模型预测控制技术在发动机空燃比控制中的应用研究*

刘靓葳

（长春金融高等专科学校，吉林 长春 130124）

0 引言

随着我国汽车产业的迅速发展，汽车产量大幅度增长，在能源短缺和环境污染日益严重的情况下，减少污染物的排放、提高燃油消耗率是发动机产业最重要的目标。模型预测控制技术的推广，为发动机空燃比控制研究提供了较好的智能化工具。目前，混沌优化算法（COA）在预测领域中发挥了特有的作用。混沌算法在复杂非线性参数估计方面有一定优势，在优化领域因其优势和特性被广泛地应用，在参数优化过程中，对参数进行编码，运用混沌的遍历性等优势，使其不易陷入局部最优解，逐渐靠近最优解的方向，从而求出全局最优解。在发动机空燃比实时估计研究中引入该方法，通过混沌优化算法搜索到全局最优解，运用混沌优化算法进行模型预测，具有较好的应用和发展前景。本文使用混沌算法进行模型预测，实现发动机空燃比实时估计器的设计。

粒子群优化算法（PSO）和遗传算法（GA）都属于仿生优化算法，使用广泛。它们是在自然特性的基础上模拟种群的适应性，通过一定的规则、方法来求得最优解。虽然这两种算法的效果大致相同，但是PSO比GA更加高效。QPSO是一种基于量子力学的全新粒子群优化算法[1]，它引入δ降势，取消了一个属性，即粒子的移动方向。粒子移动的速度和位置在空间中不能一起确定，因此，运用波函数来表示粒子的位置，结合蒙特卡罗方法求出粒子的位置，通过求解得到最佳位置[2]。因此，QPSO相比PSO具有更好的全局收敛特性。本文针对空燃比控制中的空燃比跟踪问题，采用了QPSO算法来解决。

本文基于模型预测控制技术实现柴油发动机空燃比控制研究，建立精确的发动机数据机理混合模型，运用混沌算法建立发动机空燃比估计模型，结合QPSO算法求出全局最优解，解决空燃比跟踪问题，对柴油发动机节能减排具有十分重要的理论研究和现实应用意义。

1 国内外研究现状

目前，人工智能被列为重点工作对象。随着人工智能的迅速发展，核心技术算法的有效提升，为混沌算法和粒子群算法在众多领域的应用奠定了基础。当前人工智能算法在发动机应用领域的使用频率逐渐升高，发展相当迅速。未来，随着人工智能的逐渐普及，此技术将会在交通、金融、医疗和行政等各个领域有着广阔的应用前景。

空燃比是发动机气路系统中重要参数之一，具有较强的非线性结构。在建立空燃比估计数学模型的过程中，模型参数辨识是关键步骤。许多国内外学者都提出了空燃比模型参数辨识方法。M.Vasak等使用基于聚类的方法，识别了空燃比控制系统的模型参数。K.Nakano等基于遗传算法和非线性优化，估计得到了系统的参数。葛晓成等使用神经网络方法和最小二乘法，实现了空燃比控制系统的神经网络非线性模型。以上建模方法大多数是比较复杂的非线性模型，很难应用到实时控制系统当中。将模型适当简化，减少辨识参数数量是提高算法实时性的关键。关于模型辨识，有学者提出了混沌优化算法（COA），这是一种基于混沌遍历性的优化算法，它比随机优化算法更容易摆脱局部极小值。笔者基于COA算法来搜索出简化后的最优参数值，建立了更为简单和精准的空燃比估计模型。粒子群算法（PSO）是群智能优化算法。粒子群算法与遗传算法类似，但是容易陷入局部最优解，由于QPSO相比PSO具有更好的全局收敛特性，因此，本文基于COA和QPSO算法对喷油量进行全局求解，在误差较小的情况下实现空燃比跟踪。

2 基本原理简介

在人工智能中的机器学习分类算法特征选择的优化问题上，大多数学者运用的方法主要是使用单一的算法去解决优化问题。有学者提出使用改进的二进制粒子群优化方法进行特征选择，结果有效降低了计算成本，提高了结果精度[3]。元启发式算法将随机算法与局部搜索算法相结合，运行一次就会得到一组解，用时较少并且可以搜索到理想的解集，在各类实际问题中被广泛应用[4]。本文通过综合考虑元启发式算法的优点，运用混沌算法高效性和准确性等特征，及量子粒子群算法在搜索参数上的优势，利用混沌算法搜索出简化后的最优参数值，量子粒子群算法进行参数的优化，两种算法相结合实现发动机空燃比跟踪控制的研究[5]。

2.1 混沌优化算法（COA）

2.1.1 混沌思想

混沌是确定性系统中对初始条件非常敏感的周期性长期行为，数学上将其定义为非线性确定性系统产生的半随机行为[6]。混沌现象普遍存在于非线性系统中，混沌具有规律性、随机性和遍历性等特点[7]。混沌运动能在一定范围内按照规律不重复地遍历所有状态，因此还可进行优化搜索[8]。综上所述，可以利用混沌的特性采用混沌变量进行全局搜索和寻优。

2.1.2 混沌优化算法基本步骤

混沌算法由混沌变量、特征信息映射和混沌向量等组成[9]，其构成如图1所示。混沌优化算法基本步骤如下。

图1 混沌算法的构成

步骤1：初始化，列出不同轨迹的混沌变量。

步骤2：运用载波方式产生等待优化的变量，并把变化范围放大至相应区域范围中。

步骤3：运用刚产生的混沌变量进行迭代式搜索，计算出来相应的性能指标，然后和原来的指标进行比较。

步骤4：运用随机扰动的方式在当前最优解的附近进行n步的细搜索，得出对应的性能指标，如果求得的解比当前最优解更优就保留，否则丢弃。

步骤5：判断之前设置好的迭代次数，如果达到相应的迭代次数，那么就输出最优解停止搜索；如果没有到达迭代次数，那么就返回步骤3继续进行迭代搜索求解[10]。

2.2 量子粒子群算法（QPSO）

粒子群优化算法（PSO）是一种进化的种群计算技术（evolutionary computation），由Eberhart博士和Kennedy博士在1995年提出，想法来自对鸟群捕食行为的研究。该算法最开始是二位学者由于受到飞鸟集群活动规律性的启发，然后利用群体智能来建立的一个简化的模型。粒子群优化算法在对鸟类捕食活动行为观察的基础上，运用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。发动机的空燃比跟踪控制具有非常强烈的非线性动态特性，控制问题优化求解容易陷入局部最优。

针对空燃比跟踪的非线性控制问题，本文采用新型PSO——量子粒子群优化（QPSO）算法来求解优化发动机喷油量。QPSO算法实现的流程图如图2所示，此算法在非线性优化问题求解方面有优势，可以求得全局最优解，该方法在空燃比跟踪及求解问题中具有较好的应用前景。

图2 QPSO算法实现的流程图

3 预测模型的设计及实现

本文是以柴油车发动机建模和空燃比控制问题为研究背景，以COA和QPSO算法为核心，以先进控制理论应用为辅助，开展的多学科交叉研究。以大量的数据分析为基础，以具体节能减排需求为目标，提炼出人工智能技术应用的基础科学问题，探索高效、低成本的控制策略实现方法。

本文提出基于COA算法的空燃比估计实时预测模型。此外，基于本项目COA算法空燃比估计模型具有参数自适应功能。在进行柴油发动机系统空燃比跟踪之前，首先应该从提高发动机性能的方面考虑，即要求空燃比跟踪误差达到最小。为了实现发动机空燃比跟踪，基于模型估计设计了目标函数，然后运用QPSO算法控制器对进气量和喷油量进行求解。在COA空燃比估计参数在线更新模型的基础上，提出了基于QPSO算法的空燃比跟踪非线性控制器。通过仿真试验，提升QPSO算法的全局优化求解速度，使得空燃比跟踪误差达到最小，达到空燃比跟踪的要求。

4 结论

本文基于模型预测控制技术针对发动机空燃比控制开展了研究工作，提出一种基于COA算法和QPSO算法的混合式技术。首先，根据发动机的结构特性和工作原理，运用MATLAB/Simulink完成了发动机气路系统仿真模型的搭建。其次，基于仿真试验平台的数据分析，提出了空燃比估计COA实时预测模型。再次，在COA估计模型基础上，运用QPSO算法对进气量和燃油喷射量进行求解，提出了基于QPSO算法的空燃比跟踪非线性控制器。最后，通过MATLAB/Simulink验证了方案的有效性以及可靠性。未来将考虑把人工智能算法应用到其他领域，并搭建硬件平台，验证相关算法的有效性。