optymalizacja układów napędowych w nowoczesnych samochodach opiera się na inżynierii systemów opartych na modelach, aby sprostać złożonym układom motoryzacyjnym i wymaganiom projektowania sterowania. Dwa warunki wstępne optymalizacji zespołu napędowego w oparciu o model to symulator zespołu napędowego i konstrukcja sterowania, która zapewnia pożądaną pracę zespołu napędowego podczas cykli jazdy., Teza ta obraca się wokół tych warunków wstępnych i należy do fazy model-in-the-loop cyklu życia rozwoju kontroli. Jego celem jest przede wszystkim identyfikacja modeli układów napędowych zorientowanych na sterowanie, w szczególności liniowych modeli czarnej skrzynki ze względu na zalety, jakie prezentują w zakresie dostępności do projektowania sterowania liniowego i możliwości integracji zmian w definicji technicznej układu napędowego., Ma on również na celu identyfikację i kontrolę układów napędowych z opóźnieniem czasowym transportu, ponieważ włączenie opóźnienia w projekcie modelu i układu sterowania ma kluczowe znaczenie dla reprezentatywności systemu pierwszego i dla optymalności systemu drugiego. Opierając się na tych przesłankach, zajmujemy się układem napędowym z perspektywy ścieżki powietrza silnika. Najpierw identyfikujemy liniowy model czarnej skrzynki state-space (SS) ścieżki powietrza silnika benzynowego, używając algorytmu identyfikacji opartego na metodach podprzestrzennych., Testowane są różne zamówienia modeli i parametry algorytmów, a te, które dają najlepsze wyniki identyfikacji i walidacji, są jasne, co prowadzi do 85% wzrostu czasu w przyszłości podobnych identyfikacji. Podczas gdy ta część uwzględnia ścieżkę powietrza jako całość, pozostała część pracy koncentruje się na konkretnych komponentach ścieżki powietrza, w szczególności na przepustnicy elektrycznej (ET), wymienniku ciepła i recyrkulacji spalin (EGR)., Jeśli chodzi o ET, czerpiemy inspirację z praw fizycznych rządzących funkcjonowaniem przepustnicy do skonstruowania matematycznego modelu SS o zmiennych parametrach liniowych (LPV), który służy do ustalenia struktury wektora regresji modelu ARX czarnej skrzynki LPV, który jest reprezentatywny dla stanowiska badawczego ET i odzwierciedla jego nieliniowości i nieciągłości, ponieważ różni się od jednej strefy działania do drugiej. Aby rozwiązać problemy związane z opóźnieniami w czasie transportu ciepła i transportu masowego w torze powietrza silnika, odnosimy się odpowiednio do wymiennika ciepła i EGR., Przekształcenie nieskończenie wymiarowych hiperbolicznych cząstkowych równań różniczkowych (PDEs) opisujących te zjawiska transportu jako układ opóźnienia czasowego ułatwia identyfikację układu dodatkowego i projektowanie sterowania. W tym celu stosuje się technikę uśredniania przestrzeni i metodę charakterystyki, aby oddzielić hiperboliczne PDEs opisujące przepływy adwektywne w wymienniku ciepła i przeformułować je jako układ opóźnienia czasowego., Redukcja błędu między temperaturą wyjściową modelu a temperaturą stanowiska testowego wymiennika ciepła jest tym, co poszukuje metody gradientowo-opadowej stosowanej do identyfikacji parametrów układu opóźnienia czasowego, która przewyższa PDEs pod względem dokładności identyfikacji i wydajności obliczeniowej. Z drugiej strony EGR jest adresowany z punktu widzenia sterowania, a PDEs opisujące zjawisko transportu masowego w jego rurowej strukturze są przekształcane jako system SS z zastrzeżeniem opóźnienia wyjścia., Aby regulować stosunek spalonego gazu w gazie wlotowym, ilość recyrkulowanego gazu jest kontrolowana za pomocą dwóch optymalnych podejść pośrednich, z uwzględnieniem nieskończenie wymiarowej natury modelu i wraz z rozszerzoną metodą Uzawa Lagrangiana, aby zagwarantować przestrzeganie ograniczeń wejściowych i stanowych, co skutkuje kontrolerem o wyższej wydajności niż pierwotnie istniejący PID. Ogólnie rzecz biorąc, teza ta znajduje się w połowie drogi między sektorem akademickim i przemysłowym., Oceniając kwalifikowalność integracji istniejących teorii identyfikacji systemu i sterowania w rzeczywistych zastosowaniach motoryzacyjnych, podkreśla zalety i wady tych teorii i otwiera nowe perspektywy w dziedzinie optymalizacji systemów napędowych opartych na modelach.