27、发动机空燃比估计与模式识别控制算法研究

发动机空燃比估计与模式识别控制算法研究

1. 空燃比估计相关内容

1.1 神经网络模型基础

在空燃比（AFR）估计中，使用了神经网络模型。其输出表达式为：
$\hat{y}(t|w) = NN[\phi(t, w), w]$ (1)
其中，$w$ 是在训练过程中需要识别的权重参数向量，$\phi(t)$ 表示网络输入向量，具体形式如下：
$\hat{\phi}(t, w) = [y(t - 1), \cdots, y(t - p), w, x(t - q_1), \cdots, x(t - q_m), w, \cdots, x(t - q_j), \cdots, x(t - q_j + m_j)]$ (2)
这里，$j$ 是输入的数量，$p$ 和 $m_j$ 分别是作为反馈变量的过去输出数量和作为前馈变量的第 $j$ 个过去输入数量，$q$ 是系统固有的时间延迟。输出节点的误差信号由下式给出：
$\varepsilon(t, w) = y(t) - \hat{y}(t, w)$ (3)
成本函数是均方误差（归一化平方误差之和 [NSSE]）与正则化项（通常称为权重衰减项）的总和：
$\xi(w) = \frac{1}{2} \sum_{t = 1}^{T} (\frac{\varepsilon(t, w)}{N})^2 + \frac{\beta}{2} w^T w$ (4)
其中，$\beta$ 是权重衰减。通过最小化成本函数 $\xi(w)$ 来优化参数向量 $w$。

1.2 AFR 估计影响因素与控制策略

AFR 估计和控制的准确性受喷射和传输延迟的影响。从电子控制单