

1 LSSVM 模型構造

LSSVM 是由SUYKENS 等［4］提出的一種機器學習算法。該算法的核心思想是在高維空間內劃分一個線性超平面，可以將所有數據映射到此超平面上，從而將非線性問題轉化為線性問題。該算法的核心是基于統計學原理，采用最小二乘線性系統作為損失函數，將二次優化問題的解轉化為求解線性方程組，從而極大地簡化了復雜問題的解，因此該算法被廣泛應用于模式識別、預算推演和無人駕駛等方面。