渦輪增壓有“渦輪遲滯”的問題,可變幾何截面渦輪增壓器（Variable Geometry Turbocharger,VGT）是解決“渦輪遲滯”的一個好方法,但配備VGT的柴油發(fā)動機的升壓控制很困難,主要是因為它與廢氣再循環(huán)（Exhaust Gas Recirculation,EGR）系統(tǒng)緊密耦合,同時還因為發(fā)動機氣體交換系統(tǒng)的輸入和輸出時間延遲會導致較大的滯后。傳統(tǒng)上VGT是由比例-積分-微分控制器（Proportion Integration Differentiation,PID）進行控制的,PID控制會出現(xiàn)超調(diào)和跟隨性差等問題。為解決上述問題,本文將擅長解決各種Atari游戲和棋盤游戲的深度強化學習（Deep Reinforcement Learning,DRL）算法運用到VGT的控制中。深度強化學習（DRL）是一種將深度學習（Deep Learning,DL）和強化學習（Reinforcement Learning,RL）相結(jié)合的機器學習。目前很少有研究將最新的DRL算法應(yīng)用于實際的動力總成控制問題中。本文以PID控制器為基準,構(gòu)建了一種最新的無模型的DRL算法,即深度確定性策... 

【文章來源】：重慶理工大學重慶市

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外VGT控制算法研究
        1.2.2 國內(nèi)VGT控制算法研究
        1.2.3 深度強化學習研究
    1.3 本文主要研究內(nèi)容
2 相關(guān)理論介紹
    2.1 深度學習
        2.1.1 深度學習的三類方法
        2.1.2 深度學習特點
    2.2 強化學習理論基礎(chǔ)
        2.2.1 強化學習概述
        2.2.2 強化學習框架
    2.3 強化學習算法
        2.3.1 Q-Learning算法
    2.4 深度強化學習
        2.4.1 DQN算法
        2.4.2 DDPG算法
    2.5 本章小結(jié)
3 模型搭建
    3.1 發(fā)動機數(shù)值仿真基本原理
    3.2 增壓發(fā)動機GT-Power模型搭建
        3.2.1 平均值模型搭建
        3.2.2 發(fā)動機一維模型搭建
        3.2.3 FTP-72 循環(huán)駕駛工況
    3.3 發(fā)動機氣缸三維模型搭建
        3.3.1 流體力學基本理論
        3.3.2 計算流體力學基本理論
        3.3.3 基于STAR-CCM+的In-Cylinder模塊CFD仿真流程
        3.3.4 建立三維幾何模型
        3.3.5 網(wǎng)格方案與網(wǎng)格劃分
        3.3.6 初始條件設(shè)置
    3.4 Tensorflow框架
    3.5 實驗平臺搭建
        3.5.1 聯(lián)合仿真平臺搭建
        3.5.2 DDPG算法搭建
    3.6 本章小結(jié)
4 仿真結(jié)果分析
    4.1 PID控制性能
    4.2 DDPG控制性能
    4.3 PID控制性能與DDPG控制性能比較
    4.4 DDPG離線學習和在線學習
    4.5 發(fā)動機CFD仿真分析
        4.5.1 仿真分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
致謝
參考文獻
個人簡歷、在學期間發(fā)表的學術(shù)論文及取得的研究成果


【參考文獻】：
期刊論文
[1]AlphaZero:一種人類從未見過的智慧[J]. Demis Hassabis,晗冰.  科學中國人. 2019(02)
[2]基于深度強化學習DDPG算法的投資組合管理[J]. 齊岳,黃碩華.  計算機與現(xiàn)代化. 2018(05)
[3]基于深度學習神經(jīng)網(wǎng)絡(luò)技術(shù)的數(shù)字電視監(jiān)測平臺告警模型的研究[J]. 韋堅,劉愛娟,唐劍文.  有線電視技術(shù). 2017(07)
[4]非仿射參數(shù)依賴LPV模型的變體飛行器H∞控制[J]. 溫暖,劉正華,祝令譜,李羅川,周銳.  北京航空航天大學學報. 2017(10)
[5]深度強化學習綜述[J]. 劉全,翟建偉,章宗長,鐘珊,周倩,章鵬,徐進.  計算機學報. 2018(01)
[6]深度強化學習綜述:兼論計算機圍棋的發(fā)展[J]. 趙冬斌,邵坤,朱圓恒,李棟,陳亞冉,王海濤,劉德榮,周彤,王成紅.  控制理論與應(yīng)用. 2016(06)
[7]流體機械旋轉(zhuǎn)湍流計算模型研究進展[J]. 王福軍.  農(nóng)業(yè)機械學報. 2016(02)
[8]24V直流電機控制系統(tǒng)的設(shè)計[J]. 漢澤西,徐岳,甘志強.  電子科技. 2010(05)
[9]車用柴油機排氣再循環(huán)控制系統(tǒng)[J]. 劉忠長,朱昌吉,張振東.  吉林大學學報(工學版). 2004(03)
[10]渦輪調(diào)節(jié)方式對增壓柴油機匹配性能的影響[J]. 馬朝臣,朱慶,楊長茂,張虹,吳中佐,鮑捷,李輝.  內(nèi)燃機學報. 2000(02)

碩士論文
[1]柴油機VGT相繼增壓系統(tǒng)技術(shù)研究[D]. 周鵬程.哈爾濱工程大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學習算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學 2014
[3]發(fā)動機渦輪增壓系統(tǒng)匹配及動態(tài)特性的仿真分析[D]. 余冰.北京交通大學 2010
[4]車用柴油機渦輪增壓系統(tǒng)選型與匹配的研究[D]. 鄧大偉.上海交通大學 2010
[5]溫控系統(tǒng)的智能PID控制算法研究[D]. 李科.華中科技大學 2006



本文編號：3154864