汽油机排放优化标定技术的现状与展望

戴超麒 刘炜 谷鑫 李东明 张成

1.上汽通用五菱汽车股份有限公司 广西柳州市 545000 2.哈尔滨工程大学 黑龙江省哈尔滨市 150006

1 引言

当前，绿色发展和碳中和是国家层面关注的重点议题，同时清洁低碳内燃机发展的趋势，为了满足当下时代的发展需要，企业应承担的重要责任。《轻型汽车污染物排放限值及测量方法（中国第六阶段）》对汽车的排放方面作出了严格规定要求，为了满足排放法规汽油机的电子控制技术是关键一环，其性能（包含排放性能）在很大程度上取决于标定系统方案的成熟程度及标定技术水平，这对于标定从业人员既是机遇也是挑战。排放优化标定是综合性较强的标定模块，不仅在覆盖车辆散差、识别系统风险等方面有所贡献，还可以挖掘系统软硬件中的排放性能余量，在由安全线、法规线、口碑线围成的范围内寻找空间，降低单车排放合规成本，提升产品竞争力。

在软件定义汽车的洗礼下，汽车产业正在发生深刻变革的复杂局面，汽车产业的内涵与外延正在不断扩展。以互联网、大数据、云计算、人工智能等技术为代表的新一轮科技革命，正在引发全球制造业的深刻变革。在掌握传统排放优化标定基本原理与方法的基础上，将人工智能、大数据等技术应用到排放优化标定领域，已经是大势所趋。

2 汽油机排放优化标定

2.1 排放物生成机理

受法规控制的汽车排放包括气态污染物和颗粒物。其中，气态污染物包括排气污染物中的一氧化碳（CO）、氮氧化物（NO）、碳氢化合物（THC 和NMHC）、氧化亚氮（NO）。 冷 机 工 况 下HC、NMHC 与CO的生成机理基本，一般HC 生成量较大时，NMHC 与CO 生成量也较大。HC 排放的主要来源有车辆尾气、曲轴箱泄漏及蒸发排放，其中车辆尾气中的HC 生成机理是燃料的不完全燃烧、壁面淬熄效应、狭隙效应、壁面油膜和积碳吸附等。影响NO生成的三个因素是为缸内燃烧温度、氧气含量以及燃烧时间，一般认为高温富氧的情况会生成较多的NO。颗粒物是排气中固相（碳颗粒、灰分）及液相（除水之外）的总称，其来源主要有燃油湿壁（活塞湿壁、缸顶和气门湿壁、喷油器顶部燃油堆积等）和混合气局部过浓。

2.2 汽油车排放主要影响因素

汽油车整车排放水平主要由硬件、软件控制水平及外部因素综合决定。硬件方面，整车动力总成及后处理系统的设计选型和制造水平，决定了整车排放的原始排放高低和减排能力强弱，如发动机、变速箱、车重功率比、整车阻力、三元催化器及颗粒捕集器等。而动力总成核心零部件，如油泵、喷油器、进排气系统、关键执行器及传感器等，也对排放有影响。软件方面，电喷系统各个功能模块的数据综合调教水平决定了最终的排放性能，包括充气和扭矩计算、温度模型、空燃比控制、过渡工况控制、起动控制、催化器加热控制等。外部影响因素，如车用燃油、排放测试设备与测试方法、驾驶员等，也会对排放结果产生决定性影响，不可忽视，实际操作中需严格按照法规的相关规定执行。

基于此，对传统动力总成技术的持续优化，是面向未来排放需求的主要技术方案之一，一方面通过硬件上的升级，另一方面通过软件上标定优化整车的控制参数，使得整车发挥出最好的排放性能。在外围硬件基本确定的情况下，发动机电子管理系统已经成为提高燃油经济性和满足更为严格的排放法规的决定性因素。

2.3 排放优化标定

发动机标定工作就是在某个确定的发动机管理系统下，通过各种项目标定，为发动机电子控制单元（Electronic Control Unit，简称ECU）中各类参数设置合适的值，以使汽车各工况工作在进气、喷油、点火的最优组合参数下，满足动力性、经济性、安全性、排污性的综合要求。对于排放优化标定，标定项目主要有三元催化器加热控制策略标定、催化器窗口标定、起动及混合气标定等。

3 排放优化标定方法讨论

3.1 传统的排放优化标定方法

传统的排放优化标定是“问题导向型”的工作流程，基于排放测试结果，辅以试验设计技术进行寻优的循环。例如对于典型的WLTC 测试循环，排放集中于起动后的30s 内，这个阶段的控制重点是通过设定目标转速和目标点火角加速催化器的起燃，同时通过空燃比控制尽可能产生少的原始排放，以上两个目标平衡择优。具体标定手段是根据已有工程经验，筛选出排放产生工况点，用试验设计DOE 等方法列出备选控制参数组合，并通过试验选取最优参数组合，视情况再进行进一步精调，这样方法试验任务量大、试验成本高、标定周期长。

3.2 基于模型的标定技术

排放优化标定当前的研究热点是基于模型的标定技术，该技术融合了发动机技术、试验设计、自动控制、嵌入式系统、计算机技术等多个领域的关键技术。近年来，由于计算机技术的不断发展，用神经网络等机器学习算法建立的排放模型被得到更多的关注与应用。机器学习算法在内燃机领域的应用主要集中于性能及排放预测、故障诊断以及智能控制等三个方面，并体现出了跟传统方法比较下的诸多优势。利用机器学习算法建立发动机排放性能黑盒模型，需要大量的测试数据支持，但其用于标定可有效减少实际试验的数量，进而缩短标定周期。另一方面，黑盒模型缺乏对系统潜在物理性的解释力，模型还容易出现过拟合等问题，模型的训练也需要一定的工程经验。

基于机器学习算法，王子垚建立了输入是发动机重要运行参数集，输出为各气态污染物的发动机排放模型，训练集和测试集来自发动机多工况台架试验数据。通过算法的升级与优化，模型可被用于处理非线性、复杂的发动机性能和排放预测。相关研究7表明，数据清洗、模型拓扑、优化算法等环节的优化，都是提高模型的预测精度的有效手段。受益于算法进化和深度学习技术的发展，具备更新和学习功能的排放模型也被广泛研究和应用，如Wong Pakkin等人利用支持向量机建立了可以学习的发动机功率及性能预测模型，模型的预测精度随着学习的进行不断提高。

3.3 基于机器学习算法的排放性能模型研究方向展望

机器学习算法用于排放建模是当下的研究热点，随着研究的深入和技术的发展，该研究方向可以从数据来源、输入选择、算法优化、模型评估等四个方面进行深入。

数据来源方面，大多数研究的数据来源于台架试验或是稳态工况测试，然而未来更具实用价值的是对整车瞬态工况排放的建模及应用，后续研究可将数据来源逐渐拓展至瞬态工况数据甚至实际道路排放数据。对瞬态数据的预处理是机器学习算法建模的重要先决条件，决定了模型的精度，是建模的重点及难点。

输入选择方面，对于选取哪些参数作为模型的输入变量，大部分研究是基于经典物理模型或者实际工程经验，这样做也有提升运算速度的考虑。模型的输入选择也是模型建立的关键环节，如前所述，不同的污染物的产生机理不尽相同，可以用相关性分析方法，筛选出跟各污染物的产生相关性靠前的关键变量，以此做为输入变量选择的依据，随着机器学习建模便捷性的提升，在输入选择环节进行充分的论证有利于后续模型的性能提升。

图1 基于模型的标定技术

图2 基于机器学习算法的排放性能模型

算法优化方面，主流机器学习算法诸如神经网络和支持向量机等得到了较多应用，体现了这些算法的普适性，但逐步也有一些其它算法被应用至特定场景，并表现出了较好的性能。后续算法优化的目标将是可以对瞬态过程或者时变系统进行处理，能用于建立具备更新和学习功能模型的算法也有较高的研究及应用价值。

模型评估方面，模型性能评估不仅要对模型质量、模型性能进行评价，还需对模型适用性（适配动态过程的重构优化），模型适应性（在其它发动机上的迁移复用），以及模型价值（交付、流通、应用）进行评价。

4 结语

排放优化标定是控制汽车污染物的有效方法，经比较传统排放优化方法与基于模型的标定技术，基于机器学习算法的发动机排放性能建模是较有潜力的技术路径，在前人研究的基础上，可以从数据来源、输入选择、算法优化及模型评估等方面进行深入和创新。基于机器学习算法开发的模型使用场景丰富，可以提升标定效率提升，挖掘出更优的综合性能表现，可实现标定数字化、智能化、精细化。