CN105205230B - Hcci发动机进气门关闭时刻混合气温度的观测方法 - Google Patents
Hcci发动机进气门关闭时刻混合气温度的观测方法 Download PDFInfo
- Publication number
- CN105205230B CN105205230B CN201510559470.6A CN201510559470A CN105205230B CN 105205230 B CN105205230 B CN 105205230B CN 201510559470 A CN201510559470 A CN 201510559470A CN 105205230 B CN105205230 B CN 105205230B
- Authority
- CN
- China
- Prior art keywords
- ivc
- engine
- temperature
- exh
- cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于扩展卡尔曼滤波(EKF)算法的均质充气压缩点燃式(HCCI)发动机进气门关闭时刻混合气温度(Tivc)的类龙伯格(Luenberger)高阶递归神经网络(RHONN)状态观测方法，涉及汽车电子控制技术领域。该方法采用添加Luenberger项的RHONN形式，其中，RHONN的权重系数由EKF算法进行训练调节并提供，进而估计得到HCCI进气门关闭时刻的混合气温度。EKF训练算法的输入为发动机热力学状态模型输出的估计值与实际值的误差和神经网络输出值对权重的导数，输出则为观测方法的权重参数w。通过选取最优的RHONN权重参数和增加的Luenberger项，本发明所提出的方法能够很好地克服***运行中出现的扰动、参数时变及其他不确定因素等问题，并且加快了跟踪速度。因此，该方法具有较强的抗干扰能力，能够获得精确的Tivc估计值。
Description
技术领域
本发明涉及汽车电子控制领域，具体是一种均质充气压缩点燃式 (HomogeneousCharge Compression Ignition,HCCI)发动机进气门关闭时刻混合气温度的观测方法。该方法是基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)学习算法的类龙伯格(Luenberger)递归高阶神经网络(Recurrent High Order Neural Network,RHONN)观测方法。
背景技术
温室气体排放和燃油消耗速度加快是新世纪人类面临的两个主要的环境和能源挑战。据统计，每年人类活动引起的CO2排放占全球CO2排放的3-5％。虽然人类活动对CO2的排放贡献较少，但正是由于这部分CO2造成了自然界CO2的失衡，对全球气候产生了恶劣影响。在人类活动造成的CO2排放中，汽车CO2的排放占1/5，而且带来了氮氧化物，一氧化碳和碳氢化合物以及颗粒物(PM)等空气污染物，造成严重的空气污染，极度影响人们的身体健康。目前，全球汽车保有量以每年1500-2000万的速度增长，汽车的排放不仅对环境造成了重要影响，并且加剧了燃油的消耗。近年来，雾霾问题日益进入一个白热化的阶段，这与汽车排放不无关系。因此，随着汽车保有量的进一步增加以及人类环境意识的不断增强，人们迫切希望找到一种既能够提高燃油效率，又可以降低排放物的新型方式。
均质充气压缩点燃(HCCI)是一种公认的发动机新型燃烧方式，它综合了汽油机均质点燃和柴油机压缩自燃的特点，具有无焰特质和高稀释能力，通过使用废气再循环(Exhaust Gas Recirculation,EGR)策略，使得燃烧可以在较低的温度下进行，因此可以极大程度的减少NOx的形成，同时降低PM的排放，进一步提高热效率，并能够有效地解决传统发动机存在的燃油经济性差和尾气排放高的问题，是一项颇有前景的方法。其中的EGR技术被公认为有效控制HCCI燃烧的手段之一，它具有两个方面的优点：第一，缸内残余废气具有较高的温度，能够加热新鲜气体，使其更容易自燃；第二，废气具有较大的比热，并且能够对新鲜充量进行稀释，可以减少有害气体的排放。EGR策略包括外部废气再循环(eEGR)和内部废气再循环(iEGR)两种。相比于eEGR策略，iEGR策略具有热量损失更小，更加利于均质混合气的形成，循环间响应更快等优点。
HCCI发动机的目标是将燃料燃烧50％的曲轴相位θCA50，控制在上止点前 3°-8°，但是由于缺少直接触发HCCI的燃烧机制，θCA50的控制成为HCCI最主要的技术难点。目前，利用可变气门正时(Variable Valve Timing,VVT)实现iEGR，被普遍认为是控制HCCI点火正时最可行的方法。大量文献分析表明，HCCI发动机θCA50的控制受到很多因素的影响，不仅取决于当前循环吸入的新鲜空气的质量和温度，而且取决于上一循环的燃烧峰值温度、吸入的废气质量和废气温度，综合这些因素发现，进气门关闭时刻的混合气温度Tivc对于θCA50的控制异常重要。混合气温度低，发动机容易失火；混合气温度高，则着火时刻提前，燃烧持续期缩短，发动机容易产生爆震。但是，在很多文献中，却忽略了Tivc的重要性，如文献Khashayar Ebrahimi,Alexander Schramm,Charles Robert Koch. Feedforward/Feedback control of HCCI combustion timing[C]//Proceedings of 2014 AmericanControl Conference.Portland,Oregon,USA.June4-6,2014:831～836选择从热力学模型的角度，采用理想气体方程和一些半经验公式直接计算Tivc，这就使模型存在一定的不确定性，并且由于热力学方程的复杂性，导致这些模型均忽略了气体传热的情况，致使得到的Tivc存在一定的误差，进而影响θCA50的控制。另外，Tivc可以通过安装缸内温度传感器测量得到，目前，国内外已经研制出了多种高精度的温度传感器，但是由于传感器硬件成本高，耐用性差，以及受到缸内高温和安装空间的限制，直接将温度传感器安装于车载发动机执行控制或诊断任务，在实际应用上还有很大难度。如文献Song Chen,Feng junyan.ExtendedKalman Filter Based In-Cylinder Temperature Estimation for Diesel EnginesWith Thermocouple Lag Compensation.Journal of Dynamic Systems,Measurement,andControl-Transactions of the ASME,2014,136(5):051010(1～8)中所说，间接测量方法，即通过设计观测方法，根据易获取的发动机信息来估计进气门关闭时刻混合气的温度，具有成本低、结构简单等优点，应该受到广泛的关注。
因此，针对HCCI发动机θCA50控制中仍然存在的关键量Tivc的估计问题，需要采用一种性能优良的观测方法对其进行观测，以获得更好估计值，使HCCI发动机达到更好的控制效果。
发明内容
本发明针对现有技术中存在的上述问题，提出一种基于EKF的HCCI发动机进气门关闭时刻混合气温度的类Luenberger递归高阶神经网络观测方法。首先，根据发动机热力学方程，iEGR策略，利用负阀重叠NVO(Negative Valve Overlap) 技术(即排气门早关，进气门晚开)，建立发动机循环热力学状态模型，然后，通过模型的状态量来设计观测器的整体结构，并对其中的权值更新算法进行设计，以实现对Tivc的精准估计。
本发明解决上述技术问题的技术方案是，提出一种HCCI发动机进气门关闭时刻混合气温度(Tivc)的观测方法，该方法包括如下步骤：
以发动机进气门关闭时刻为循环的起始时刻，将该时刻混合气温度Tivc和排气歧管温度Texh作为***的状态量，并以曲轴相位θivo作为***的输入量，建立非仿射非线性离散模型，确定Tivc与Texh的关系；根据检测的状态量Texh及其估计值计算龙伯格项，建立添加龙伯格项的高阶递归神经网络观测方程，对混合气温度Tivc进行观测，获得混合气温度的估计值；利用排气歧管温度估计值与实际值的误差对每个循环中高阶递归神经网络观测方程的权重进行训练，获得最优权重，根据最优权重获得精确的发动机进气门关闭时刻混合气温度Tivc。
本发明的其中一个实施例具体包括，所述非仿射非线性离散模型具体为：
y(k)＝Texh(k)＝C(Texh(k),Tivc(k))T，其中，f1和f2均为非线性函数，C＝(1 0)T； d1(k)、d2(k)分别为***的外部有界干扰，Texh(k)表示第k次发动机循环时排气歧管的温度，而Texh(k+1)表示第k+1次发动机循环时排气歧管的温度，Tivc(k)为第k次发动机循环时混合气温度Tivc(k+1)为第k+1次发动机循环时混合气温度，θivo(k)为第k次发动机循环时曲轴角度，T为矩阵转置。
本发明的其中一个实施例具体包括，所述建立添加龙伯格项的高阶递归神经网络观测方程具体为：确定Texh(k)与其估计值的误差由龙伯格参数Li与误差相乘获得龙伯格项建立高阶递归神经网络观测方程：
i＝1,2，对混合气温度Tivc进行观测，其中，为Tivc(k)的估计值，为Texh(k)的估计值，wi权重系数，详见公式(16)。
本发明的其中一个实施例具体包括，根据公式：
对权重进行训练获得第k+1次权向量的预测值作为最优权重，将最优权重带入观测方程每个循环都获得精确的Tivc。其中， wi(k|k-1)为通过k次权向量的预测值，ηi为可调整卡尔曼增益参数，Gi(k)为 Kalman增益矩阵。
(i)建立HCCI发动机热力学模型：
根据HCCI发动机热力学温度循环过程，以进气门关闭时刻为循环的起始时刻，将Tivc和排气歧管温度Texh作为***的状态量，并以θivo作为***的输入量，建立考虑传热情况下的HCCI发动机非仿射非线性离散状态二阶热力学状态模型。由于模型中存在一些半经验公式以及内外干扰，因此，在基础模型上加入了干扰项d1、d2。
(ii)RHONN观测方法：
目前，关于非线性状态观测方法的研究主要集中于仿射***，而且大多数都必须基于完整的状态模型***。虽然，可以应用Taylor公式将非仿射***转换为仿射***，但是在转化过程中会忽略高阶项，导致***出现较大的误差，而且，对于HCCI发动机，建立完整精确的状态模型是难以实现的。由于，发动机工作过程中会出现各种不可预测的情况，并且各部分的传热量更是不可能准确给出，因此，本设计可以针对未知模型进行观测的自适应高阶递归神经网络(RHONN) 观测模型，增强观测的抗干扰能力，利用已知的状态Texh(排气歧管的温度)与其估计值的误差对未知的状态Tivc进行修正，并增加Luenberger项，以加快跟踪速度，实现对Tivc的精确估计。其中，由龙伯格参数Li与相乘获得龙伯格项RHONN为单层连接权重结构。
(iii)采用EKF训练算法
对于递归神经网络，众所周知的便是反向传播学习算法，但是因为其采用一阶梯度下降法，致使学习速度较慢。因此，本发明采用EKF的学习算法，对神经网络的权重进行训练更新，不断修正，提高学习的收敛性。
本发明所采用的RHONN形式的观测方法，可适用于不确定动态***，能有效地应对***运行中出现的各种内外干扰因素，具有较强的抗干扰能力，并且神经元个数少，易于在实际中实现；在RHONN的基础上所增加的Luenberger项，可以加快跟踪速度，结构简单，易于计算。EKF适用于非线性***，通过选取最优的权重，减小误差，提高估计精度。
附图说明
图1：方案设计流程图；
图2：HCCI发动机循环模型流程图，其中：θsoc为起始燃烧时刻的曲轴角度；θEOC为结束燃烧时的曲轴角度；Δθ为持续燃烧角度；Tsoc为起始燃烧时刻的缸内气体温度；Tm为气体平均温度；TEVO为排气门打开时刻的缸内气体温度；PEVO为排气门打开时刻的气体压力；Trg为进气门打开时缸内残余气体的温度；Tint为进气歧管的温度；
图3：观测状态方程设计示意图；
图4：RHONN结构图；
图5：EKF算法流程图。
具体实施方式
实际中，由于缸内高温限制，Tivc是难以直接的，并且HCCI发动机在运行时会面临各种各样的扰动，时变参数等不确定性。由于这些不确定因素，HCCI 发动机在建模问题上便存在一定的精度问题，故对Tivc的观测方法设计也造成了一定的难度。针对此类问题，本发明提出一种基于EKF的HCCI发动机进气门关闭时刻混合气温度的类Luenberger递归高阶神经网络观测方法。该方法具备很强的参数更新学习能力，抗干扰能力好、跟踪速度快，精度高，能够在存在不确定因素的情况下对Tivc始终保持良好的准确估计的能力。
一种基于EKF的HCCI发动机进气门关闭时刻混合气温度的类Luenberger 递归高阶神经网络观测方法。首先，针对发动机热力学方程，利用负阀重叠 (Negative ValveOverlap,NVO)技术(即排气门早关，进气门晚开)，建立发动机循环热力学状态模型，然后，通过模型的状态量来设计观测方法的整体结构，并对其中的权重更新算法进行设计，以实现对Tivc的精准估计。
如图1所示为本发明方案设计流程图，如图3所示为观测状态方程设计示意图。以下为根据附图对本发明的实施作出的具体说明：
(i)HCCI发动机平均值循环模型的建立
建立发动机循环热力学状态模型(1)、(2)，获取Texh与Tivc的关系。
本发明所提出的观测方法是在HCCI发动机的热力学循环模型基础上设计的，模型以进气门关闭(Inlet Valve Close,IVC)时刻为每个循环的开始时刻，具体模型如下式(1)、(2)所述：
y(k)＝Texh(k)＝C(Texh(k),Tivc(k))T (2)
式中，k为第k次发动机循环；k+1为第k+1次发动机循环；f1和f2均为非线性函数；C＝(10)；d1(k)、d2(k)分别为***的外部有界干扰，Texh表示排气歧管的温度，Texh(k)表示第k次发动机循环时排气歧管的温度，而Texh(k+1)表示第k+1次发动机循环时排气歧管的温度，文中其他地方类似的标注作相同的理解。
状态模型的输入量为进气门打开时刻的曲轴角度(θivo)，状态量为Tivc和Texh，输出量为Texh。将公式(1)和公式(2)中相关参数展开，可采用下式具体表示：
模型中的具体参数可表示如下：
Δm＝m(k)-m(k-1) (9)
式中，Vx、Px、Tx、mx分别表示x时刻气体的体积、压力、温度以及质量；下标ivc、evc、int、exh、eoc、TDC分别表示进气门关闭、排气门关闭、进气歧管、排气歧管、结束燃烧、上止点；Qevc为evc时刻燃烧室表面的热流量；R为气体常数；Cv为等容比热；γ为热容比；QTDC为TDC时刻燃烧室表面的热流量； Patm为环境压力；r为压缩比；mout为排气歧管排入到环境中的质量；mcyl-exh为缸内进入排气歧管的质量；γe为燃烧过后缸内热容比；Tout为排气歧管排入到环境中的气体温度；VC为燃烧室容积；QLHV为燃料低热值；mf为燃料质量。
图2所示为HCCI发动机循环模型流程图，发动机循环为：通过进气门打开时候的温度Tivc得到汽缸内起始燃烧时候的温度θsoc，然后再利用缸内平均温度 Tm和燃烧持续的角度Δθ得到燃烧结束时刻的曲轴转角θEOC，再到排气门打开，得到这个时候的温度TEVO和压力PEVO，通过此，得到进气门关闭时候的温度Tevc，并利用排气歧管的温度Texh和此时由于排气门提前关闭滞留其中的残余气体的温度Trg以及进气歧管的温度Tint和进气门打开时候的曲轴角度θivo来得到下一个循环的进气门关闭时候的温度Tivc。
(ii)RHONN观测设计
如图4所示为RHONN结构示意图。
获取排气歧管温度Texh的估计值根据Luenberger增益参数Li计算 Luenberger项建立如下式(12)和(13)的添加Luenberger项的高阶神经网络RHONN观测方程，获取Tivc的估计值实现对Tivc的观测：
其中：
对于传递函数，在此我们选择如下单调递增的Sigmoid函数形式：
为非负整数；为RHONN的权重系数，zi为矩阵表示，T表示矩阵转置。
(iii)EKF权重训练算法
如图5所示为EKF算法流程图。
对上述RHONN观测方程中的权重wi进行更新，使高阶神经网络观测方程中的wi通过循环得到最优化处理，得出最优最准确的权重值wi，通过最优最精确的权重wi，调用公式(13)得到最精确的Tivc。
本实施例选择采用EKF训练算法，预测出最优的权重值，代入到公式(13) 中，使Tivc估计值误差最小。
EKF训练算法如下描述所示：
Pi(k+1|k)＝Pi(k|k)+Ri(k) (22)
式中，wi(k|k-1)为通过第k次权向量的预测值，即对k-1次权重数据的更新；ηi为可调整卡尔曼增益参数；Pi(k|k)为第k次循环的滤波误差协方差矩阵； Pi(k|k-1)为预测误差协方差矩阵；Gi为Kalman增益矩阵；Qi为神经网络估计的权重噪声协方差矩阵；Ri为噪声误差协方差矩阵。一般地，将Pi和Ri初始化为对角矩阵。
本发明根据HCCI发动机热力学循环过程，以进气门关闭时刻为循环的起始时刻，将该时刻混合气温度Tivc和排气歧管温度Texh作为***的状态量，并以曲轴相位θivo作为***的输入量，建立考虑传热情况下的HCCI发动机非仿射非线性离散状态二阶热力学状态模型。获得排气歧管的温度Texh与其估计值利用已知的状态Texh与其估计值的误差对未知的状态Tivc进行修正，并增加 Luenberger项，以加快跟踪速度，实现对Tivc的精确估计。本发明采用EKF的学习算法，对神经网络的权值进行训练更新，提高学习的收敛性。
Claims (2)
1.一种HCCI发动机进气门关闭时刻混合气温度的观测方法，其特征在于，以发动机进气门关闭时刻为循环的起始时刻，将该时刻混合气温度Tivc和排气歧管温度Texh作为***的状态量，并以曲轴相位θivo作为***的输入量，建立非仿射非线性离散模型，确定Tivc与Texh的关系；根据检测的状态量Texh及其估计值的误差与龙伯格参数的乘积计算龙伯格项，建立添加龙伯格项的高阶递归神经网络观测方程，对混合气温度Tivc进行观测，获得混合气温度的估计值；利用排气歧管温度估计值与实际值的误差对每个循环中高阶递归神经网络观测方程的权重进行训练，获得最优权重，根据最优权重获得精确的发动机进气门关闭时刻混合气温度Tivc；
所述非仿射非线性离散模型具体为：
y(k)＝Texh(k)＝C(Texh(k),Tivc(k))T，其中，f1和f2均为非线性函数，C＝(1 0)；d1(k)、d2(k)分别为***的外部有界干扰，Texh(k)表示第k次发动机循环时排气歧管的温度，而Texh(k+1)表示第k+1次发动机循环时排气歧管的温度，Tivc(k)为第k次发动机循环时混合气温度,Tivc(k+1)为第k+1次发动机循环时混合气温度，θivo(k)为第k次发动机循环时曲轴角度，T为矩阵转置；
所述最优权重是，根据公式：对权重进行训练获得第k+1次权向量的预测值作为最优权重，其中，wi(k|k-1)为通过第k次权向量的预测值，ηi为可调整卡尔曼增益参数，Gi(k)为Kalman增益矩阵。
2.根据权利要求1所述的观测方法，其特征在于，所述建立添加龙伯格项的高阶递归神经网络观测方程具体为：确定Texh(k)与其估计值的误差由龙伯格参数Li与误差相乘获得龙伯格项建立高阶递归神经网络观测方程：
对混合气温度Tivc进行观测，其中，为Tivc(k)的估计值，为Texh的估计值，wi权重系数， 为非负整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510559470.6A CN105205230B (zh) | 2015-09-06 | 2015-09-06 | Hcci发动机进气门关闭时刻混合气温度的观测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510559470.6A CN105205230B (zh) | 2015-09-06 | 2015-09-06 | Hcci发动机进气门关闭时刻混合气温度的观测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105205230A CN105205230A (zh) | 2015-12-30 |
| CN105205230B true CN105205230B (zh) | 2018-08-28 |
Family
ID=54952909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510559470.6A Active CN105205230B (zh) | 2015-09-06 | 2015-09-06 | Hcci发动机进气门关闭时刻混合气温度的观测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105205230B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
| CN117848438B (zh) * | 2024-03-07 | 2024-05-24 | 威海纳尔仪表科技有限公司 | 一种气体流量高精度测量方法及热式气体质量流量计 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104018944A (zh) * | 2014-04-23 | 2014-09-03 | 重庆邮电大学 | 基于龙伯格滑模观测器的电子节气门自适应反步控制方法 |
| CN104656443A (zh) * | 2014-12-31 | 2015-05-27 | 重庆邮电大学 | 基于bp神经网络的hcci发动机点火正时自适应pid控制方法 |
-
2015
- 2015-09-06 CN CN201510559470.6A patent/CN105205230B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104018944A (zh) * | 2014-04-23 | 2014-09-03 | 重庆邮电大学 | 基于龙伯格滑模观测器的电子节气门自适应反步控制方法 |
| CN104656443A (zh) * | 2014-12-31 | 2015-05-27 | 重庆邮电大学 | 基于bp神经网络的hcci发动机点火正时自适应pid控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Discrete-Time Output Trajectory Tracking by Recurrent High-Order Neural Network Control》;Alma Y. Alanis，Edgar N. Sanchez，Alexander G.Loukianov等;《Proceedings of the 45th IEEE Conference on Decision & Control》;20061215;第6367-6372页 * |
| 《Identification of Singularly Perturbed Nonlinear System Using Recurrent High-order Neural Network》;Dongdong Zheng and Wen-fang Xie，Shu-Ling Dai;《Proceeding of the 11th World Congress on Intelligent Control and Automation》;20140704;第5779-5784页 * |
| 《Real-Time Output Tracking for Induction Motors by Recurrent High-Order Neural Network Control》;Alma Y. Alanis, Edgar N. Sanchez and Alexander G. Loukianov;《17th Mediterranean Conference on Control & Automation》;20090626;第868-873页 * |
| 《一类非仿射非线性离散***的改进无模型自适应控制》;翁永鹏，高宪文，吕明阳;《控制与决策》;20141231;第29卷(第12期);第2226-2234页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105205230A (zh) | 2015-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rezaei et al. | Performance prediction of HCCI engines with oxygenated fuels using artificial neural networks | |
| Benajes et al. | Analysis of the combustion process, pollutant emissions and efficiency of an innovative 2-stroke HSDI engine designed for automotive applications | |
| Bidarvatan et al. | Cycle-to-cycle modeling and sliding mode control of blended-fuel HCCI engine | |
| Castresana et al. | Comparative performance and emissions assessments of a single-cylinder diesel engine using artificial neural network and thermodynamic simulation | |
| Leroy et al. | Modeling fresh air charge and residual gas fraction on a dual independent variable valve timing si engine | |
| CN104656443B (zh) | 基于bp神经网络的hcci发动机点火正时自适应pid控制方法 | |
| CN101432726A (zh) | 用于内燃机的空气流量估测方法和装置 | |
| US20160377043A1 (en) | Engine Operation Control | |
| CN105221282B (zh) | 基于线性模型和滑模控制器的hcci发动机燃烧正时控制方法 | |
| Bidarvatan et al. | Model-based control of combustion phasing in an HCCI engine | |
| CN105205230B (zh) | Hcci发动机进气门关闭时刻混合气温度的观测方法 | |
| Agrell et al. | Control of HCCI during engine transients by aid of variable valve timings through the use of model based non-linear compensation | |
| Pla et al. | Adaptive in-cylinder pressure model for spark ignition engine control | |
| CN117145642A (zh) | 基于自适应带宽的增压lp-egr发动机空燃比预测抗扰控制方法 | |
| Bidarvatan et al. | Grey-box modeling and control of HCCI engine emissions | |
| Pourkhesalian et al. | NOx control using variable exhaust valve timing and duration | |
| Ma et al. | Real-time control oriented HCCI engine cycle-to-cycle dynamic modelling | |
| Bidarvatan et al. | Grey-box modeling for HCCI engine control | |
| Ebrahimi | Model based control of combustion timing and load in HCCI engines | |
| Dahlan et al. | Simulation of intake and exhaust valve timing on internal combustion engine | |
| Knierim et al. | Simulation of misfire and strategies for misfire recovery of gasoline HCCI | |
| Agrell et al. | Transient control of HCCI combustion by aid of variable valve timing through the use of a engine state corrected CA50-controller combined with an in-cylinder state estimator estimating lambda | |
| Ingesson et al. | An investigation on ignition-delay modelling for control | |
| Nain | Experimental and Simulation Analysis of Natural Aspirated Diesel Engine for Fuel Economy Improvement | |
| Siokos | Low-Pressure EGR in Spark-Ignition Engines: Combustion Effects, System Optimization, Transients and Estimation Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |