[论文解读] An Extreme Learning Machine Approach to Predicting Near Chaotic HCCI Combustion Phasing in Real-Time

Adam Vaughan, Stanislav V. Bohac|arXiv (Cornell University)|Oct 14, 2013

Advanced Combustion Engine Technologies参考文献 17被引用 6

一句话总结

本文提出一种基于加权环形极限学习机（WR-ELM）的实时在线自适应模型，用于预测均质充气压燃（HCCI）发动机中的近混沌燃烧相位。仅利用缸内压力和曲轴转角数据，WR-ELM 实现了因果性、高精度的预测，最早可在 358° BTDC 时完成预测，优于以往的离线方法，支持低排放 HCCI 发动机的实时模型预测控制。

ABSTRACT

Fuel efficient Homogeneous Charge Compression Ignition (HCCI) engine combustion timing predictions must contend with non-linear chemistry, non-linear physics, period doubling bifurcation(s), turbulent mixing, model parameters that can drift day-to-day, and air-fuel mixture state information that cannot typically be resolved on a cycle-to-cycle basis, especially during transients. In previous work, an abstract cycle-to-cycle mapping function coupled with $ε$-Support Vector Regression was shown to predict experimentally observed cycle-to-cycle combustion timing over a wide range of engine conditions, despite some of the aforementioned difficulties. The main limitation of the previous approach was that a partially acausual randomly sampled training dataset was used to train proof of concept offline predictions. The objective of this paper is to address this limitation by proposing a new online adaptive Extreme Learning Machine (ELM) extension named Weighted Ring-ELM. This extension enables fully causal combustion timing predictions at randomly chosen engine set points, and is shown to achieve results that are as good as or better than the previous offline method. The broader objective of this approach is to enable a new class of real-time model predictive control strategies for high variability HCCI and, ultimately, to bring HCCI's low engine-out NOx and reduced CO2 emissions to production engines.

研究动机与目标

• 解决在非线性、非平稳且接近混沌条件下，HCCI 发动机循环间燃烧相位的实时因果预测挑战。
• 克服以往依赖部分非因果、随机采样数据集的离线非因果训练方法的局限性。
• 实现 HCCI 发动机循环间模型预测控制（MPC）的实际应用，以实现超低 NOx 排放和减少 CO2 排放。
• 开发一种自适应学习框架，在瞬态工况、参数漂移和循环间波动下仍能保持高精度。
• 在低成本硬件（Raspberry Pi）上验证其可行性，实现面向实际生产发动机的部署。

提出的方法

• 提出一种新颖的极限学习机（ELM）在线自适应扩展方法——加权环形 ELM（WR-ELM），利用加权环形缓冲区存储并递归更新近期测量数据。
• 通过递推最小二乘法（RLS）将离线训练的 ELM 解决方案与在线自适应相结合，以极低计算成本长期保持模型精度。
• 使用缸内压力和曲轴转角传感器数据作为输入，预测燃烧相位（CA50），实现因果推断，使预测最早可提前至 358° BTDC。
• 采用固定且随机分配的输入权重对输入特征进行非线性变换，输出权重通过 RLS 学习以实现实时自适应。
• 在环形缓冲区中实施加权策略，优先考虑近期数据，提升对瞬态变化和参数漂移的响应能力。
• 基于包含 25,323 个连续循环的大型数据集进行模型验证，仅使用标准发动机传感器数据，包含随机瞬态和偶尔的失火情况。

实验结果

研究问题

• RQ1 在线自适应 ELM 框架是否能在接近混沌、非平稳条件下实现 HCCI 燃烧相位的因果性实时预测？
• RQ2 在瞬态和高波动运行条件下，WR-ELM 模型相较于离线方法在精度和适应性方面表现如何？
• RQ3 该模型在仅使用缸内压力和曲轴转角数据的情况下，能否有效预测燃烧相位，而无需实时解析空燃比或残余气体分数？
• RQ4 模型自适应速度和加权策略对瞬态和近失火条件下预测精度的影响如何？
• RQ5 WR-ELM 框架是否可实现在适合生产发动机控制的低成本嵌入式平台上的实时运行？

主要发现

• WR-ELM 模型在 25,323 个循环中实现了与先前离线 ε-SVR 方法相当或更优的预测精度，平均绝对误差（MAE）为 0.85° CA50。
• 模型展现出因果预测能力，预测最早可在 358° BTDC 时完成，支持控制策略的早期干预。
• 尽管预测存在轻微正偏差（主要出现在中等 CA50 值区域），但模型在 95% 的情况下仍能正确捕捉燃烧定时变化的方向性，即使在瞬态条件下亦然。
• 模型在高波动条件下表现出强鲁棒性，包括每 0.5–10 秒随机发生的瞬态跃迁及偶尔的失火情况。
• WR-ELM 已成功实现实时运行于低成本 Raspberry Pi 平台，证明其在嵌入式发动机控制应用中的可行性。
• 环形缓冲区中的权重自适应显著提升了瞬态下的跟踪性能，神经元权重动态（β₁）对发动机工况变化表现出清晰响应。