点火提前角预测系统及其方法.pdf

本发明涉及一种点火提前角预测系统及其方法，属于汽车发动机电控系统标定的领域，该系统包括：信号采集单元，采集影响点火提前角的发动机转速、负荷和冷却水温参数；处理器，连接并接收信号采集单元的信号，利用粒子群优化RBF模型分析处理信号采集单元的参数信号输出发动机的点火提前角；显示终端，连接处理器，接收并显示处理器处理输出的点火提前角结果。本发明系统中通过检测发动机多项主要影响点火提前角的参数进行最优点火提前角预测，可以增加参数，在参数改变中检测记录的点火提前角，覆盖了发动机了所有运行工况，检测结果更加准确，结果直接显示在显示终端上，解决了现有技术中在预测点火提前角的实验运行工况不够全面的问题。

权利要求书
1.  一种点火提前角预测系统，其特征在于，该系统包括：
信号采集单元，采集影响点火提前角的发动机转速、负荷和冷却水温参数；
处理器，连接并接收信号采集单元的信号，利用粒子群优化RBF模型分析处理信号采集单元的参数信号输出发动机的点火提前角；
显示终端，连接处理器，接收并显示处理器处理输出的点火提前角结果。

2.  根据权利要求1所示的点火提前角预测系统，其特征在于，所述信号采集单元包括转测量发动机转速的速传感器、测量发动机负荷的测功器和测量发动机内部冷却水温度的温度传感器。

3.  根据权利要求1所示的点火提前角预测系统，其特征在于，所述处理器包括数据库，数据库中包括点火提前角的试验数据，数据库中的数据用于粒子群优化RBF模型的机器训练。

4.  根据权利要求1所示的点火提前角预测系统，其特征在于，所述显示终端包括显示器和输入键盘，显示器用于显示处理器输出的结果，输入键盘用于工作人员输入指令和更改指令。

5.  一种点火提前角预测系统的方法，其特征在于，该方法步骤包括：
步骤一、建立RBF模型，利用粒子群算法优化训练RBF模型参数，得到最优模型；
步骤二、改变发动机负荷，记录发动机待测参数数据和点火提前角；
步骤三、采用粒子群优化RBF模型对待测发动机参数进行分析预测，输出最优点火提前角；
步骤四、输出的点火提前角信息结果显示在显示终端上；
步骤五、点火提前角和对应的发动机参数数据存入数据库。

6.  根据权利要求5所述的点火提前角系统的方法，其特征在于，所述步骤三中的待测发动机参数包括发动机的转速参数、负荷参数和冷却水水温参数，分别是由转速传感器、测功器和温度传感器测量得到的。

7.  根据权利要求5所述的点火提前角系统的方法，其特征在于，所述步骤三中的粒子群优化RBF模型的步骤包括：
初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化；
计算每一个粒子的目标函数值，即所要优化函数的值；
更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
更新每一个粒子a的飞行速度和位置；
判断数据是否达到RBF模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B ，直到满足迭代的次数；
返回最优a 的值，并将最优化的参数传递给RBF模型。

8.  根据权利要求5所述的点火提前角系统的方法，其特征在于，所述RBF模型的建立包括三个部分：
RBF神经网络构建，隐层节点的“基”构成隐层空间，确定RBF的中心和映射关系；
RBF神经网络训练，以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正；
RBF神经网络识别， RBF神经网络模型输入测试数据。

说明书点火提前角预测系统及其方法
技术领域
本发明涉及汽车发动机电控系统标定的领域，更具体的涉及一种点火提前角预测系统及其方法。
背景技术
点火提前角是指从点火时刻起到发动机活塞到达压缩上止点，这段时间内曲轴转过的角度。混合气从点燃、燃烧到烧完有一个时间过程，最佳点火提前角的作用就是在各种不同工况下使气体膨胀趋势最大段处于活塞做功下降行程，这样效率最高，振动最小，温升最低。
点火提前角对汽油机动力性、燃油经济性及排放均有重要影响，其控制是汽油机电控系统的重要内容之一，目前汽油机点火提前角都通过台架试验来标定，即以某种性能为优化目标，然后确定点火提前角与运行工况之间的关系。由于标定试验不能覆盖所有的运行工况，非试验测定的工况通常采用插值方法确定点火提前角，而插值方法存在一定误差。
发明内容
为了克服现有技术中在预测点火提前角的实验运行工况不够全面的不足，本发明提供一种点火提前角预测系统及其方法。
本发明的技术方案是：一种点火提前角预测系统，该系统包括：
信号采集单元，采集影响点火提前角的发动机转速、负荷和冷却水温参数；
处理器，连接并接收信号采集单元的信号，利用粒子群优化RBF模型分析处理信号采集单元的参数信号输出发动机的点火提前角；
显示终端，连接处理器，接收并显示处理器处理输出的点火提前角结果。
所述信号采集单元包括转测量发动机转速的速传感器、测量发动机负荷的测功器和测量发动机内部冷却水温度的温度传感器。
所述处理器包括数据库，数据库中包括点火提前角的试验数据，数据库中的数据用于粒子群优化RBF模型的机器训练。
所述显示终端包括显示器和输入键盘，显示器用于处理器输出的结果，输入键盘用于工作人员输入指令和更改指令。
一种点火提前角预测系统的方法，该方法步骤包括：
步骤一、建立RBF模型，利用粒子群算法优化训练RBF模型参数，得到最优模型；
步骤二、改变发动机负荷，记录发动机待测参数数据和点火提前角；
步骤三、采用粒子群优化RBF模型对待测发动机参数进行分析预测，输出最优点火提前角；
步骤四、输出的点火提前角信息结果显示在显示终端上；
步骤五、点火提前角和对应的发动机参数数据存入数据库。
所述步骤三中的待测发动机参数包括发动机的转速参数、负荷参数和冷却水水温参数，分别是由转速传感器、测功器和温度传感器测量得到的。
所述步骤三中的粒子群优化RBF模型的步骤包括：
A.  初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化；
B.  计算每一个粒子的目标函数值，即所要优化函数的值；
C.  更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
D.  更新每一个粒子a的飞行速度和位置；
E.  判断数据是否达到RBF模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B ，直到满足迭代的次数；
F.  返回最优a 的值，并将最优化的参数传递给RBF模型。
所述RBF模型的建立包括三个部分：
RBF神经网络构建，隐层节点的“基”构成隐层空间，确定RBF的中心和映射关系；
RBF神经网络训练，以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正；
RBF神经网络识别， RBF神经网络模型输入测试数据。
本发明有如下积极效果：本发明系统中通过检测发动机多项主要影响点火提前角的参数进行最优点火提前角预测，此外还可以增加参数，本系统是在参数改变中检测记录的点火提前角，覆盖了发动机了所有运行工况，检测结果更加准确，结果直接显示在显示终端上，检测人员查看方便。而且本发明系统使用的是粒子群优化RBF模型进行的数据分析处理，处理数据时收敛速度快、学习能力快、操作简单，比之通常使用的插值法更加准确可靠。
附图说明
图1 是本发明中点火提前角预测系统的工作框图；
图2 是本发明中点火提前角预测系统方法的工作流程图；
图3 是本发明中RBF模型的工作流程图。
具体实施方式
下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种点火提前角预测系统，如图1所示，该系统包括：信号采集单元、处理器和显示终端，处理器分别连接信号采集单元和显示终端，处理器和显示终端可以选择无线连接方式。
信号采集单元，连接处理器，发送采集信号到处理器，采集单元主要采集影响点火提前角的发动机转速、负荷和冷却水温参数，采集单元由转测量发动机转速的速传感器、测量发动机负荷的测功器和测量发动机内部冷却水温度的温度传感器构成。
处理器，连接并接收信号采集单元的信号，利用粒子群优化RBF模型分析处理信号采集单元的参数信号，输出发动机的点火提前角。处理器的工作是进行数据统计和分析，选择出最佳点火提前角，对全部工况的监测和对参数实时检测，增大了预测结果的准确率，同时减小了传感器由于偶然因素导致的误报警情况发生。其中处理器包括有数据库，数据库中包括利用台架标定试验获取的点火提前角数据和系统检测到的点火提前角数据，数据库中的数据用于粒子群优化RBF模型的机器训练。
显示终端，连接处理器，显示终端包括显示器和输入键盘，显示器用于显示处理器输出的点火提前角结果，输入键盘用于工作人员输入指令和更改指令，显示终端的设置方便工作人员的查看结果和研究数据。
一种点火提前角预测系统的方法，如图2所示，该方法步骤包括：
步骤一、建立RBF模型，利用粒子群算法优化训练RBF模型参数，得到最优模型。
RBF神经网络是一种局部逼近网络，它能够以任意精度逼近任意连续函数，学习速度快，精度高，在逼近能力、分类能力和学习速度等方而均优于BP网络。RBF神经网络模型分为三个部分，如图3所示：RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。
RBF神经网络的结构和网络和构建：径向基函数神经网络(radial basis function neural network)是一种具有单隐层的3层前馈网络。它的基本思想是:用RBF作为隐层节点的“基”构成隐层空间，这样就可以将输入矢量不通过权值连接映射到隐层空间。当RBF的中心点确定后，这种映射关系也就确定了。其中，隐层节点的基函数采用距离函数，而激活函数采用径向基函数(如高斯函数)。
径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，这种“局部特性”使得RBF网络成为一种局部响应神经网络。而且，隐层到输出层的映射是线性的，即网络的输出是隐节点输出的线性组合。现在也己证明，径向基网络也能够以任意精度逼近任意连续函数，并且它的学习速度比BP网络快，并能避免局部极小值问题。
RBF神经网络的训练：RBF神经网络的训练算法以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正。在此，使用带有动量因子的梯度下降法对网络的各个参数进行修改。 网络的目标函数为：
式中式（1）中， QUOTE   为神经网络的输出与期望值的差值，n为训练样本的个数。根据目标函数，推导出更新输出层权值的公式为:
 
隐层节点中心点的计算公式为: 
 
隐层节点偏差值计算公式为: 
 
以上三式中， QUOTE  为学习速率， QUOTE  ，  QUOTE  为动量因子， QUOTE  。
RBF神经网络的识别：测试数据经过RBF神经网络的预测模型输出最佳预测值，得到最逼近的函数。
RBF神经网络虽然可以以任意精度逼近任意连续函数，并且它的学习速度比BP网络快，并能避免局部极小值问题。但是RBF神经网络是一种局部逼近网络，不能对全局数据进行准确的预测，而粒子群算法是一种高效的全局寻优算法，可用于机器学习算法的参数优化设置，粒子群算法和RBF神经网络相结合，能够实现功能互补，更好的预测点火提前角系统。
粒子群算法（particle  swarm  optimization ,PSO）中，初始化粒子群时，应不断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。每个粒子a的每个分量通过自身学习和向其他粒子学习，不断更新自身速度和位置，达到全局最优，调整自己的进化方向，以及避免陷入局部最优。同时，PSO 算法采用不同于遗传算法的随机搜索策略，操作起来要比遗传算法简便得多，因此在解决某些优化问题时显示出更卓越的性能。
所以，粒子群优化RBF模型的步骤包括： 
A.  初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子a初始化；
B.  计算每一个粒子的目标函数值，即所要优化函数的值；
C.  更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
D.  更新每一个粒子a的飞行速度和位置；
E.  判断数据是否达到RBF模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B，直到满足迭代的次数；
F.  返回最优a 的值，并将最优化的参数传递给RBF 模型，经过超参数优化训练后得到的RBF模型，即可用于数据的分类和处理。
步骤二、改变发动机负荷，记录发动机待测参数数据和点火提前角。为了对对全部工况下的点火提前角进行测量，所以本系统中会改变发动机进气歧管的负荷参数，从而测量发动机内的转速和冷却水温度参数，得到点火提前角，在更大范围内预测更加准确优化的点火提前角，从而解决了现有技术试验中不能覆盖所以工况的问题。
步骤三、采用粒子群优化RBF模型对待测发动机参数进行分析预测，输出最优点火提前角。待测发动机参数包括发动机的转速参数、负荷参数和冷却水水温参数，分别是由转速传感器、测功器和温度传感器测量得到的。将这些待测数据输入到RBF模型中经过模型的判断、统计和对比输出最优点火提前角。
步骤四、输出的点火提前角信息结果显示在显示终端上。处理器利用经过粒子群优化RBF模型输出最优点火提前角的信息会显示在显示终端上，同时在不同参数状态下检测到的点火提前角也会在显示终端显示出来，方便工作人员随时查看。
步骤五、点火提前角和对应的发动机参数数据存入数据库。检测结果在显示终端上显示的同时还会保存在数据库中，方便系统模型的机器训练过程中进行调用，达到更新数据库的目的，系统监测准确度更高，监测系统更加实用。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。