一种用于实时预测近混沌 HCCI 燃烧相位的极限学习机方法

燃油高效的均质压燃（HCCI）发动机燃烧定时预测必须应对非线性化学、非线性物理、周期倍增分岔、湍流混合、可能逐日漂移的模型参数，以及通常无法在逐循环基础上解析的空燃混合气状态信息，特别是在瞬态工况下。在先前的工作中，一个抽象的逐循环映射函数结合 $\epsilon$-Support Vector Regression 被证明能够在广泛的发动机条件下预测实验观测到的逐循环燃烧定时，尽管存在上述一些困难。先前方法的主要局限性在于使用了部分非因果的随机采样训练数据集来训练概念验证的离线预测。本文的目标是通过提出一种名为 Weighted Ring-ELM 的新型在线自适应极限学习机（ELM）扩展来解决这一局限性。该扩展能够在随机选择的发动机设定点实现完全因果的燃烧定时预测，并显示出达到或优于先前离线方法的结果。该方法的更广泛目标是为一类高变异性 HCCI 启用新型实时模型预测控制策略，并最终将 HCCI 的低发动机出口 NOx 和减少的 CO2 排放应用于量产发动机。