CN110080896A - 一种基于遗传算法的沼气发动机空燃比控制方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的沼气发动机空燃比控制方法，涉及发动机控制领域，先生成染色体个体；随机调用30‑80组染色体个体生成初始种群；确定适应度函数；确定染色体个体的惩罚因素；确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体；输出结果，将最优的染色体个体进行解码，并传至沼气发动机控制器控制混合器阀门开度，从而实现最优空燃比控制。所述控制方法主要通过控制混合器阀门开度从而控制空燃比。本发明基于遗传算法的全局寻优特性，当氧传感器或其它单个传感器故障时，可自动调整判断权值，不会影响控制效果。

Description

一种基于遗传算法的沼气发动机空燃比控制方法

技术领域

本发明属于发动机控制领域，尤其是一种基于遗传算法的沼气发动机空燃比控制方法。

背景技术

沼气的主要成分甲烷，无色无味，是一种具有绿色、低碳、清洁的可再生能源。近几年，随着国家能源政策和环保政策的鼓励，沼气行业发展迅速。沼气发电作为是沼气有效利用的最重要的途径之一，也给沼气发电机带来了很大的需求。当前我国专门针对沼气开发的发电机组很少，大多数由柴油机组改造而成或者直接使用天然气机组。沼气发电机组整体技术水平不高，导致沼气发电机组综合电效率和热效率低。

空燃比控制是沼气发动机控制中最重要的环节之一，是影响沼气发动机效率的重要因素，在保证沼气发动机安全、稳定运行的基础上，尽可能提高沼气发动机空燃比是空燃比控制的目标。目前，沼气发动机空燃比控制大致有两种方法，一种是直接标定法，另一种是依据氧传感器所测量的空燃比的传统PID控制方法。直接标定法是出厂时根据输出功率等标定若干控制点，运行时根据标定值进行控制，这是开环式控制，比较粗放，很难取得理想的控制效果。传统PID控制法虽然是闭环控制，但控制参数如比例增益K_p、积分时间T_i、微分时间T_d整定不合适也影响控制效果，后期运行中如运行功率、沼气成份变化时，固定的控制参数很难适应，控制效果会大打折扣。另外氧传感器一般安装在温度高达650℃的排气管上极易损坏，损坏后这种控制方法便不能正常运行。

发明内容

本发明的目的在于：针对我国当前沼气发动机空燃比控制方面存在的控制效果不理想，难以达到真正的稀薄燃烧，特别的当运行条件变化时固定的控制参数不能匹配，导致沼气发动机综合运行效率低下的问题，本发明提供了一种基于遗传算法的沼气发动机空燃比控制方法。

本发明采用的技术方案如下：

一种基于遗传算法的沼气发动机空燃比控制方法，在沼气发动机上设置控制器，通过甲烷含量检测仪、进气压力传感器、运行功率传感器、转速传感器、氧传感器和排温器等采集沼气发动机组运行数据并上传云平台，云平台将数据存入数据库。其中沼气中甲烷含量、歧管进气压力、运行功率等三个参数是影响沼气发动机组进气的主要因素。所述控制方法主要通过控制混合器阀门开度从而控制空燃比。

本发明工作时，通过对沼气发动机输出功率、进气压力、沼气中甲烷含量、沼气消耗流量、排温和空燃比等运行数据的采集，利用云技术、大数据分析和遗传算法等智能技术，实现在保证沼气发动机安全、稳定运行的基础上的最优空燃比控制。

一种基于遗传算法的沼气发动机空燃比控制方法，包括以下步骤：

将沼气中甲烷含量、歧管进气压力、运行功率、混合器阀门开度四个数据进行组合编码，生成定长的染色体个体；

选取一段时间内云平台数据库中运行数据，随机调用30-80组染色体个体生成初始种群；

确定适应度函数，根据染色体个体对应的***数据获取染色体个体的适应度函数值；

确定染色体个体的惩罚因素；

确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体；

输出结果，将最优的染色体个体进行解码，并传至沼气发动机控制器控制混合器阀门开度，从而实现最优空燃比控制。

进一步地，所述适应度函数为：

Fit＝a*f(λ)+b*1/f(T)+c*1/f(Δn)

其中，λ表示发动机空燃比，T表示发动机排温，Δn表示发动机转速变化量，f(λ)、f(T)、f(Δn)分别为λ、T和Δn的实时取值，分别通过氧传感器、排温器、转速传感器测定；a、b、c为权值系数。

进一步地，正常情况下发动机空燃比λ的系数a为0.6；当氧传感器故障时a设为0；发动机排温T的系数b在一基准温度下设为0。

进一步地，所述惩罚因素设定为：当染色体个体造成沼气发动机转速超出提前设定的上限或下限时，直接将对应的染色体个体淘汰。

进一步地，所述确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体的具体过程为：

首先，将迭代次数置零；其次，随机选取一定数量初始个体；然后，计算染色体个体的适应度值，再进行选择运算、交叉运算、变异运算；然后判断迭代次数是否达到设定值，若已达到设定值，则输出结果，若仍未达到设定值，则进行下一代染色体个体的适应度值的计算，并继续进行选择运算、交叉运算、变异运算，直到迭代次数达到设定值后终止本过程。

进一步地，所述迭代过程中，从适应度函数值最低的染色体开始淘汰。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，可通过对运行数据的实时解析，达到随沼气成份、输出功率等条件变化的全工况的最优控制，提高沼气发动机的综合运行效率。

2、本发明基于遗传算法的全局寻优特性，当氧传感器或其它单个传感器故障时，可自动调整判断权值，不会影响控制效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的流程图；

图2为本发明的遗传算法获取最优运行工况的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本发明较佳实施例提供的一种基于遗传算法的沼气发动机空燃比控制方法，在沼气发动机上设置控制器，通过甲烷含量检测仪、进气压力传感器、运行功率传感器、转速传感器、氧传感器和排温器等采集沼气发动机组运行数据并上传云平台，云平台将数据存入数据库。其中沼气中甲烷含量、歧管进气压力、运行功率等三个参数是影响沼气发动机组进气的主要因素。所述控制方法主要通过控制混合器阀门开度从而控制空燃比。

遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优。如图2所示，遗传算法的基本运算过程如下：

(a)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

(b)个体评价：计算群体P(t)中各个个体的适应度。

(c)选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

(d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。

(e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

(f)终止条件判断：若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

基于此，本发明涉及的一种基于遗传算法的沼气发动机空燃比控制方法，其步骤如下：

将沼气中甲烷含量、歧管进气压力、运行功率、混合器阀门开度等四个数据进行组合编码，生成定长的染色体个体。由于遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体，这一转换操作就叫做编码。目前的几种常用的编码技术有二进制编码，浮点数编码，字符编码，变成编码等。

选取一段时间内云平台数据库中运行数据，随机调用30-80组染色体个体生成初始种群。为了加快收敛速度且要避免陷入局部最优，本方法选取30-80个种群。

确定适应度函数，根据染色体个体对应的***数据获取染色体个体的适应度函数值。通过氧传感器测量的空燃比大小是评价沼气发动机是否达到稀薄燃烧、效率高低的主要指标。沼气发动机排温和转速变化率可以间接体现混合器阀门开度是否控制合理。进化论中的适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标。

遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值。由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。

为避免氧传感器故障影响***运行，本方法选取关于空燃比λ、排温T和转速变化量Δn三者的适应度函数：

Fit＝a*f(λ)+b*1/f(T)+c*1/f(Δn)

其中f(λ)、f(T)、f(Δn)分别为为λ、T、Δn实时取值，能够分别通过氧传感器、排温器、转速传感器测定；a、b、c为权值系数。

三者影响权值不同，正常情况下空燃比λ所占a比例最大，为0.6。当氧传感器故障时a设为0。排温在一基准温度下b设为0，温度与基准温度差值越大对适应度的贡献越小。转速变化量在合理区间风对适应度的贡献度设为固定值，差值越大对适应度的贡献度越小。还包括对于所述染色体个体的适应度函数取值进行评价：适应度表示染色体的优劣，适应度函数值越高，则代表染色体的生存概率越高，该染色体越优，越应当保留；适应度函数值越低，则代表染色体的生存概率越低，该染色体越劣，越应当淘汰。在实际应用中，染色体淘汰顺序应当为从适应度值最低的个体开始淘汰。

确定惩罚因素，当染色体个体造成沼气发动机转速超出设定上、下限时，直接将该染色体个体淘汰。在具体实施过程中，可以根据实际情况，设定沼气发电机转速上限值与下限值。

确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体。通过选择运算、交叉运算和变异运算产生新一代种群。在未到达设定迭代次数时依次进行迭代产生新一代个体。具体过程如图2为：

首先，将迭代次数置零；其次，随机选取一定数量初始个体；然后，计算染色体个体的适应度值，再进行选择运算、交叉运算、变异运算；然后判断迭代次数是否达到设定值，若已达到设定值，则输出结果，若仍未达到设定值，则进行下一代染色体个体的适应度值的计算，并继续进行选择运算、交叉运算、变异运算，直到迭代次数达到设定值后终止本过程。

输出结果，将运算结果进行解码并下传至沼气发动机控制器用于实际控制混合器阀门开度，选择最优混合器阀门开度从而实现最优空燃比控制。

本发明工作时，通过对沼气发动机输出功率、进气压力、沼气中甲烷含量、沼气消耗流量、排温和空燃比等运行数据的采集，利用云技术、大数据分析和遗传算法等智能技术，实现在保证沼气发动机安全、稳定运行的基础上的最优空燃比控制。

本发明可通过对运行数据的实时解析，达到随沼气成份、输出功率等条件变化的全工况的最优控制。本发明基于遗传算法的全局寻优特性，当氧传感器或其它单个传感器故障时，可自动调整判断权值，不会影响控制效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于，包括以下步骤：

将沼气中甲烷含量、歧管进气压力、运行功率、混合器阀门开度四个数据进行组合编码，生成定长的染色体个体；

选取一段时间内云平台数据库中运行数据，随机调用30-80组染色体个体生成初始种群；

确定适应度函数，根据染色体个体对应的***数据获取染色体个体的适应度函数值；

确定染色体个体的惩罚因素；

确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体；

输出结果，将最优的染色体个体进行解码，并传至沼气发动机控制器控制混合器阀门开度，从而实现最优空燃比控制。

2.根据权利要求1所述的一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于：所述适应度函数为：

Fit＝a*f(λ)+b*1/f(T)+c*1/f(Δn)

其中，λ表示发动机空燃比，T表示发动机排温，Δn表示发动机转速变化量，f(λ)、f(T)、f(Δn)分别为λ、T和Δn的实时取值，分别通过氧传感器、排温器、转速传感器测定；a、b、c为权值系数。

3.根据权利要求2所述的一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于：正常情况下发动机空燃比λ的系数a为0.6；当氧传感器故障时a设为0；发动机排温T的系数b在一基准温度下设为0。

4.根据权利要求1所述的一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于：所述惩罚因素设定为：当染色体个体造成沼气发动机转速超出提前设定的上限或下限时，直接将对应的染色体个体淘汰。

5.根据权利要求1所述的一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于：所述确定染色体个体的遗传算子并通过遗传算子确定新一代种群，根据适应度函数值、惩罚因素进行迭代，在未到达设定迭代次数时继续进行迭代产生新一代染色体个体的具体过程为：

首先，将迭代次数置零；其次，随机选取一定数量初始个体；然后，计算染色体个体的适应度值，再进行选择运算、交叉运算、变异运算；然后判断迭代次数是否达到设定值，若已达到设定值，则输出结果，若仍未达到设定值，则进行下一代染色体个体的适应度值的计算，并继续进行选择运算、交叉运算、变异运算，直到迭代次数达到设定值后终止本过程。

6.根据权利要求1或5所述的一种基于遗传算法的沼气发动机空燃比控制方法，其特征在于：所述迭代过程中，从适应度函数值最低的染色体开始淘汰。