《现代柴油发动机NOx排放估算》由会员分享，可在线阅读，更多相关《现代柴油发动机NOx排放估算（7页珍藏版）》请在金锄头文库上搜索。
1、现代柴油发动机NOx排放估算集团PSA和IFPEN共同开发了一种新的方法来模拟引擎排放。它能够体现在许多具体 情况，并且能为其设计和设置流程提供机会。这里有一个相关的被开发案例，就是用于模拟 柴油机输出氮氧化物排放的传感器。该模型基于神经网络和经验关联，处理所有真实的驾驶 条件和寿命限制，如环境空气温度，湿度和高度的变化。它的开发和验证过程是基于一系列 广泛的测试。发动机在RDE环境下的输出氮氧化物排放估算严格的法规使现代发动机越来越复杂。由于这点，控制系统在整个发动机成本中所占的 比例越来越大。因此，最重要的是限制用于管理发动机及其后处理系统的传感器的数量。柴 油发动机，因为其对稀薄混合物强
2、大的后处理约束，容易受到成本削减的影响是必然的。通常，后处理系统，特别是选择性催化还原部分（SCR），是由位于两端的氮氧化物传感 器所控制的。在这个框架中，利用发动机NOx排放的估算代替上游的NOx传感器可以带来 很多好处。首先，它允许补偿传感器在预热条件下的激活周期。第二，它能为传感器诊断提 供冗余信息。最后，在实际驾驶条件下，如果NOx估算非常准确，可以替代上游NOx传感 器，从而大大降低发动机控制系统的成本。通常，用于SCR控制的NOx传感器的误差率为 10ppm。最近的柴油发动机集成了复杂的控制策略，包括几个适应不同工作条件的校准图（冷启 动、EGR冷却旁路、DPF再生、EGR防结露等
3、）。此外，瞬态驱动或热环境条件下强烈影响 发动机的工作性能和缸内组成。最后，天气波动导致环境空气特性的显著变化，如湿度、温 度或压力。所有这些变化的来源都会对燃烧方案产生影响，从而对氮氧化物排放产生影响。不同的氮氧化合物估计方法实时估计主要是基于半物理或经验模型。半物理模型通常依赖于热释放率模型得到了燃 烧气体的温度，并对Zeldovich的热机制进行了分析形成的1-3。根据物理描述的该模型 优点是减少了校准数据的需要和外部校准领域的积极趋势。尽管如此，对于多重校准策略， 这种模式通常不适合。注射模式和强化缸内成分变化不能完全由半物理方法管理。有许多经 验主义的方法:查找表、人工神经网络（AN
4、N）4，分段仿射建模。这些方法在其标定范围 内具有较高的精度。然而，如果在实际驾驶环境中使用，对它们的校准，大量的实验数据是 必要的。本文对此进行了详细阐述。其目的是限制校准数据的数量，同时达到所有驾驶条件下的 高精度。在多工况试验台上进行试验这项研究是在一个通用的柴油发动机进行的。一系列广泛的测试都是在一个特定的测试 台上进行的，测试台配备了一个可变进气系统。在第一阶段，研究了普通发动机在标准工况下的NOx排放。如图1，在发动机图上均匀 选择多个操作点来研究发动机参数对NOx排放的影响。对所有主执行器进行了单参数变分。 这些实验表明，所有的注射参数都有显著的影响。在多注入模式中，图1和多映射
5、上下文 中，必须将微注入的时间和数量作为NOx估计器的模型输入。Engine speed -图1参数化研究的注射模式划分和操作点定义(示意图)(IFPEN | Groups PSA)在第二阶段，研究了环境空气条件和冷却剂温度的影响。冷却剂的温度从40C到100C不等，大气压力降低了 100mbar，空气温度从-7C到 35C不等。由于对容积效率的影响，氮氧化物变化的主要原因是缸内成分的变化。在EGR 稀释的操作点上，这一点尤为重要。湿度对NOx的影响也有研究。绝对湿度表示空气中水蒸气的量，在20C和35C时变 化。作为环境空气储存水的能力，在高温下会更高。在20C时可达到15g/kg的最大湿度
6、， 在35C时可达到20g/kg的最大湿度。在这些变化中观察到三种主要的物理现象如果没有 可用的湿度传感器，当湿度变化时，用热膜计(HFM )测量空气质量流量是不正确的。由于它 用于空气系统控制，因此在EGR稀释的操作点上，气缸内的成分会发生变化。环境空气中水蒸气的存在对NOx排放的影响与EGR相似。由HFM偏差和附加稀释效应引起的缸内成分差异将不可避免地影响燃烧方案，从而影 响给定扭矩的注入量。在此基础上，提出了图2中定义的模型结构。考虑到环境空气条件和 发动机水温变化实验的复杂性，建立了一个神经网络模型来估计标准条件下的NOx排放。它的输入是注入参数，发动机转速和缸内成分，通过一个嵌入式缸
7、填充模型来计算。然 后，考虑进汽温度、水汽和冷却剂温度影响，利用经验修正，将估计结果应用于实际驾驶条 件。通过这种方法，可以将特定成分的影响与热稀释或水稀释的影响分开处理。图2 NOx全局模型结构中的RDE估计量（IFPEN | Groups PSA）模型校准和验证人工神经网络是一种强大的分类和回归问题的方法，能够为复杂的过程建模。这里，使 用了一个前馈神经网络5。它的参数可以根据要建模的流程的复杂性而变化。所采用的人工神经网络模型具有12个输入特征，其中包括注射参数、缸内成分和发动 机转速。该模型对实验设计数据进行训练，分为训练集和测试集。一个独立的测试集用于验证估 计结果。为了找到最佳的A
8、NN架构，对其进行变异训练集的大小，神经元的数量和隐藏层 已经完成。必须找到一个折衷的神经元数量，以获得一个良好的泛化ANN：它必须足够高 才能模拟物理复杂性（低错误率），但必须被限制避免过拟合（低错误率在测试集）。如果太复 杂，模型将会学习来模拟噪音，这是不可能的概括预测。根据最小均方误差准则选择最佳模 型。一个单层的，五个神经元的结构被选为最终的ANN模型。DoE和验证数据集的估计结果报告在图3。验证数据的平均错误约为6%，表示标准条 件下NOx估算器的平均性能。验证中使用了两种不同的校准策略。在这两个数据集中都观 察到类似的趋势，证明了模型结构和校准的正确性。低排放水平上较低的相对精度可
9、以解 释为使用EGR和低燃烧温度下NOx生成的多个来源。对于更高的负载，简化了建模因为EGR 一般不使用和NOx主要是通过NO热能上升机制产生。通过考虑冷却剂和进气温度的热影响以及水蒸气稀释对NOx生成的影响的经验修正， 该模型适用于RDE环境。当考虑湿度水平时，HFM测量被修正。由于EGR被停用的专门实验，所有这些修正都得到了调整。oo50403020101 I 102030Absolute relative error %-050【溪一ota)(DA=e-al Qn-osqv108 6 4【】gus Strategy A Strategy B+ + + +* 4 k 一一一 A-+ * +
10、4Measured NO.图3培训和验证集模型评估（部分示意图）（IFPEN | Groups PSA）模型在各种环境条件下的验证如图4所示。平均估计误差在10%左右，几乎所有的工 作点都在20%的范围内。换句话说，在这种多环境适应条件下，估计精度仅略有下降。以 环境空气温度为35C时，湿度测量从5g/kg增加到20g/kg，模型在8个工况点的行为如 图5所示。它显示了氮氧化物变化的不同来源（组成、摄入温度和水蒸气）的影响。最后，该 模型较好地预测了 NOx的相对变化。no2IX00oo o o o o o8 6 4LEdd-凶 pGlu Mozo2020010001200+ I so-s p
11、eed+ Humidity+ Air temperature* Coolant Lernperatufei + EGR cooler bypass 20 %400600800NO experimental ppm图4环境条件变化时的稳态模型验证(IFPEN | Groups PSA)汲切.2宜碧ON图5湿度变化过程中NOx估算器的相对行为(Tair = 35C时为 5 20 g/kg)(IFPEN | Groups PSA)总结本文提出的总体NOx估算分为三个主要部分。模型的中心部分是能够在标准条件下预 测的人工神经网络。它的校准主要是基于DoE的实验覆盖整个工作范围，以对可能的发动 机校准变
12、化保持稳定性。为了节省成本和时间，也可以使用来自标准引擎校准过程的测量数 据。为了简化神经网络的结构，提高全局神经网络的精度，采用柱面成分计算作为神经网络 的输入。对多环境适应进行了实验修正。这也减少了温度和湿度变化的实验次数。该估算结 构的主要思想是将导致实际驾驶条件下NOx变化的所有物理源分离开来。这样，模型校准简化了算法，提高了整体估计性能。参考文献1 Guardiola,C.;Mart in,J.;Pla,B.;Bares,P.:采用循环NOx模型对柴油机进行控制。中:应用热工 110(2017) , 1011-1020 页2 Querelc;Grondino.;LetellierC.:半柴油机控制物理均值NOx模型。参见:控制工程实践40(2015)，第 27-44 页3 Asprion,j.;Chinellatoo.;Guzzella,L.:基于物理的柴油机NOx排放快速准确模型。：应用能 源，103(2013)，第 221-233 页4 王,yy;贺,y;Rajagopalan,S.:设计利用神经网络实现发动机输出虚拟NOx传感器 网络和动态系统识别。参见:SAE国际发动机杂志4.1(2011)，第828-836页5 Shalev-Shwartz，美国;Ben-David,S.:理解机器学习:从理论到算法。纽约,2014年
