摘要
能源危机的加剧迫使各个领域做出革新，发动机行业受严格的法规限制,必须采用新型发动机技术以提高发动机燃油经济性，其中广泛应用的是涡轮增压发动机技术。在相同的发动机排量下，压气机可以增加进气量从而增加发动机扭矩和功率，在相同的燃油经济性下提高发动机40%的功率。由于家用轿车的行驶工况在低、中负荷较多，故厂商普遍将涡轮匹配到低转速以保证发动机在低速下的扭矩输出，而到高转速大负荷时采用废气旁通阀放气的形式将过多的废气旁排除，降低压气机的增压压力。由于涡轮存在的迟滞特性严重影响其控制，使发动机在每个瞬态下不能保持最佳工作状态从而降低发动机效率。 本文将深度强化学习（Deep Reinforcement Learning,DRL）算法用于发动机控制，针对涡轮增压器和节气门都是影响进气量的直接因素，故本次研究针对增压器和节气门，在控制策略方面模仿人工智能中的自适应算法，尝试通过AI来替代发动机增压器和节气门人工标定，将发动机技术和人工智能技术相结合，从而达到控制节气门和增压器的目的。 首先在GT-Power中建立发动机一维控制模型，并通过一定的误差验证使其满足仿真的精度要求，再基于原始模型去掉节气门控制器和涡轮增压器控制器，以此模型作为联合仿真平台的环境。将发动机属性中的转速、传动比、燃油消耗和目标车速作为算法的状态值，程序返回动作即为节气门和废气旁通阀的动作值，判断策略优劣的标准为动力跟随和燃油消耗之和最低。通过搭建的联合仿真平台进行训练，将最终策略加载完整的FTP75工况进行验证，结果表明深度强化学习算法通过耦合节气门和涡轮增压器，可以完成对应工况的动力跟随，并且燃油消耗率降低了6.4%。最后将仿真数据导入STAR-CCM+进行三维仿真，直观的分析了气缸和进、排气道的流场信息，证明在耦合控制中，节气门和增压器通过协同作用调节自身的动作值，可以有效的避免两者的干涉，从而在保证发动机扭矩输出的前提下降低排气背压从而降低燃油消耗率。 本研究通过GT-Power、Matlab和Python搭建了深度强化学习发动机一维联合平台，对人工智能算法在节气门和增压器耦合控制领域进行了初步的探索性研究，并在特定的工况下验证了其算法的可行性。
NETL