Automated and risk-aware engine control calibration using constrained Bayesian optimization

doi:10.1016/j.conengprac.2026.107278

Automated and risk-aware engine control calibration using constrained Bayesian optimization

2026-09-24

0

OA

AI

DOI：10.1016/j.conengprac.2026.107278

原文链接

原文求助

摘要

En 中文

交通部门的脱碳化对内燃机提出了日益严格的性能要求，需要最大化热效率以满足未来尾气CO₂排放标准。这导致发动机复杂性增加，并使执行器设定点和控制参数的可调数量激增。因此，自动化标定对于将开发时间和成本控制在可接受水平至关重要。本研究提出了一种基于气缸压力曲线塑形的创新自学习标定方法，该方法结合了主成分分解与约束贝叶斯优化。为实现在发动机最大热效率，优化问题旨在最小化实际气缸压力曲线与理想热力学循环之间的差异。通过持续更新基于实际运行条件测量的高斯过程回归模型，学习压力主成分权重的均值气缸压力曲线及其不确定性边界。该信息驱动标定参数的优化，这些参数在处理与运行安全和燃烧稳定性相关的风险及不确定性时自动调整。该方法无需系统先验知识。所提方法通过实验推导的可控反应性压燃发动机模型在仿真中成功验证，最优解与真实最优值的Gross Indicated Efficiency差异为0.017%。对于该复杂发动机，最优解在64.4秒内找到，相比传统标定方法速度较快。

Keyword:

Machine learning

Bayesian optimization

Gaussian process regression

Principle component decomposition

Auto-calibration

Automated and risk-aware engine control calibration using constrained Bayesian optimization

摘要

期刊

机构

引用论文