用于燃烧控制的含循环变动的气缸压力数据驱动模型：RCCI 发动机应用

基于气缸压力的控制是先进预混燃烧概念的关键赋能技术。除了保证稳健和安全的运行外，它还允许对气缸压力和热释放进行整形。这需要面向控制的快速燃烧模型。多年来，人们提出了能够预测燃烧指标（如指示平均有效压力 Gross Indicated Mean Effective Pressure，或释放 50% 总热量时的曲轴转角）的平均值模型，或者预测完整气缸压力的模型。然而，这些模型无法捕捉循环变动。这对于反应性控制压燃（Reactivity Controlled Compression Ignition, RCCI）等可能遭受巨大循环变动的燃烧概念的控制设计至关重要。在本研究中，采用数据驱动方法对气缸压力和循环变动进行建模。该模型结合了主成分分解（Principle Component Decomposition）和高斯过程回归（Gaussian Process Regression）。针对不同超参数和核函数的选择进行了详细研究。该方法适用于任何燃烧概念，但对于具有大循环变动的先进燃烧概念最有价值。我们在运行柴油和 E85 燃料的反应性控制压燃发动机上展示了所提方法的潜力。所评估燃烧指标的预测质量在平均行为和标准差方面的总体准确率分别为 13.5% 和 65.5%。峰值压力上升率传统上难以预测，在所提出的模型中，其平均行为和标准差的准确率分别为 22.7% 和 96.4%。这种基于主成分分解的方法是迈向气缸压力整形的重要一步。高斯过程回归的使用提供了关于循环变动的重要信息，并为下一周期控制提供了关于安全性和性能标准的信息。