论文部分内容阅读
随着人们对环境问题的关注和日益严苛排放法规的推行，柴油机的排放性能成为了当前发动机研究的热点问题。其中，柴油机后处理系统的控制和诊断对其排放性能具有重要意义。传统的车载诊断（OBD，On-Board-Diagnostic）只要求对车辆部件运行状态进行监控与诊断，而在OBDII的法规中，添加了对发动机排放是否超标的诊断要求，这对传统的发动机的诊断技术提出了全新的要求。本文针对6K12柴油机SCR系统，采用机器学习的方法，获取在复杂工况下NOx还原反应的特征规律，并应用于OBDII系统的NOx化学反应效率诊断算法，实现了相比传统标定方式更为准确、高效的后处理系统排放诊断性能。本文针对重型柴油机的排放法规、OBD诊断流程及要求进行了深入分析，明确了诊断算法的功能需求。法规要求，当SCR系统的比排放值超过3.5g/(kw.h)和7.0g/(kw.h)两个限值时，OBD系统能分别作出相应诊断。而以上诊断的难点在于，两个要求的排放限值皆为高瞬态ETC循环工况的综合比排放，而法规中实际测试循环则选择了完全不同的OBD循环工况，同时OBD循环中各工况点反应效率不均匀，工况点切换快也都会影响到效率的计算，所以直接进行效率诊断无法实现反应效率的准确诊断。针对以上功能需求，本文构建了诊断算法设计的基本结构和方法。其基本思路为：1.将实时工况分割成若干个时间片段，并寻找这些时间片段与相应ETC循环下的比排放值的关联关系，筛选与ETC效率相关程度较高的时间片段并建立相应的筛选算法；2.利用多组筛选得到的时间片段最终获取分类诊断结果。对于时间片段的分割及与ETC工况比排放值的分析，本文采用神经网络离线训练的方法，最终通过映射网络的方式描述了时间片段效率与ETC工况比排放值的关联关系。并将该网络应用于在线诊断，实现在线时间片段的筛选。对于最终的分类诊断，本文采用SVM算法，通过多组时间片段的反应效率及相应效率与ETC工况比排放值的关联关系，获取最终诊断结果。仿真结果表明，本文提出的诊断算法工况适应性强，诊断性能高，且无需复杂的人工标定过程，可实现自动化的机器标定，可移植性和扩展性强，具有很好的工程应用前景。