HCCI汽油机基于自燃着火燃烧模型的自学习主动抗扰控制的基础研究

As gasoline HCCI ignition and combustion are very sensitive to boundary conditions, the conventional closed-loop controllers cannot overcome the constraints of overshoot or oscillation, limiting their practical aplications. Based on the knowledge of the effects of in-cylinder charge and temperature distribution on ignition and combustion process, a control-oriented HCCI combustion model will be constructed for feedforward controller synthesis. An active disturbance rejection controller (ADRC) will be estabilished, in order to compensated for the discrepancy between the model and the real HCCI combustion process. For the purpose of optimizing the model or controller parametes on-line, a self-learning algorithm will continuously track and learn the control process, reducing the burden of ADRC .This reaserch is intended to solve the problems of control-oriented modelling and model-based controller synthesis, which are the two key obstacles in the application of HCCI combustion. The research will enrich and develop the modern gasoline engine combustion control theory ，which has important scientific value。

HCCI燃烧具有降低汽油机油耗和排放的优势，但由于其着火及燃烧对边界条件的高度敏感，常规的闭环控制算法难以实现HCCI燃烧的稳定运行，进而制约其工程应用。本申请拟深入研究燃料、废气和温度在缸内的空间分布形态特征参数对着火及燃烧的影响规律，发展更加精确的着火燃烧模型，基于此模型建立前馈控制算法。针对前馈控制算法存在的偏差和外部运行条件的干扰，开发主动抗扰控制器对前馈控制算法进行实时观测和补偿，抑制 HCCI 运行波动。为实现发动机在运行过程中持续改善控制品质，不断提升控制器抑制波动的能力，拟研究基于状态空间递阶辨识的自学习算法，用于在线修正着火燃烧模型或控制器参数。以上研究对突破HCCI燃烧控制的瓶颈，促进其工程应用，具有重要的现实意义。这种新的控制思想，对于解决发动机燃烧控制的复杂敏感性问题，具有重要的理论意义。所建立的着火燃烧模型对HCCI发动机仿真、控制及优化设计，具有较高的使用价值。

HCCI燃烧或SI-HCCI混合燃烧具有改善汽油机油耗和排放的巨大潜力而受到广泛重视。但由于其着火和燃烧对于边界条件非常敏感，燃烧相位和放热过程难以精确控制，因而其工程应用面临巨大挑战。为突破这种控制瓶颈，本课题研究了HCCI燃烧汽油机控制参数对燃烧过程的调控规律，建立了具备自学习能力的HCCI着火燃烧模型，并提出了一种基于燃烧模型的前馈、即时扰动观测反馈和累积扰动观测校正相结合的自学习主动抗扰控制算法。.首先，为了建立用于前馈控制的燃烧预测模型，系统研究了气门定时、喷油时刻、燃油分层等控制参数对HCCI着火燃烧过程的调控规律。.其次，在HCCI燃烧放热模型的基础上，通过引入点火角修正因子，发展了用于前馈控制的SI-HCCI混合燃烧预测模型。对该模型引入自学习因子，使该模型具备在线自学习能力，可在运行过程不断缩小预测误差。.再次，提出了燃烧预测模型的逆模型的前馈解耦控制算法，为了补偿前馈模型的建模误差，提出了基于扩张状态观测器（ESO）的即时观测算法。分别采用自适应ESO和带宽参数化的ESO整定方法，实现了CA50通道、IMEP和λ通道控制参数的简化标定。发动机台架实验验证结果表明：在转速1200rpm至1600rpm，IMEP在2.25bar至5bar的工况内，该算法最快可在3个循环内完成IMEP调节，CA50的跟踪平均偏差小于4°CA，λ的跟踪偏差在0.08以内。.最后，提出了基于递推最小二乘算法的自学习控制算法。通过模型自学习因子的在线调整，在运行过程中不断提高模型精度，改善前馈解耦控制效果。提出了基于极值搜索方法的直喷时刻在线优化算法，以避免对直喷时刻的复杂标定，并自动补偿因边界条件的变化而引起的最优直喷时刻漂移。发动机台架实验结果表明：累积观测算法可将λ最大跟踪偏差减小27%以上。累积观测算法最快可在300循环内完成直喷时刻的优化，自动补偿点火角和负荷变化的影响。.本研究所建立的着火燃烧模型对HCCI发动机仿真、控制及优化设计，具有较高的使用价值。所提出的控制算法对突破HCCI燃烧控制的瓶颈，促进其工程应用，具有重要的现实意义。