变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法与流程

本发明涉及发动机技术领域，特别是涉及一种变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法。

背景技术：

我国是一个高原大国，拥有世界上面积最大的高原地域。青藏高原是世界上最具代表性的高原，平均海拔超过4000m，总面积达240万km2，约占国土面积的1/4。车辆在高原公路(如青藏线、川藏线和滇藏线等)行驶时，具有海拔高、落差大、坡陡、长坡多、工况复杂的特点，进气充量减少致使柴油机燃烧恶化，功率、燃油消耗率、热负荷等各项技术性能劣化明显。据统计，海拔每升高1000m柴油机动力性下降4.0％～13.0％、经济性下降2.7％～12.9％，涡前排温和缸盖温度升高7％～10％。此外，在变海拔变工况条件下，柴油机增压系统与燃烧室属于气动连接，具有非线性、强耦合、多约束等特点，双vgt二级可调增压控制系统系统能够根据海拔和工况的变化，实时控制增压压力和进气流量，提高不同海拔下柴油机的进气密度，确保缸内空燃比最佳，实现海拔5500m柴油机功率与0m海拔相比不降低的目标。

我国是一个高原大国，拥有世界上面积最大的高原地域。青藏高原是世界上最具代表性的高原，平均海拔超过4000m，总面积达240万km2，约占国土面积的1/4，具有极其重要的国民经济与国防战略地位。长期以来，由于缺少系统科学的研究，同时缺乏先进的试验条件和技术支撑，导致柴油机在高原使用中普遍存在“动力下降、起动困难、易开锅、可靠性及耐久性差”等“高原综合症”，严重制约着高原地区的国民经济和国防建设。车辆在高原公路(如青藏线、川藏线和滇藏线等)行驶时，具有海拔高、落差大、环境恶劣、工况复杂的特点，这对发动机变海拔适应能力提出极高要求。为提高柴油机变海拔条件下动力性、经济性、排放特性等多个指标，如何根据高原环境的特点改善柴油机的“油-气-室”匹配，协同优化控制不同海拔下增压系统和喷油系统多参数成为性能提高的关键。因此，需要对高海拔下增压系统和喷油系统多参数优化标定，制定柴油机多系统、多参数优化与协同控制策略。

技术实现要素：

针对现有柴油机在变海拔条件下增压系统与燃油共轨系统不能协同控制的技术缺陷，本发明提出一种变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法，包括变海拔下柴油机增压、喷油与冷却控制参数优化匹配，建立变海拔柴油机多控制参数非线性ann预测模型，结合ga优化算法，对增压控制参数(hvgt、lvgt、增压压力)、喷油参数(喷油量和喷油提前角)和冷却参数(水泵转速和风扇转速)进行动态、多参数优化，实现双vgt二级可调增压系统、共轨燃油系统与冷却系统多变量优化匹配。

本发明解决其技术问题是采取以下技术方案实现的：

一种变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法，其特征在于：针对柴油机高原性能恢复目标，对二级可调增压系统、高压共轨燃烧系统和冷却系统多参数优化，协同控制增压、喷油和冷却的控制参数，提高柴油机变海拔、变工况下的综合性能指标，本方法具体步骤如下：

1)确定柴油机变海拔性能优化目标和控制参数进行实验设计，优化目标包括：转矩ttq和燃油消耗率bsfc，优化控制参数包括：喷油量、喷油提前角、高压级vgt叶片开度hvgt、低压级vgt叶片开度lvgt、水泵转速和风扇转速；

2)根据优化目标和控制参数建立虚拟实验，采用空间填充doe方法；

3)建立bp神经网络ann预测模型，包括输入层、隐含层和输出层，以柴油机控制参数为输入层，优化目标转矩ttq和燃油消耗率bsfc为输出的层；

4)采用校核后的gt-power工作过程仿真模型计算数据对bp神经网络ann进行训练，并采用实际柴油机试验数据对ann模型评估，验证优化结果。

而且，柴油机高原性能包括动力性、经济性和热负荷。

而且，控制参数包括高压级vgt叶片、低压级vgt叶片、喷油量、喷油提前角以及水泵转速。

而且，空间填充doe方法采用拉丁超立方采样lhs算法，并以最大化最小距离maximin规则选择最佳的doe点，然后在每个子区间上进行独立的等概率抽样。

而且，在实验设计时，选取0m、2500m、3500m、4500m、5500m共5个水平作为海拔高度的实验设计值；

首先，每个海拔下选择2500个点进行lhs实验设计，利用gt-power数据训练ann模型；然后在相同变量操作空间内选择250个点进行lhs实验设计，并利用gt-power数据测试ann模型的预测精度；

实验样本点是通过matlab统计学工具箱的lhs算法生成的，其原理是通过x＝lhsdesign(n,p)命令产生一组数据样本x，其中包含p个变量，每个变量中含有n个数据值，这n个数据值随机分布在对应于(0，1/n)，(1/n，2/n)，…，(1-1/n，1)的区间上，而且排列的顺序也是随机的；

本方法中，p的取值是6，当进行训练样本实验设计时，n的取值为2500；当进行测试样本实验时，n的取值为250；

以海拔5500m下hvgt叶片、lvgt叶片和喷油量三个参数为例获得lhs训练数据doe结果。

而且，神经网络ann包括一个输入层、一个或多个隐含层以及一个输出层，隐含层根据期望输出和实际输出之间的误差信号来调节网络结构参数，使模型的实际输出与期望输出越来越接近；

而且，神经网络ann采用2个隐含层结构作为柴油机全负荷工况三层神经网络模型，确定增压与喷油系统控制参数的匹配模拟计算主要包括筛选数据样本、建立神经网络模型及训练和运用寻优函数实现优化，神经网络模型输入层包括循环喷油量、喷油提前角及hvgt、lvgt叶片、风扇转速和水泵转速六个变量，输出层仅为转矩一个变量。

而且，海拔在3000m以下基于经济性最优的各参数协同优化组合，海拔在3000m以上基于动力性最优的各参数协同优化组合，配合上遗传算法ga对仿真数据进行协同优化处理。

本发明的优点和积极效果是：

根据海拔和柴油机工况的变化，增压系统与喷油系统控制器基于各控制参数优化标定的map，动态协同控制柴油机喷油量、喷油提前角、hvgt、lvgt，实现在0m～5500m海拔范围内，柴油机动力性、经济性和排放特性优化改善。

附图说明

图1所示为本发明的变海拔柴油机多参数优化流程示意图。

图2所示为本发明的hvgt、lvgt和喷油量的训练数据集doe点分布图；

图3所示为本发明的hvgt、lvgt和喷油量的测试数据集doe点分布图；

图4所示为本发明的ann学习过程；

图5所示为本发明的柴油机全负荷工况三层神经网络模型结构；

图6所示为本发明的遗传算法基本结构图；

图7所示为本发明的增压、喷油与冷却系统多参数协同优化流程；

图8所示为本发明的matlab/simulink/gt-power耦合利用遗传算法对转矩优化的流程图；

图9所示为本发明的不同海拔柴油机多控制变量map。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法，柴油机变海拔多目标、多参数优化方法，针对柴油机高原性能(动力性、经济性和热负荷)恢复目标，对二级可调增压系统、高压共轨燃烧系统和冷却系统多参数优化，协同控制增压、喷油和冷却的控制参数(控制参数包括高压级vgt叶片、低压级vgt叶片、喷油量、喷油提前角以及水泵转速)，提高柴油机变海拔、变工况下的综合性能指标。

本方法具体步骤如下：

1)确定柴油机变海拔性能优化目标和控制参数，优化目标包括转矩(ttq)和燃油消耗率(bsfc)，优化控制参数包括：喷油量、喷油提前角、高压级vgt叶片开度(hvgt)、低压级vgt叶片开度(lvgt)、水泵转速和风扇转速；

2)根据优化目标和控制参数建立虚拟实验，为了避免全因子实验设计的较高成本，采用空间填充doe方法，其中，拉丁超立方采样(latinhypercubesampling,lhs)算法是最常用的空间填充doe方法，lhs实验设计实质上是一种特定区间内的均匀分布，并以一定的规则选择最佳的doe点，如最大化最小距离(maximin)规则，然后在每个子区间上进行独立的等概率抽样，采用lhs实验设计方法可以显著减少抽样次数，从而减少仿真或实际试验的工作量；

3)建立bp神经网络(ann)预测模型，包括一个输入层，一个隐含层和一个输出层。以柴油机控制参数(喷油量、喷油提前角、高压级vgt叶片开度hvgt)为输入层，优化目标转矩(ttq)和燃油消耗率(bsfc)为输出的层；

4)采用校核后的gt-power工作过程仿真模型计算数据对bp神经网络(ann)进行训练，并采用实际柴油机试验数据对ann模型评估，验证优化结果。

如图1所示，本发明的变海拔柴油机多参数优化流程示意图。其中，双vgt二级增压柴油机喷油和增压控制参数的协同优化主要包括实验设计、虚拟试验、模型构建、数据优化、脉谱生成和优化结果验证等步骤。

如图2和图3所示，分别为本发明的5500m海拔hvgt、lvgt和喷油量的训练数据集doe点分布图、测试数据集doe点分布图。在实验设计时，直接选取0m、2500m、3500m、4500m、5500m共5个水平作为海拔高度的实验设计值。首先，每个海拔下选择2500个点进行lhs实验设计，利用gt-power数据训练ann模型。然后在相同变量操作空间内选择250个点进行lhs实验设计，并利用gt-power数据测试ann模型的预测精度。

实验样本点是通过matlab统计学工具箱的lhs算法生成的，其原理是通过x＝lhsdesign(n,p)命令产生一组数据样本x，其中包含p个变量，每个变量中含有n个数据值。这n个数据值随机分布在对应于(0，1/n)，(1/n，2/n)，…，(1-1/n，1)的区间上，而且排列的顺序也是随机的。本研究中，p的取值是6，也就是说共有6个doe变量。当进行训练样本实验设计时，n的取值为2500；当进行测试样本实验时，n的取值为250。以海拔5500m下hvgt叶片、lvgt叶片和喷油量三个参数为例的lhs训练数据doe结果。

如图4所示，本发明的ann学习数据样本的原理。当建立了ann模型并且对权重值和偏差值进行初始化后，便可进行网络训练。ann通过调节ann中每个神经元的权值来存储新“知识”。ann训练算法根据期望输出和实际输出之间的差值(误差信号)来调节网络结构参数，即调整网络模型的权值与偏差值，从而使模型的实际输出与期望输出越来越接近。

如图5所示，本发明的柴油机全负荷工况三层神经网络模型结构。为提高神经网络预测能力，采用2层隐含层，以转矩为目标ann最终选择6-10-10-1结构，如图5所示。根据既定优化方案，可明确增压与喷油系统控制参数的匹配模拟计算主要包括筛选数据样本、建立神经网络模型及训练和运用寻优函数实现优化。神经网络模型输入层包括循环喷油量、喷油提前角及hvgt、lvgt叶片、风扇转速和水泵转速六个变量，输出层仅为转矩一个变量。

如图6所示，本发明的遗传算法基本结构图。遗传算法(ga)是目前应用较为成熟广泛的进化类算法，主要由选择、交叉和变异三个基本算子，其迭代运算已证明摆脱陷入局部最优值的困境，具有全局优化性。

如图7所示，本发明的增压、喷油与冷却系统多参数协同优化流程。基于不同工况选取不同的优化目标，确定海拔在3000m以下基于经济性最优的各参数协同优化组合，确定海拔在3000m以上基于动力性最优的各参数协同优化组合。配合上遗传算法(ga)对仿真数据进行协同优化处理。

如图8所示，本发明的matlab/simulink/gt-power耦合利用遗传算法对转矩优化的流程图。遗传算法的应度函数以向量形式进行计算，用于提高搜索全局最优解效率。因此，在每代新种群产生之后，调用gt-power模型计算每个个体的目标函数和所有约束条件值。然后，利用gt-power的计算结果计算所有个体的适应度值。

如图9所示，本发明的不同海拔柴油机多控制变量map。根据搭建的ann-ga优化模型，协同优化得到了不同海拔下柴油机增压、喷油和冷却参数map。

综上所述，本发明创造的实施方式，仅为本发明创造实施方式的一部分，但发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明创造揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明创造的保护范围应以所属权利要求的保护范围为准。