汽油机瞬态工况油膜参数混沌时序LS―SVM预测的研究.docVIP

汽油机瞬态工况油膜参数混沌时序LS―SVM预测的研究 　　摘要：汽油机油膜参数具有多维非线性特性，当前使用的试验标定法及辨识法难以精确确定参数值，对此提出了混沌时序最小二乘支持向量机（LS-SVM）预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性，对油膜参数试验标定数据进行相空间重构，采用支持向量机对重构后的数据进行训练及预测，得出预测结果，与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力，能够有效地提高油膜参数的预测精度。 　　关键词：瞬态工况；油膜参数；相空间重构；支持向量机；预测 　　中图分类号：TK411 文献标识码：A 　　车用汽油机在瞬态工况时所产生的实际缸内空燃比相对于目标空燃比的偏离，将对汽油机的排放性能、燃油经济性以及动力性产生很大的消极影响，而影响瞬态工况下空燃比控制精度的主要原因是由于油膜动态效应的存在[1]。为了精确控制瞬态工况下的空燃比，需较准确地确定各个工况下的油膜参数，目前辨识油膜参数的方法主要有广义最小二乘法、解耦辨识法及试验标定法等[2]。但由于油路系统是一个多维的非线性系统，精确辨识难度较大，而对油膜参数进行试验标定时，该参数对冷却液温度及发动机工况的影响也较敏感，所以对油膜模型参数进行准确的标定并不容易[3]。针对以上原因，本文提出了混沌时序LS-SVM预测模型，并应用于发动机瞬态工况油膜参数的辨识当中。发动机油路系统受冷却液温度、节气门开度、发动机转速等多种因素的影响具有多维非线性混沌特性，通过相空间重构恢复汽油机油路系统的多维非线性混沌特性，有利于提高油膜参数预测精度。LS-SVM遵循结构风险最小化原则，有效地解决了神经网络的过拟合、易陷入局部极小值和泛化能力差的缺陷[4]，因此将混沌时序与LS-SVM两者有效地融合起来，建立一种混沌时序支持向量机预测模型将有助于提高发动机瞬态工况油膜参数的预测精度。最后仿真验证了LS-SVM模型具有比BP神经网络模型及Elman神经网络更强的非线性预测能力，能够有效地提高油膜参数的预测精度。 　　4 结论 　　针对汽油机瞬态工况油膜参数的多维非线性混沌特性，提出了汽油机瞬态工况油膜参数的混沌时序LS-SVM预测模型，对重构后的试验数据进行训练与预测。试验仿真结果显示混沌时序LS-SVM预测模型有效地提高了预测精度，明显优于BP神经网络及Elman神经网络，充分验证了混沌时序支持向量机预测模型具有更强的非线性预测能力及学习与泛化能力，能够有效地提高汽油机瞬态工况油膜参数的预测精度，具有较高的应用价值。 　　参考文献： 　　[1]朱航，王绍?.电控汽油机进气道油膜特性参数的标定[J].汽车工程，2004，26（2）：127-130. 　　Zhu Hang，Wang Shaoguang. Calibration for Characteristic Parameters of Fuel Film in Intake Duct of EFI Gasoline Engine [J]. Automotive Engineering，2004，26（2）：127-130.（in Chinese） 　　[2]李顶根，舒咏强.汽油机进气道油膜模型参数辨识算法的研究[J].内燃机学报，2009，4（27）：363-369. 　　Li Dinggen，Shu Yongqiang. Research for Identification Algorithm of Oil Film Model Parameter in Gasoline Engine Intake Duct [J]. Transactions of CSICE，2009，4（27）：363-369.（in Chinese） 　　[3]钟祥麟. 基于油膜模型的多点喷射汽油机瞬态工况控制研究[D]. 长春： 吉林大学， 2007. 　　Zhong Xianglin.Study on Control of MPI Gasoline in Transient Condition Based on Fuel Film Model [D]. Changchun： Jilin University，2007.（in Chinese） 　　[4]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-43. 　　Zhang Xuegong. About the Statistical Learning Theory and Support Vector Machine （SVM） [J]. ACTA AUTOMATICA SINICA， 2000，26（1）：32-43.（in Chinese