带污染约束的柴油发动机神经建模与控制

本文描述了一种用于涡轮增压柴油发动机建模和控制的神经方法。构建了一个主要基于描述发动机行为的物理方程的神经网络模型，用于转速和排气烟度。该模型由三个相互连接的神经子模型组成，每个子模型构成一个非线性多输入单输出误差模型。描述了基于真实发动机采集数据的结构辨识和参数估计。然后，在最小化多变量准则的专门训练方案中，利用神经直接模型确定发动机的神经控制器。仿真显示了污染约束权重对发动机转速轨迹跟踪的影响。神经网络作为灵活且简约的非线性黑箱模型，具有通用逼近能力，可以在很少的先验理论知识下精确描述或控制复杂的非线性系统。所提出的工作将最优神经控制扩展到多变量情况，并展示了神经优化器的灵活性。初步结果表明，神经网络可以作为发动机控制的嵌入式模型，以满足日益严格的污染物排放法规。特别是，它们能够对非线性动力学进行建模，并在瞬态过程中优于基于静态映射的控制方案。