. 6繼續(xù)迭代；
[0054] 步驟5. 6.更新個體微粒速度和位置，速度更新公式如下：
位置更新公式如下： ^^2為（0, 1)之間的隨機數(shù)，k為迭代次數(shù)；并 更新個體最優(yōu)pBest和全局最優(yōu)gBest，將當前值與個體最優(yōu)pBest相比較，如果當前值小 于pBest，則將當前值賦予pBest，否則，不進行賦值；將當前值與全局最優(yōu)gBest進行比較， 若當前值小于gBest，則將當前值賦予gBest，否則，不進行賦值；
[0055] 步驟5. 7.判斷是否還有剩余用于優(yōu)化數(shù)據(jù)，如果有，則轉(zhuǎn)入步驟5. 3,否則，輸出 全局最優(yōu)作為優(yōu)化結(jié)果。
[0056] 優(yōu)選的，個體微粒位置限制區(qū)間為[_X_，X_]，個體微粒速度限制區(qū)間為
[Vmax，Vmax]。
[0057] 利用粒子群算法訓練模糊神經(jīng)網(wǎng)絡，結(jié)合粒子群與模糊神經(jīng)網(wǎng)絡的人工智能算 法，實現(xiàn)方便、可行性高、效果好，并將其應用于氫燃料發(fā)動機的點火提前角優(yōu)化控制中，改 變現(xiàn)有傳統(tǒng)的實驗標定的方法，能夠精確、快速地實現(xiàn)氫燃料發(fā)動機最佳點火提前角的標 定工作，極大程度減小人工標定的工作量，對于氫燃料發(fā)動機的試驗研究具有十分現(xiàn)實的 意義。
[0058] 本發(fā)明并不局限于上述【具體實施方式】，本領域技術人員還可據(jù)此做出多種變化， 但任何與本發(fā)明等同或者類似的變化都應涵蓋在本發(fā)明權(quán)利要求的范圍內(nèi)。
【主權(quán)項】
1. 一種基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)，包含主機系 統(tǒng)、燃料/空氣供給系統(tǒng)、接口單元、電控系統(tǒng)、信號采集單元及測試系統(tǒng)，其特征在于：主 機系統(tǒng)包含粒子群算法處理模塊，燃料/空氣供給系統(tǒng)、信號采集單元、測試系統(tǒng)分別通過 接口單元與電控系統(tǒng)相通訊，主機系統(tǒng)通過接口單元與電控系統(tǒng)相信號連接。2. 根據(jù)權(quán)利要求1所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化 系統(tǒng)，其特征在于：所述信號采集單元包含轉(zhuǎn)速信號傳感器、節(jié)氣門信號傳感器、空氣流量 信號傳感器、氫氣流量信號傳感器及爆燃信號傳感器。3. 根據(jù)權(quán)利要求2所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化 系統(tǒng)，其特征在于：測試系統(tǒng)將接收到的信號采集單元數(shù)據(jù)，經(jīng)過信號調(diào)理電路進行數(shù)據(jù)處 理后，傳輸至主機系統(tǒng)。4. 一種基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化方法，其特征在于： 是以權(quán)利要求1~3任一項所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu) 化系統(tǒng)為基礎的優(yōu)化方法，其具體包括如下步驟： 步驟1.根據(jù)發(fā)動機試驗測試系統(tǒng)，選定不同工況進行試驗，得到相應的最佳點火提前 角，作為標定數(shù)據(jù)，選定標定數(shù)據(jù)中部分數(shù)據(jù)為用于優(yōu)化的數(shù)據(jù)，另一部分為用于測試驗證 的數(shù)據(jù)； 步驟2.根據(jù)基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)，建立模 糊神經(jīng)網(wǎng)絡，初定模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)，及轉(zhuǎn)速、負荷、冷卻水溫度、進氣管壓力的參數(shù)； 步驟3.根據(jù)步驟1中選定的用于優(yōu)化的數(shù)據(jù)設定粒子群算法參數(shù)，粒子群算法參數(shù)包 含微粒群規(guī)模Z、慣性權(quán)重常數(shù)w、迭代終止次數(shù)、最大速度V_、最大位置X_和訓練樣本數(shù) 目； 步驟4.利用粒子群算法對模糊神經(jīng)網(wǎng)絡進行參數(shù)優(yōu)化，將模糊神經(jīng)網(wǎng)絡中的所有神 經(jīng)元間的連接權(quán)值編碼成實數(shù)碼串表示的個體，并利用粒子群算法的優(yōu)化結(jié)果輸出作為模 糊神經(jīng)網(wǎng)絡的最佳連接權(quán)值參數(shù)，根據(jù)模糊神經(jīng)網(wǎng)絡構(gòu)建基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃 料發(fā)動機點火提前角的優(yōu)化模型； 步驟5.根據(jù)步驟4構(gòu)建的優(yōu)化模型，結(jié)合用于優(yōu)化的數(shù)據(jù)，利用優(yōu)化模型的自學習功 能進行仿真訓練，直至滿足迭代終止次數(shù)為止，確定模糊神經(jīng)網(wǎng)絡內(nèi)部的最佳連接權(quán)值，并 對優(yōu)化效果通過均方誤差適應度函數(shù)進行量化評價； 步驟6.根據(jù)步驟5中的仿真訓練結(jié)果對步驟4構(gòu)建的優(yōu)化模型進行粒子群算法參數(shù) 修正，通過均方誤差適應度函數(shù)的收斂速度及進度來評判參數(shù)的優(yōu)劣； 步驟7.利用其中用于測試驗證的數(shù)據(jù)對仿真訓練結(jié)果進行測試、驗證、評價，將用于 測試驗證的數(shù)據(jù)導入已經(jīng)訓練完成的優(yōu)化模型中進行測試，通過相對誤差與絕對誤差對其 進行評價，來驗證該優(yōu)化模型的優(yōu)劣并得到優(yōu)化完成后的系統(tǒng)模型； 步驟8.利用優(yōu)化完成后的系統(tǒng)模型，并結(jié)合實際情況進行發(fā)動機點火提前角的預測、 優(yōu)化。5. 根據(jù)權(quán)利要求4所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化 方法，其特征在于：所述步驟2中的模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)包含輸入層、模糊化層、去模糊化層 和輸出層，輸入層包含n個輸入節(jié)點，輸出層包含一個輸出節(jié)點。6. 根據(jù)權(quán)利要求4所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化 方法，其特征在于：所述步驟5具體包含如下步驟： 步驟5. 1.初始化微粒群，根據(jù)微粒群規(guī)模Z，按照個體結(jié)構(gòu)隨機產(chǎn)生個體微粒組成種 群，其中，不同的個體代表神經(jīng)網(wǎng)絡的一組不同權(quán)值，隨機初始化種群的初始位置X，初始速 度V，個體最優(yōu)pBest和全局最優(yōu)gBest;步驟5. 2.組建模糊神經(jīng)網(wǎng)絡，將微粒群中每一個體的分量映射為模糊神經(jīng)網(wǎng)絡中的 權(quán)值，設置慣性權(quán)重w非負常數(shù)cl和c2,構(gòu)成模糊神經(jīng)網(wǎng)絡，模糊神經(jīng)網(wǎng)絡輸出層的 輸出節(jié)點，其輸出關 ~其中，《,為去模糊化層第j個節(jié)點與輸出層之間的鏈接 ，. 權(quán)值，〇/3)為去模糊化層的輸出，〇/3)是模糊化層和去模糊化層之間、輸入層與模糊化層之 間的所有鏈接權(quán)值的函數(shù)； 步驟5. 3.隨機抽取用于優(yōu)化的數(shù)據(jù)作為訓練樣本； 步驟5. 4.由均方誤差適應度函數(shù)計算每個個體微粒的適應度值，計算每個模糊神經(jīng) 網(wǎng)絡在訓練集上產(chǎn)生的均方誤差作為優(yōu)化目標函數(shù)，由步驟5. 2知均方 誤差適應度函數(shù)的目標優(yōu)化函數(shù)：-片2，是模糊神經(jīng)網(wǎng)絡各層之間所有鏈接權(quán) 值的函數(shù)，其中，yi是模糊神經(jīng)網(wǎng)絡預測輸出，y是實際輸出，K為測試樣本集數(shù)目，對鏈接 權(quán)值的優(yōu)化過程就是對均方誤差適應度函數(shù)求最小值的收斂過程，所求得的鏈接權(quán)值可以 使網(wǎng)絡的輸出值與實際標定點火提前角之間的誤差最小，即均方誤差最??； 步驟5. 5.判斷個體微粒是否滿足迭代終止次數(shù)，如果是，進入步驟5. 7,否則，進入步 驟5. 6繼續(xù)迭代； 步驟5. 6.更新個體微粒速度和位置，速度更新公式如下：位置更新公式如下：xf/4 =xX+1，d=D, i= 1, 2,...n,其中，n，r2為（0, 1)之間的隨機數(shù)，k為迭代次數(shù)；并更新個體最優(yōu)pBest和全 局最優(yōu)gBest，將當前值與個體最優(yōu)pBest相比較，如果當前值小于pBest，則將當前值賦予 pBest，否則，不進行賦值；將當前值與全局最優(yōu)gBest進行比較，若當前值小于gBest，則將 當前值賦予gBest，否則，不進行賦值； 步驟5. 7.判斷是否還有剩余用于優(yōu)化數(shù)據(jù)，如果有，則轉(zhuǎn)入步驟5. 3,否則，輸出全局 最優(yōu)作為優(yōu)化結(jié)果。7.根據(jù)權(quán)利要求6所述的基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu) 化方法，其特征在于：個體微粒位置限制區(qū)間為[-X_，X_]，個體微粒速度限制區(qū)間為 [Vmax，Vmax]。
【專利摘要】本發(fā)明涉及一種基于粒子群模糊神經(jīng)網(wǎng)絡的氫燃料發(fā)動機點火提前角優(yōu)化系統(tǒng)及其優(yōu)化方法，該優(yōu)化系統(tǒng)包含主機系統(tǒng)、燃料/空氣供給系統(tǒng)、接口單元、電控系統(tǒng)、信號采集單元及測試系統(tǒng)，主機系統(tǒng)包含粒子群算法處理模塊，燃料/空氣供給系統(tǒng)、信號采集單元、測試系統(tǒng)分別通過接口單元與電控系統(tǒng)相通訊，主機系統(tǒng)通過接口單元與電控系統(tǒng)相信號連。本發(fā)明利用粒子群算法進行優(yōu)化訓練尋找最優(yōu)適應度及對應的權(quán)值，極大地減小工作量及試驗成本，并結(jié)合部分現(xiàn)有標定數(shù)據(jù)，對最佳點火提前角進行預測標定的系統(tǒng)和方法，極大減小人工標定工作量，能夠精確、快速地實現(xiàn)氫燃料發(fā)動機最佳點火提前角的標定工作，簡化氫燃料發(fā)動機的實驗研究及工業(yè)應用。
【IPC分類】G05B13/04
【公開號】CN105116730
【申請?zhí)枴緾N201510518988
【發(fā)明人】王麗君, 劉源, 馬霄, 楊振中, 段俊法, 郭樹滿
【申請人】華北水利水電大學
【公開日】2015年12月2日
【申請日】2015年8月21日