基于灰箱模型的柴油机微粒排放虚拟传感器研究

Particulate matter (PM) is the most important pollutant of diesel engine, especially the fine particles, which is very harmful to human health. With the increasing complication of diesel engine - aftertreatment system, many concerns were focused on the integrated emission management system, in which the development of emission sensor is very crucial. The PM virtual sensor of diesel engines will be studied in this project based on the signals of electronic control unit (ECU) of high-pressure, common rail diesel engine. The physical and chemical factors which influence the PM mass and number emissions will be investigated on a diesel engine with aftertreatment. The intelligent algorithms, such as artificial neural networks, genetic programming and symbolic regression, will be applied to build a gray-box model of PM mass and number emissions. Then the gray-box model will be validated by the experiment data in order to develop the virtual PM sensor of diesel engines. The PM sensor can be used on the closed-loop control of diesel engine - aftertreatment system and on-board diagnostics (OBD) of diesel engines. The research results of the project will provide academic support and scientific foundation for the development of ultra-low emission diesel engines and in-use compliance, as well as the technologies for controlling the fine particles emissions of diesel engines.

微粒是柴油机排放的主要污染物之一，尤其是细小微粒，对人体健康危害极大。随着柴油机-后处理器系统复杂程度的增加，基于闭环控制的集成排放管理系统成为研究热点，其中排放传感器的研发是关键。本课题拟以柴油机微粒排放传感器为研究对象，以高压共轨柴油机电控单元ECU信号为基础，结合影响柴油机-后处理器系统排放微粒质量和数量的物理化学规律，运用人工神经网络、遗传规划、符号回归等智能算法，建立柴油机微粒质量和数量实时排放的灰箱模型，并以排放实验数据进行校验，从而构建柴油机微粒排放虚拟传感器。该传感器可用于柴油机-后处理器系统的闭环控制以及自诊断系统（OBD）的排放监测，为超低排放柴油机的开发以及在用车排放管理提供理论支持和科学依据，为控制柴油机细小微粒排放奠定技术基础。

微粒是柴油机排放的主要污染物之一，尤其是细小微粒，对人体健康危害极大。随着排放法规日益严格，柴油机-后处理器系统复杂程度增加，基于闭环控制的集成排放管理系统成为研究热点，其中排放传感器的开发是关键。本项目以柴油机-后处理器系统的虚拟排放传感器为研究对象，以高压共轨柴油机电控单元ECU信号为基础，结合影响柴油机-后处理器系统微粒排放的物理化学规律，运用局部线性模型树及遗传规划算法，以实验排放数据进行校验，建立了低排放柴油机微粒质量和数量在线排放模型。. 在发动机台架上进行柴油机燃烧特性和排放特性试验，通过标定软件获取高压共轨柴油机电控单元ECU信号，通过缸压传感器等设备采集缸内燃烧特征参数，通过排放分析设备测试柴油机的微粒质量和数量排放，以及HC、CO、NOX、等气态污染物排放数据，分析高压共轨柴油机电控单元ECU信号和燃烧特征参数与柴油机排放的关系。研究结果表明，采用局部线性模型树（LOLIMOT）和遗传规划作为柴油机燃烧特征参数（缸内最大压力、最高燃烧温度、燃烧重心、燃烧始点）的智能算法，以转速、转矩以及油耗作为输入层可以建立高压共轨柴油机实时燃烧模型，误差在10%以内，相关度在0.96以上。以转速、转矩、空燃比为输入参数，采用LOLIMOT建立微粒质量排放模型，误差在10%以内，相关度达到0.99。以转速、转矩、空燃比、燃烧重心为输入参数，采用LOLIMOT建立微粒数量排放模型，误差在10%以内，相关度达到0.99。. 所建排放模型可用于高压共轨柴油机闭环控制。建模采用的局部线性模型树算法是一种快速的神经网络，与其他模糊神经网络相比，LOLIMOT算法简单，易于实现，训练速度快，在学习非线性系统和模式识别方面，效率更高，仿真结果更稳定，易于植入高压共轨柴油机的控制单元ECU中，从而实现闭环控制。