基于二阶全局模型的内燃机性能优化

基于二阶全局模型的模型在环内燃机性能优化摘要：二阶全局模型与传统的曲面响应设计（RSM）相比，具有能够把输入参数对输出特性映射关系清晰度不同的变量分开的优点，内燃机是一个多输入多输出非线性模型。以二阶模型建模，一阶建立映射关系清晰的参数关系，第二阶建立模糊变量的参数关系；内燃机的优化是一个具有多个自变量的多目标非线性优化，目标函数具有此消彼长的关系，所以得到的解为Pareto解。MATLAB自带了一个基于模型标定（MBC）工具箱，本文是用此工具进行实验设计（DOE），然后训练发动机模型计算的数据，最后进行优化。关键词：二阶全局模型；内燃机；DOE：优化内燃机的优化除了本身机构的优化，还包括对内燃机控制策略中MAP的优化，也就是标定，标定就是在内燃机结构一定的条件下优化控制策略中的MAP参数进行优化发动机性能，在传统的发动机标定是通过实验标定，单独改变一个MAP的数值，以最大功率或者最小燃油消耗率为目标，以排气温度、缸压、排放为限制条件，进行实验标定；由于计算机的发展计算能力得以提高，随着就出现了基于模型标定的数字化虚拟发动机。形成了一条数字化虚拟研发路线：1.1实验设计（DoE）实验设计可以减少实验数据量，以较少的实验数据就能综合反映整个运行工况的性能；另一方面就是控制过程中所需要的参数越来越多，标定难度随参数增加成指数级增长，实验设计能够辨别出关键变量（mainfactor），从而减小实验难度，实验量。实验设计的方法主要有四类：正交试验法，优选法，经典方法，空间填充法。正交试验法就是选取因子且每个因子选取水平值，正交试验选择的水平组合列成表格，称为正交表，以部分析因设计代替完全析因设计和参数对响应的影响显著性评价建立参数敏感性经验的方法；经典实验法以特征点为中心，利用简单重复的实验规则生成试验点，由于生成的试验点太少不适用于超立方空间分布；是一种高度依赖实验，一边实验一边寻优的方法，所以很费实验量，优选法实验设计不包含立方空间因子的上下限值，也就是不包含‘DeadCorner’点，适合用于一阶模型或一阶有交互影响的模型，但不适用于二阶模型；空间填充法是基于试验概率分布的实验设计方法，其原理是将试验点，在输入控制参数构成的空间上按不同规则分配，从而在空间上按一定规则填充，它适合于不存在随机误差，但强调控制系统偏差的试验场合。众所周知，随机化(Randomization)，区组化（Blocking）和重复(Replication)这三大理念是我们在做常规试验设计时反复强调的基本原则。实验使用空间填充实验设计的拉丁超方抽样，以速度、功率、油量、喷油时刻进行了四维实验设计，对轨压和脉宽的二阶模糊变量进行二维实验设计。1.2构建内燃机模型以simulink搭建的一个四缸增压柴油机控制策略模型及AMEsim四缸增压柴油机模型，可以实现simulink与AMEsim耦合仿真，为了实现模型在环，把两个模型集成到NIVeristand平台下，NI平台更方便制作用户界面，实现数字化虚拟平台的集成化。NIVeristand是美国NationalInstruments公司专门针对HiL仿真测试系统而开发出的软件环境，无需编程就可完成实时测试系统的创建，实现HiL测试中所需的各种功能。它可以集成各种环境的模型，各个软件模型经过编译成NIVeristandframework架构的DLL文件就可以在此环境上集成，也可以在LabVIEW上进行调用。1.3二阶全局模型二阶全局模型把输入参数对输出特性映射关系清晰度不同的变量分开，将输入参数分为两阶，一阶建立映射关系清晰的参数，使用多项式拟合模型，第二阶建立模糊变量的参数关系，使用径向基函数神经网络建立，因此二阶响应模型对于超立方映射的建模具有很多的优点。1.4优化优化模型数学描述：Factors:vectorX=[X1,X2,...,Xk]TObjectivefunction：Minf(X)=f(X1,X2,...,Xk):()0j=1,2,...,mm()0,u=1,2,...,p(pk)justgXX，上式中X1,X2,...,Xk表示研究的输入变量（因子），Minf(X)是优化的目标函数，()jgX、m()uX分别是不等式约束和等式约束函数。最优化算法有很多，经典的优化方法分为无约束一维优化、无约束多维优化、约束优化、非线性最小二乘优化等，传统优化算法具有较高的计算效率、较强的可靠性、比较成熟等优点，但是应用于复杂、困难的优化问题时有较大的局限性。一个优化问题称为是复杂的，通常是指具有下列特征之一：（1）目标函数没有明确解析表达；（2）目标函数虽有明确表达，但不可能恰好估值；（3）目标函数为多峰函数；（4）目标函数有多个，即多目标优化。智能优化算法有粒子群优化算法、蚁群优化算法、模拟退火法、遗传算法、人工神经网络、禁忌搜索算法等，智能优化算法一般都是建立在生物智能或物理现象基础上的随机搜索算法，目前在理论上还远不如传统优化算法完善，往往也不能确保解的最优性，因而常常被视为只是一些“元启发式方法”（meta-heuristic）。但从实际应用的观点看，这类新算法一般不要求目标函数和约束的连续性与凸性，甚至有时连有没有解析表达式都不要求，对计算中数据的不确定性也有很强的适应能力。当前的控制策略都是基于转矩的控制策略，都是根据驾驶员的加速踏板及车辆的转矩需求计算发动机需要发出的功率，在进行转矩转油量的转换，最后算出每循环需要的喷油量；特别是工程机械对于发动机更是低速大扭矩，所以本次优化就是针对转矩进行优化。1.5优化结果通过的六个自变量速度、功率、油量、喷油时刻，喷油脉宽和轨压进行以转矩为目标函数进行优化，下图分别为未经优化的等高线图和优化后的等高线图，外围区域是转矩较小的范围，经过优化后转矩向左下方移动了，也就是在低速和小功率方向移动。优化前等高线图优化后的等高线图结论内燃机包括空气系统（含EGR、VNT、进排气系统）、喷油系统、燃烧系统、排放及后处理系统，各个零部件参数众多，即使每一个零部件都达到最优化的效果组装成一台完整的发动机的性能也未必是最有的，单独针对一个零部件的优化也是比较简单的，而要对整台发动机的优化就是一个复杂的问题，也是系统工程的核心问题。在真实发动机中有很多的参数比较难获得，经过数字化后以简单的数学物理方程反映其中映射关系，即可以研究其中的影响关系；在研发过程中可以节省时间、成本，也能够为设计提供理论指导。与无锡油泵油嘴研究所合作的基于模型在环的预标定平台的开发就是联立商业软件simulink控制策略、AMEsim喷油器模型、GT-power发动机模型于NILabVIEW统一平台的模型在环，还要使用LabVIEW开发集成模型、DOE、标定、喷油驱等。LabECU与LabEngine的提出就是要完全实现发动机的虚拟化、数字化及一体化集成，实现发动机系统的数字化仿真和ECU虚拟控制、测试与标定。为全面支持电控系统的研发提供模型在环、软件在环、代码在环、硬件在环的一体化平台，提供无缝的系统级解决方案。参考文献参考文献[1]李蓝媚,柴油机喷油过程参数的数值标定方法研究[D].四川：西南交通大学，2005.[2]HowellMN,BestMC.On-linePIDtuningforengineidle-speedcontrolusingcontinuousactionreinforcementlearningautomata[J].ControlEngineeringPractice,2000,8(2):147-154.[3]李照东，王陈生．高速直喷式柴油机高原工况模拟放热规律的研究[J]．内燃机工程，1989，10(1)：76～82[4]ZhangH．Studyofthecontrolstrategyoftheplateauself-adaptedturbochargingsystemfordieselengine[C]．SAEPa—per2008-01—1636[5]魏名山，程晓青，季凯，等．一种用于柴油机与增压系统匹配的模拟计算方法[J]．车用发动机，2006(2)：21—24[6]李蓝媚，王磊．喷油过程参数对极端环境条件下柴油机性能影响的仿真分析[J]．柴油机，2011，33(5)：23—26[7]RaskE，SellnauM．Simulation-baseden西necalibration：tools，techniquesandapplications[C]．SAEPaper2004—01—1264[8]WuT．McaulayKJ．Predictingdieselengineperformanceatvariousambientconditions[C]．SAEPaper730148[9]D.HrovatandJingSun.modelsandcontrolmethodologiesforicengineidlespeedcontroldesign[J].FordResearchLaboratory,P.O.Box2053,MDI170SRL,Dearborn,M148121,USA[10]BurkR，JaequelinF，WakemanR．Acontributiontopredictiveenginecalibrationbasedonvehicledrivecycleperform—ance[C]．SAEPaper2003一01—0225[11]吴庆林.柴油机高压共轨系统喷油量的控制方法研究[D].重庆理工大学,2012.[12]SubhashDeoHiwase，S.Moorthy.MultidimensionalModelingofDirectInjectionDieselEnginewithSplitMultipleStageFuelInjections[M].ProcediaEngineering51(2013)670–675[13]MohammadRezaHerfatmaneshPinLu,HuaZhaoExperimentalinvestigationintotheeffectsoftwo-stageinjectiononfuelinjectionquantity,combustionandemissionsinahigh-speedopticalcommonraildieselengine[J].Fuel109(2013)137–147[14]陈逸飞,倪计民.一种基于仿真模型的柴油机虚拟标定方法[J].上海汽车，2011.07[15]成礼勇.高压共轨柴油机基于模型的虚拟标定方法研究[D].天津：天津大学，2007.[16]MontgomeryDC.实验设计与分析[M].人民邮电出版社,2009.[17]XinQ.Dieselenginesystemdesign[M].Woodhead,2011.[18]朱珏钰,李峰.matlab神经网络优化的遗传算法[J].JournalofChifengUniversity(NaturalScienceEdition),2011,27(3).[19]OnderCH,GeeringHP.Model-basedenginecalibrationforbestfuelefficiency[R].SAETechnicalPaper,1995.[20]StuhlerH,KruseT,StuberA,etal.Automatedmodel-basedGDIenginecalibrationadaptiveonlineDoEapproach[R].SAETechnicalPaper,2002.[21]AltenstrasserH,KatoY,KeuthN,etal.MiL-BasedCalibrationandValidationofDiesel-ECUModelsUsingEmissionandFuelConsumptionPredictionduringDynamicWarm-UpTests(NEDC)[R].SAETec