CN105224730A

CN105224730A - 一种高压共轨电控柴油机原始no2排放量预测方法

Info

Publication number: CN105224730A
Application number: CN201510591913.XA
Authority: CN
Inventors: 何超; 赵龙庆; 李加强; 王新宇; 胡磊
Original assignee: Southwest Forestry University
Current assignee: Southwest Forestry University
Priority date: 2015-09-17
Filing date: 2015-09-17
Publication date: 2016-01-06

Abstract

本发明公开了一种准确预测当前工况下高压共轨柴油机原始NO₂排放的方法，属于柴油机排放控制领域，该方法包括：获取关键试验数据；以柴油机转速、喷油量、喷油提前角、进气压力、进气温度、油轨压力为输入量，通过局部线性模型树算法建立燃烧重心预估子模型；以柴油机转速、空燃比、燃烧重心作为输入量，通过局部线性模型树算法建立NO₂排放量预测模型；在线实时获取柴油机ECU数据，输入NO₂排放量预测模型，即可获得高压共轨电控柴油机原始NO₂排放量。本发明能够快速准确预测柴油机NO₂原始排放量，便于柴油机原始NO₂排放的监测和SCR催化器的控制。

Description

一种高压共轨电控柴油机原始NO2排放量预测方法

技术领域

本发明涉及高压共轨电控柴油机原始NO₂排放量的预测方法，属于柴油机排放控制领域。

背景技术

氮氧化物（NitrogenOxides,NOx）是柴油机的主要排放污染物之一，包括一氧化氮（NitricOxide,NO）和二氧化氮（NitrogenDioxide,NO₂）。NO₂是一种红棕色高活性气体，对呼吸道有强烈的刺激作用，其毒性远大于NO，短期NO₂暴露与呼吸道疾病以及心肺相关疾病的发病率都有一定关系。同时NO₂还是产生酸雨、形成光化学烟雾和引起气候变化的主要因素之一，对大气生态环境具有极大的危害。NO₂是评价环境空气质量的重要指标之一，美国环保署EPA颁布的国家环境空气质量标准、欧盟指令1999/30/EC以及我国颁布的《环境空气质量标准》（GB3095-1996）均规定了环境空气中的NO₂浓度限值。因此在控制柴油机NOx排放的同时，监测其NO₂排放量也非常重要。

目前，选择性催化还原技术SCR是控制柴油机NOx排放的主要后处理技术，柴油机原始NO₂排放占NOx排放的比例对SCR催化器的NOx转化效率具有重要影响，因此监测柴油机原始NO₂排放对SCR控制技术具有重要作用。目前没有直接用于测量柴油机NO₂排放量的物理传感器，只可以通过SCR前后安装的两个NOx传感器测量NOx排放量后估算原始NO₂排放。

发明内容

本发明目的在于克服上述现有技术的不足，而提供一种高压共轨电控柴油机原始NO₂排放量的预测方法，本发明能够快速准确预测柴油机NO₂原始排放量，弥补没有用于柴油机的NO₂物理传感器的不足，便于柴油机原始NO₂排放的监测和SCR催化器的控制。

实现本发明目的采用的技术方案是：一种用于高压共轨电控柴油机原始NO₂排放量的预测方法，包括以下步骤：

（1）通过高压共轨电控柴油机台架试验，获取包括柴油机ECU运行参数、燃烧重心和NO₂排放量数据；

（2）将柴油机转速、喷油量、喷油提前角、进气压力、进气温度、油轨压力6个参数作为输入量，燃烧重心作为输出量，基于局部线性模型树算法建立模型，并以步骤（1）中获得的试验数据对模型进行校核，得到燃烧重心预估子模型；

（3）将柴油机转速、空燃比、燃烧重心作为输入量，柴油机NO₂排放量作为输出量，基于局部线性模型树算法建立模型，并以步骤（1）中获得的试验数据对模型进行校核，得到NO₂排放量预测模型；

（4）柴油机运行过程中，实时获取柴油机ECU数据，将柴油机转速、喷油量、喷油提前角、进气压力、进气温度、油轨压力6个参数输入步骤（2）中获得的燃烧重心预估子模型，从而获得燃烧重心估算值；

（5）将柴油机转速、空燃比和步骤（4）中获得的燃烧重心估算值输入步骤（3）中获得的NO₂排放量预测模型，即可获得柴油机NO₂原始排放量。

本发明方法适用于高压共轨电控柴油机，通过电控柴油机ECU运行数据，结合柴油机的燃烧模型，对柴油机燃烧重心进行预估。由于柴油机原始NO₂排放与燃烧重心具有较强的相关性，因此将预估的燃烧重心，以及柴油机转速和空燃比作为NO₂排放量预测模型的输入量，可以准确的计算出柴油机原始NO₂排放量。

本发明所采用的燃烧重心预估子模型和NO₂排放量预测模型均基于局部线性模型树算法建立，权重函数为归一化的高斯函数，每次分割后传递平顺性的参数设为0.35，每次分割全局误差降低的阈值设为4.5%。与BP神经网络模型相比，局部线性模型树具有算法效率高，运算快的特点，实现了快速可靠的NO₂排放预测。

附图说明

图1是局部线性模型树算法流程图；

图2是本发明方法的流程图；

图3是用于预估柴油机燃烧重心的局部线性模型树模型；

图4是预测柴油机原始NO₂排放量的局部线性模型树模型；

图5是本发明预测的原始NO₂排放量与试验测试值的结果对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

柴油机NOx排放是柴油机吸入气缸内的空气中的N₂和O₂在高温下的反应产物，主要是NO和NO₂。在柴油机原始NOx排放中，NO₂可占排气中总NOx的10~30%。一般认为NO₂是由火焰区NO与HO₂反应生成，NO+HO₂ NO₂+OH，然后NO₂又通过下述反应式重新转变为NO，即NO₂+ONO+O₂。当火焰中的NO₂与冷流体混合时，可以抑制其向NO的再转变，从而淬冷而保留下来，直接从尾气中排出。

NO₂是空气中的N₂和O₂在柴油机气缸内反应的产物，缸内的燃烧情况决定了NO₂的生成量和生成速率，同时也决定了最大爆发压力、最高燃烧温度、压升率和燃烧重心等燃烧特征参数。燃烧重心是气缸内燃料燃烧50%对应的曲轴转角，是表征柴油机燃烧特性的重要参数。本发明研究发现柴油机原始NO₂排放与燃烧重心具有较强的相关性。

高压共轨电控柴油机采用现代电控技术控制柴油机缸内燃烧，安装的多种传感器可以监测柴油机运行参数，柴油机ECU可以采集这些传感器信号并进行计算，控制执行器操作，从而控制柴油机燃烧过程。

局部线性模型树是一种快速模糊神经网络算法，网络的输入层由初始数据组成，第二层是隐含层，第三层是输出层，从输入层空间到隐含层空间的变换是非线性的，从隐含层空间到输出层空间的变换是线性的，其工作空间按二叉树算法被分成M个子空间。局部线性模型树的训练与其结构特点相对应，采用二叉树的方法进行，训练分为内外两层，外层训练优化其结构，内层训练参数。外层的训练包括确定神经元的个数的划分工作空间，对结构的训练是这样进行的，先固定隐节点的个数不变，只调整相关的权系数，然后按照二叉树算法将输入空间重新划分，从中选择使训练误差最小的分叉，作为新的隐节点，依次进行，直到选出最好的结构。具体训练流程图如图1所示。

本发明基于上述事实，通过获取柴油机ECU监控的运行参数，结合经过训练的局部线性模型树模型，估计出气缸内燃烧情况，进而估算出NO₂的排放量。

如图2所示流程，本发明用于测量高压共轨电控柴油机原始NO₂排放的方法，具体包括以下步骤：

在高压共轨电控柴油机试验台架上进行万有特性试验，对柴油机的不同工况点进行测试，工况点数不少于70个。通过CAN总线读取柴油机ECU数据；通过缸压传感器和燃烧分析仪获得柴油机燃烧重心参数；通过排放测试设备获得柴油机原始NO₂排放量。

本实施例所用柴油机燃烧重心预估子模型通过如图3所示的局部线性模型树实现。局部线性模型树必须用与已知输出或结果的相关数据进行训练，因此需要用到上述的试验数据。本实施例中训练局部线性模型树所需的输入样本集参数有6个，包括柴油机转速、喷油量、喷油提前角、进气压力、进气温度、油轨压力，输出样本集参数为燃烧重心。用于模型训练的每个样本集数据不少于50个。对柴油机燃烧重心预估子模型的测试表明：当分割次数不少于30次时可实现收敛，达到较高的训练精度。权重函数为归一化的高斯函数，每次分割后传递平顺性的参数设为0.35，每次分割全局误差降低的阈值设为4.5%。

本实施例所用柴油机原始NO₂排放量预测模型通过如图4所示的局部线性模型树实现。局部线性模型树必须用与已知输出或结果的相关数据进行训练，因此需要用到上述的试验数据。本实施例中训练局部线性模型树所需的输入样本集参数有3个，包括柴油机转速、燃烧重心和空燃比，输出样本集参数为NO₂排放量。用于模型训练的每个样本集数据不少于50个。对柴油机原始NO₂排放量预测模型的测试表明：当分割次数不少于22次时可实现收敛，达到较高的训练精度。权重函数为归一化的高斯函数，每次分割后传递平顺性的参数设为0.35，每次分割全局误差降低的阈值设为4.5%。

将训练好的柴油机燃烧重心预估子模型和原始NO₂排放量预测模型植入高压共轨电控柴油机ECU中，在柴油机运行过程中，通过采集ECU信号，将运行参数值输入燃烧重心预估子模型和原始NO₂排放量预测模型，即可获得高压共轨电控柴油机原始NO₂排放量预测值。

使用本发明预测柴油机原始NO₂排放浓度与试验测量值的结果比较如图5所示，图中的每个数据点表示了不同工况点下输入训练参数所产生的预测结果与对应工况下实际的测试结果。局部线性模型树经过训练后，就可以进行新的试验以验证在没有输出结果的情况下，再次输入训练参数是否能够产生精度足够高的预测结果。在对预测结果进行分析后，显示预测结构和实际结果的偏差在合理的水平之内。

本发明方法对局部线性模型树算法的权重函数、传递平顺性参数以及全局误差降低阈值进行了优化，基于该算法建立的柴油机燃烧重心预估子模型和原始NO₂排放量预测模型所需输入参数少，算法效率高，运算速度快，可植入柴油机ECU进行实时在线运行。

本发明方法所用数据输入主要依赖于高压共轨电控柴油机现有传感器输出，不需要增加额外的缸压传感器，降低成本。

Claims

1.一种用于高压共轨电控柴油机原始NO₂排放量的预测方法，其特征在于，包括以下步骤：

（1）通过高压共轨电控柴油机台架试验，获取柴油机ECU运行参数、燃烧重心和NO₂排放量数据；

2.根据权利要求1所述的一种用于高压共轨电控柴油机原始NO₂排放量的预测方法，其特征在于：步骤（2）中的燃烧重心预估子模型和步骤（3）中的NO₂排放量预测模型均基于局部线性模型树算法建立，该模型的权重函数为归一化的高斯函数，每次分割后传递平顺性的参数为0.35，每次分割全局误差降低的阈值为4.5%。