《Eng》：Design of Control Strategies for Speed Regulation of Magnetic Reciprocating Engine
编辑推荐：
磁性往复式发动机（Magnetic Reciprocating Engine, MRE）为内燃机提供了一种零排放替代方案；然而，其实际应用需要精确的转速调节，而这一挑战因耦合的机电动力学和感应执行器滞后而加剧。本文介绍了针对MRE样机的两种智能控制策略的设计、
磁性往复式发动机（Magnetic Reciprocating Engine, MRE）为内燃机提供了一种零排放替代方案；然而，其实际应用需要精确的转速调节，而这一挑战因耦合的机电动力学和感应执行器滞后而加剧。本文介绍了针对MRE样机的两种智能控制策略的设计、实现和实验比较：一种是在线神经网络动态调节点火正时的神经点火角控制器，另一种是将PID反馈回路与离线训练的逆神经模型相结合作为前馈补偿器的电压前馈神经网络（Feedforward Neural Network, FFNN）控制器。实验结果表明，两种控制器均实现了有效的转速跟踪。与神经角度控制器相比，FFNN方法展现出优越性能，表现在控制努力降低、瞬态响应更稳定，同时在不同运行条件下保持精确跟踪。
**论文解读文章**
**研究背景与问题**
一个多世纪以来，内燃机（Internal Combustion Engine, ICE）一直是全球交通、农业和工业的主要动力技术。然而，其对化石燃料的依赖导致了严重的环境影响，特别是加剧气候变化的温室气体排放。作为响应，电气化已成为主要替代方案，各国政府正推动向电动汽车转型。然而，高昂的成本和有限的充电基础设施仍阻碍其大规模应用，尤其是在发展中国家。在此背景下，能够减少排放同时保持与现有机械基础设施兼容性的替代推进技术具有重要意义。磁性往复式发动机（MRE）是其中一种新兴解决方案，它通过受控电磁力产生机械运动，从而消除直接燃烧相关排放。与需要全新架构的全电推进系统不同，MRE保留了传统往复式发动机的部分结构和机械特性，使其在完全电气化尚不可行的逐步过渡场景中具有吸引力。然而，MRE系统的实际实现仍面临挑战，因为其具有强非线性和耦合的机电动力学。在这些系统中，活塞运动由执行器产生的电磁力直接驱动，而该电磁力取决于线圈电流动力学，后者由电源电压、电感和通电时机决定。因此，精确的转速调节成为一个关键且非平凡的控制问题。先前关于MRE系统的研究主要集中在系统建模、实验表征和预定义换向策略上，主要基于预定义通电条件，未解决变工况下的自适应闭环非线性转速调节。在MRE系统中，激励角是电磁力产生以及曲轴旋转动力学的关键因素。然而，随着转速增加，由于执行器电感动力学，可用通电窗口变窄，正时误差变得愈发关键。此外，电源电压、线圈电流、磁力与曲轴动力学之间的非线性耦合使得鲁棒控制器的设计特别具有挑战性。从控制角度看，MRE系统与电磁执行器和磁悬浮系统有共同特征。尽管已有多种智能控制策略被提出，但直接应用智能非线性控制技术于MRE系统仍有限。现有研究多依赖固定ON/OFF换向方案或预定义通电窗口，在变工况下适应性有限。因此，实现能够补偿MRE系统固有非线性机电耦合的自适应鲁棒转速调节问题仍有待解决。受此启发，本文提出了两种基于神经网络的专业化控制策略，用于磁性往复式发动机的转速调节。
**研究内容与结论**
研究人员设计、实现并实验比较了两种智能控制策略：神经点火角控制器，利用在线神经网络动态调整点火正时；以及电压前馈神经网络控制器，将PID反馈回路与离线训练的逆神经模型相结合作为前馈补偿器。实验结果表明，两种控制器均能实现有效的转速跟踪，其中FFNN方法表现出更优的性能，控制努力更低、瞬态响应更稳定，且在不同工况下保持精确跟踪。这项研究证明了对MRE系统实施闭环控制策略的可行性，无论是通过点火角调制还是电源电压调节，均能实现有效转速调节，优于先前主要聚焦开环操作的研究。论文发表在《Eng》。
**主要关键技术方法**
研究人员使用了一个实验室规模单缸MRE样机进行实验验证。关键技术包括：（1）神经点火角控制器：采用3-2-1架构的三层递归神经网络，结合在线学习算法（学习率η），根据MRE系统运行条件连续调整突触权重，通过反馈测量转速和控制信号最小化跟踪误差。（2）电压FFNN控制器：先使用粒子群优化整定PID控制器增益（Kp=0.1383, Ki=0.2, Kd=0），再离线训练一个多层感知机（MLP）逆神经网络模型（2个隐藏层神经元，tanh激活函数）来近似电压-转速非线性关系；然后将离线训练的神经网络作为前馈补偿器，与PID反馈控制器结合，并对阶跃输入引入4秒的PID延迟以避免过冲。励磁角固定为TDC前20°打开、TDC后1°关闭，采样时间0.56628 ms。
**研究结果**
**4.1 ON Angle Neural Controller**
通过斜坡输入实验（图10），电机在开环启动后约25秒切换至神经控制，转速收敛至参考值并稳定跟踪。点火角动态（图11）显示在200秒附近通过0°临界区时带有饱和死区以避免长时间停留。阶跃输入实验（图12）显示在各设定点切换时无过冲，验证了控制策略的稳定性和一致性。点火角动态（图13）显示立即调整以最小化跟踪误差，信号平滑无过冲，证实神经架构的鲁棒性。
**4.2 Voltage FFNN Controller**
斜坡输入下（图14），初始开环运行仅由ANN驱动，存在约50 RPM稳态误差；PID激活后转速平滑收敛至参考值。控制作用分析（图15、16）显示ANN输出正电压，PID输出负校正信号，两者代数和得到精确电压。阶跃输入实验（图17）中，由于训练条件与实验环境完美匹配，无初始偏移，转速快速达到目标值且无过冲，稳态误差几乎为零。根据定时逻辑（式19），PID在瞬态后被重新激活，但贡献极小（图18、19），总控制电压紧密跟随ANN动作。
**讨论与结论**
实验结果表明，无论是在MRE系统中通过点火角调制还是电源电压调节实现闭环控制策略均具有可行性。每种方法各有优缺点，但都能实现有效转速调节，这比先前以开环操作为主的研究有所改进。闭环控制对于确保移动应用中常见外部干扰下的鲁棒性至关重要。结果还证实了神经网络在这类机电系统中的适用性，该系统因线圈与永磁体间的电磁相互作用而与磁悬浮系统具有相似性。神经网络集成使系统能够补偿[10]中数学模型未捕捉到的不确定性。然而，未来发展应考虑将神经网络作为基于物理建模的补充而非替代。仍需更全面的数学框架来准确描述动态扭矩、能效和爆震现象，这些是评估MRE作为内燃机替代方案可行性的关键因素。此外，本研究开辟了多个研究方向，特别是同时调节点火角、电源电压和截止角的多变量控制策略，后者在文献中仍较少探索。
**研究结论翻译**
本文提出了两种用于MRE转速调节的控制方案：一种基于固定电源电压与可变点火角，另一种基于固定点火角与可变电源电压。基于点火角的控制方案实现了令人满意的参考跟踪，但需要初始开环操作阶段让学习算法收敛。直接在闭环下初始化会导致性能指标和动态行为下降（如表6和表7所示）。由于点火角是机械执行变量而电源电压是电气变量，角度控制在本质上比电压控制动态响应更慢。然而，通过使用更接近预期解的权重初始化神经网络，可进一步改善性能，减少初始操作阶段的收敛时间。基于电压的控制策略（包括PID和FFNN）表现出更优的性能，能以更低控制努力达到目标转速。特别地，FFNN控制器在闭环系统中显著降低控制努力并保持稳定性。其由于离线训练而在执行时计算负荷较低，适合实时实现。但需注意网络在特定运行条件下训练（固定点火角和截止角、无负载），这受限于小规模电磁体的扭矩和热限制。偏离这些条件会降低模型精度，需要PID干预补偿跟踪误差。替代方案是引入在线学习机制以适应变化工况。尽管两个控制器在无负载单缸实验样机下均实现了期望转速调节，结果表明基于电压的FFNN控制器在测试条件下优于基于点火角的神经控制器。
