机构名称：
¥ 1.0
为了实现零碳社会，人们关注的焦点是减少交通运输领域的碳排放1)、2)，但对于支持物流的大型柴油车辆，也需要提高燃油效率并减少碳排放。近年来，柴油机废气排放评价方法不断更新，需要能够在各种条件下满足废气法规的控制方法。然而，众所周知，发动机建模是一个难题，因为它涉及燃烧现象，并且非线性、延迟和相互作用的存在使得构建控制器变得困难。 参考文献3)阐述了对柴油机进排气系统H ∞ 控制的研究，提出了一种通过切换控制器来覆盖运行范围的方法。另一方面，人们也在研究利用实验数据创建发动机的神经网络模型4)。虽然可以使用复杂且详细的仿真模型来模拟发动机，但是很难将其直接用作控制模型。一旦收集到数据，就可以相对容易地创建神经网络，并且神经网络被广泛用于近似、分析、异常检测和模拟。参考文献5），6）研究柴油机的模型预测控制，利用机器学习推导出状态空间表示，并利用神经网络近似控制律，实现高速控制计算。在参考文献[7]中，我们提出了一种结合Hammerstein-Wiener模型和输入凸神经网络的模型。我们还通过将该方法应用于发动机气道系统的建模和控制来检验其实际适用性。在参考文献8)中，提出了一种基于模型的柴油发动机空气路径控制，作为一种模型预测算法，解决具有输入约束的最优控制问题。在参考文献[9]中，开发了一种基于非线性自回归模型的非线性模型预测控制器，该控制器使用外生输入神经网络来解决柴油发动机的控制问题。然而，目前还没有开发出能够建立柴油发动机的神经网络模型并针对该模型系统地进行设计的控制方法。
使用人工智能工厂模型对柴油机进行模型预测控制
主要关键词
相关文件推荐
