汽油机进气歧管压力传感器非线性智能校正
蒋寿生1, 2，鄂加强1，龚金科1，袁文华1, 2
(1. 湖南大学 机械与汽车工程学院，湖南 长沙，410082；
2. 邵阳学院 机械与能源工程系，湖南 邵阳，422000)
摘 要：
摘 要：为了消除汽油机进气歧管压力传感器在其运行状况中受温度以及电流波动因素干扰的影响，采用神经网络信息融合技术对压力测量过程中的温度以及电流波动等干扰因素进行非线性智能校正实验。结果表明：经非线性智能校正后，压力传感器非目标参量的影响被有效地消除，其输出稳定性比原来提高了约19倍，进气歧管压力传感器测量精度至少提高2.0%。
关键词：
中图分类号：TK312；TK411+29 文献标识码：A 文章编号：1672-7207(2008)03-0566-05
Nonlinear intelligent correction of pressure transducer from
air intake pipe in gasoline engine
JIANG Shou-sheng1, 2, E Jia-qiang1, GONG Jin-ke1, YUAN Wen-hua1, 2
(1. College of Mechanical and Automotive Engineering, Hunan University, Changsha 410082, China;
2. Department of Mechanical and Energy Engineering, Shaoyang College, Shaoyang 422000, China)
Abstract: In order to eliminate disturb effects caused by temperature parameter and fluctuant electric current on pressure transducer from air intake pipe in the gasoline engine in operation, nonlinear intelligent correction of pressure transducer from disturb effects caused by temperature parameter and fluctuant electric current was made based on neural network information fusion technology. The results show that some effects from non-goal parameter for pressure transducer can be eliminated availably by using nonlinear intelligent correction, and the output stability after being nonlinear corrected is twenty times as the output stability before being nonlinear corrected and the measurement precision is enhanced by 2.0% at least.
Key words: gasoline engine; nonlinear correction; neural network; pressure transducer
汽油机进气歧管压力对汽油机燃烧与节能效 果、动力输出和寿命都有很大的影响[1-2]。通常认为汽油机进气歧管压力传感器输出只受压力的影响，但实际上，在输入压力不变的情况下，工作温度的变化以及供电电源电压的变化都将引起传感器输出电压的变化。即压力传感器的输出除受目标参量的影响外，还受工作温度和电流波动系数这2个非目标参量的影响。为了得到精确的压力测量结果，必须尽量消除2个非目标参量对传感器输入输出特性的影响，使压力传感器的输出是输入的单值函数[3-5]。
由于神经网络具有容错性以及自学习、自组织和自适应能力和强大的非线性处理能力，因而可以用于解决压力传感器的非线性校正问题[1, 6-7]。但BP神经网络易陷入局部极小点，影响系统的快速性，有时甚至无法满足训练要求，从而影响系统的精度和实时 性。依据神经网络的自学习特性[8]，将智能信息融合技术[9-15]以及自适应学习速率动量梯度下降算法[1]训练的BP神经网络相结合来消除汽油机进气歧管压阻式微压传感器在其运行状况中温度等因素干扰对其的影响，从而在较大程度上提高了车用汽油机进气歧管空气流量检测精度，其研究成果具有现实意义。
1 进气歧管压力传感器非线性智能校正
1.1 学习样本库的建立
设汽油机进气歧管压力传感器对应的被测压力为p，传感器的输出电压为U，在实际工作中压力传感器还受工作温度T和供电电源的电流波动系数γ的影响，其输出电压实际为三元函数，即U = f ( p, T, γ)。在数据测试中，同时采用压力传感器、温度传感器、电流传感器分别测试压力传感器的压力、工作温度以及供电电源电流的波动系数γ。当汽油机进气歧管压力传感器工作温度分别为293，313和333 K时，电流波动系数分别为3%，-1%和-3%，测定的标定实验数据如表1所示(其中，UT为温度传感器的输出电压)。
表1 压力传感器的测定数据
Table 1 Test data of pressure transducer
1.2 样本数据的归一化
由于BP神经网络采用的函数为对数“S”型函数和双曲线正切“S”型函数，其输出数值分别在(0，1)和(-1，1)，为了避免节点不至于迅速进入饱和状态而无法继续学习，BP神经网络输入输出数值应该是归一化的数值，需要对样本数据进行归一化处理。对压力传感器的输出电压、温度传感器的输出电压采用式(1)进行归一化。
对于压力，采用式(2)进行归一化。
归一化后得到的神经网络输入输出标准样本库如表2所示。
表2 归一化处理后神经网络输入输出标准样本库
Table 2 Standard sample base for input value and output value of neural network after being normalized
1.3 进气歧管压力传感器非线性校正模型
对于汽油机进气歧管压力传感器信息融合的神经网络模型，用以上所得的归一化数据进行训练。以标定压力传感器输出电压的归一化值
、标定温度传感器归一化值
、标定电源波动系数的归一化值
作为神经网络的输入，以标定压力传感器输出电压的归一化值
作为网络的输出，BP神经网络模型采用如图1所示3-12-12-1结构，故有i=3，j=12，k=12，l=1。
图1 压力传感器非线性智能校正模型
Fig.1 Neural network information fusion model of
pressure transducer
采用BP算法，其目标是使神经网络输出y=p′与车用压力传感器目标参数的标定值pm之间的均方差平方和e为最小，即：
1.4 压力传感器信息融合的神经网络算法
标准的BP算法也称SDBP(Steepest descent backpropagation)，实质上是一种简单的最速下降静态寻优算法，存在如下缺点：
a. 需要较长的训练时间；
b. 完全不能训练，使得对网络权值的调节陷于 停顿；
c. 陷入局部最小值。
为了克服SDBP算法的缺点，出现了许多改进算法。其中自适应学习速率动量梯度下降算法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小值。SDBP在修正t时刻的权值w(t)时，只是按照t时刻的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛很慢，动量法就恰恰克服了这一缺点，它的算法为：
这种方法加入的动量项实质上相当于阻尼项，它减少了学习过程的振荡趋势，从而提高了收敛性。
而自适应调整学习率算法克服了SDBP算法中学习率选择不当导致收敛速度慢的缺点，有利于缩短学习时间，其算法为：
w(t+1)=w(t)+α(t)D(t)； (5)
α(t)=2λ α(t-1)； (6)
λ=sign[D(t)D(t-1)]。 (7)
当连续2次迭代其梯度方向相同时，表明学习速率动量梯度下降太慢，这时可使步长加倍；当连续2次迭代其梯度方向相反时，表明学习速率动量梯度下降过快，这时可使步长减半。自适应调整学习率算法改变了人为的改变学习率的数值盲目性，提高了学习速度，增强了收敛性。
结合以上2种算法的优点，采用自适应学习速率动量梯度下降算法和自适应调整学习率算法相结合策略，提出了组合自适应学习算法，即：
w(t+1)=w(t)+2λα(t-1)[(1-βt)D(t)+βtD(t-1)]。 (8)
式中：βt为自适应调节系数，0≤βt＜1，βt=1-[(t-1)/t]n，n为正整数。
利用该算法对样本数据进行融合，误差目标为10-4时，训练误差记录如图2所示。可见，在很短时间内，经过20多步就达到较高的精度。BP神经网络训练流程如图3所示。
图2 组合自适应学习算法误差变化曲线
Fig.2 Error change curve of combined self-adaptive study algorithm
图3 BP神经网络训练流程
Fig.3 Flow chart of train for BP neural network
1.5 非线性校正效果及其分析
由表1可知，对于同一被测压力p，传感器输出电压U随工作温度和供电电源波动而变化。令|Δy|max为进气歧管压力传感器输出电压的最大绝对波动值，yFS=97.12 mV为进气歧管压力传感器满量程输出电压(即在t=20 ℃和γ=0时传感器的输出电压)，则进气歧管压力传感器输出电压波动的相对值αp=|Δy|max/yFS。
由表1所示数据，计算进气歧管压力传感器输出电压最大相对波动值αp为22%。可见，进气歧管压力传感器受工作温度和电源波动的影响是相当大的。
利用神经网络计算被测压力的校正值，计算结果如表3所示。采用改进BP神经网络对进气歧管压力传感器数据进行融合处理后，进气歧管压力传感器输出电压最大相对波动值αp为1.16%。由此可见，在相同的工作温度变化和电源波动情况下，进气歧管压力传感器的输出稳定性比原来提高了约19倍。因此，采用神经网络技术消除进气歧管压力传感器在工作过程中所受的非目标参量的影响是十分有效的。
可见，汽油机进气歧管压力传感器经改进BP神经网络信息融合后，得到了温度以及电流波动系数补偿，这对消除在汽油机运行状况中压力参数所受温度以及电流波动系数因素干扰的影响十分有效。
2 进气歧管压力传感器测量精度对比实验
在进气歧管上同时安装科里奥利质量流量计进行对比实验。以科里奥利质量流量计的测量读数为基准，压力传感器非线性校正后空气质量流量相对误差与压力传感器未校正时空气质量流量相对误差关系如图4所示。
1—未校正时的相对误差；2—非线性校正后的相对误差
图4 空气质量流量测量精度对比
Fig.4 Contrast to measurement precision of air mass flux
从图4可以看出，随着进气歧管压力升高，进气歧管压力传感器非线性校正后空气质量流量误差呈上升趋势，且其相对误差均小于2.75%，而未校正进气歧管压力传感器的空气质量流量误差呈先下降后上升的趋势，且其相对误差均大于4.75%。这可能是小压力时的工作温度影响较大所致。由此可见，经改进BP神经网络融合处理后，进气歧管压力传感器测量精度至少提高2.0%。
表3 压力传感器非线性校正结果
Table 3 Results of nonlinear intelligent correction on pressure transducer
3 结 论
a. 采用BP神经网络对进气歧管压力传感器数据进行融合处理后，进气歧管压力传感器输出电压最大相对波动值αp为1.16%。在相同的工作温度变化和电源波动情况下，进气歧管压力传感器的输出稳定性比原来提高约19倍。
b. 进气歧管压力传感器非线性校正后空气质量流量误差呈上升趋势，且其误差均小于2.75%，而压力传感器未校正空气质量流量误差呈下降趋势，且其相对误差均大于4.75%。
参考文献：
[1] 鄂加强. 基于神经网络模糊推理的智能信息融合理论方法及其应用[D]. 长沙: 湖南大学电气与信息工程学院, 2006.
E Jia-qiang. Intelligent information fusion theory and technology of neural network and fuzzy reasoning and its application[D]. Changsha: College of Electrical and Information Engineering, Hunan University, 2006.
[2] 袁文华, 鄂加强, 龚金科. 气缸压力监测下车用多缸发动机燃烧状况分析系统[J]. 中南大学学报: 自然科学版, 2006, 37(7): 763-768.
YUAN Wen-hua, E Jia-qiang, GONG Jin-ke. Combustion condition analysis system of vehicle engine with multi-cylinder under cylinder pressure monitoring[J]. Journal of Central South University: Science and Technology, 2006, 37(7): 763-768.
[3] Gerraniotis E, Chau Y A. Robust data fusion for multisensor detection systems[J]. IEEE Transaction on Information Theory, 1990, 36(6): 1265-1279.
[4] Thomopoulis S C, Boubouliias V R. Optimal decision fusion in multiple sensor system[J]. IEEE Transactions on Aerospace and Electronic Systems, 1987, 23(5): 644-653.
[5] Hong L, Lynch A. Recursive temporal-spatial information fusion with applications to target identification[J]. Transactions on Aerospace and Electronic Systems, 1993, 29(2): 435-445.
[6] 焦李成. 神经网络系统理论[M]. 西安: 西安电子科技大学出版社, 1990.
JIAO Li-cheng. Neural network system theory[M]. Xi’an: Xidian University Press, 1990.
[7] 鄂加强. 智能故障诊断及其应用[M]. 长沙: 湖南大学出版社, 2006.
E Jia-qiang. Intelligent fault diagnosis and its application[M]. Changsha: Hunan University Press, 2006.
[8] Hornik K, Stinchcombe M, White H. Multiplayer feedforward networks are universal approximator[J]. Neural Computing, 1990(2): 210-215.
[9] Bdeworth M, Obrien K. Omnibus model—A new model of data fusion[J]. IEEE Aerospace and Electronic System Magazine, 2000, 15(4): 30-38.
[10] Hall D I, Llinas J. An introduction to multi-sensor data fusion[J]. Processing of IEEE, 1997, 85(1): 1-29.
[11] LIU Jian-ye, SUN Yong-rong, HE Xiu-feng, et al. Design and realization on GPS/INS integrated navigation system[J]. Transactions of Nanjing University of Aeronautics and Astronautics, 1998, 15(2): 165-171.
[12] Xie L, Soh Y C, Souza C. Robust kalman filter for uncertain discrete-time system[J]. IEEE Transaction on Automatic Control, 1994, 39(10): 1310-1338.
[13] Gamble R F. Using software architecture to formally derive synchronous knowledge based systems[J]. International Journal of Expert Systems, 1997, 10(2): 93-135.
[14] Rajasekhara V, Sreenatha G. Fuzzy logic implementation of proportional navigation guidance[J]. Acta Astronautica, 2000, 46(1): 17-24.
[15] 鄂加强, 张华美, 王耀南, 等. 基于函数链神经网络的管道煤气流量计量系统[J]. 中南大学学报: 自然科学版, 2006, 37(5): 976-980.
E Jia-qiang, ZHANG Hua-mei, WANG Yao-nan, et al. Measurement system for gas flux in pipeline based on function chain neural network[J]. Journal of Central South University: Science and Technology, 2006, 37(5): 976-980.
收稿日期：2007-10-30；修回日期：2008-01-05
基金项目：“985工程”二期资助项目(教重函[2004]1号)
通信作者：鄂加强(1972-)，男，湖南湘潭人，博士，副教授，从事智能信息融合处理方法及其在检测、优化建模、控制以及故障诊断上的教学与科研工作；电话：0731-8821750；E-mail: ejiaqiang@126.com
