内燃机工程

作者：王正江,郑风才,姚国仲,王贵勇

单位：昆明理工大学 云南省内燃机重点实验室,昆明 650500,昆明理工大学 云南省内燃机重点实验室,昆明 650500,昆明理工大学 云南省内燃机重点实验室,昆明 650500,昆明理工大学 云南省内燃机重点实验室,昆明 650500

关键词：柴油机,废气再循环,神经网络,遗传算法,参数识别,

基金：云南省科技厅重大科技专项项目（202302AC080002）

通过对柴油机电动废气再循环（exhaust gas recirculation， EGR）阀的结构和工作原理进行分析，建立了EGR阀驱动电机模型和工作机构模型。针对EGR阀驱动电机转矩常数和阻转矩阻尼系数难以直接测量的问题，提出了一种基于神经网络和遗传算法优化的参数识别方法。通过优化，EGR阀驱动电机的转矩常数优化值趋于一个常值，而阻转矩阻尼系数随驱动占空比和电机角速度呈非线性变化。在所确定的转矩常数和阻转矩阻尼系数预测模型下，驱动电机的电流平均绝对误差和角速度平均绝对误差分别为1.21×10-3 A和4.27 rad/s，具有较好的预测精度。在所有参数确定后，对EGR阀模型进行了试验验证。结果表明：在开环控制下EGR阀模型的开度偏差平均值为0.52%；在闭环控制下EGR阀模型瞬态控制过程的上升时间和超调量的平均绝对误差（mean absolute error， MAE）分别为3.22×10-3 s和1.97%，均方根误差（root mean square error， RMSE）分别为4.01×10-3 s和2.3%，平均绝对百分比误差（mean absolute percentage error， MAPE）分别为7.88%和14.05%，决定系数R2均为0.96。结合驱动电机模型和工作机构模型建立的EGR阀模型能够正确地表征EGR阀的电气特性和运动特性，研究结果可为EGR阀的控制研究提供理论依据。

来源：2025年第6期

《内燃机工程》期刊编辑部

查看内燃机工程杂志2025年第6期