CN101303702A - 发动机快速台试及建模法 - Google Patents

Abstract

在发动机开发过程中台试并建立发动机模型的方法，它包括在多台实际发动机操作条件下全面试验上述发动机并搜集符合上述实际发动机操作条件的实际发动机数据。基于上述实际发动机数据确定多个参数函数，每一上述参数函数对应于一发动机操作参数。生成多个燃烧函数用于多个发动机操作条件，包括上述多个实际发动机操作条件和多个虚拟发动机操作条件。基于上述多个燃烧参数校准发动机模拟模型并运用上述模拟模型进行多个发动机台试。

Description

发动机快速台试及建模法

技术领域

本发明涉及内燃机开发，更具体地说是涉及快速内燃机台试及建模的方法，该方法能改进并简化发动机开发过程。

背景技术

本部分所陈述的内容只提供了与本发明相关的背景材料而并不构成先有技术。

内燃机通过燃烧空气燃料混合物来产生驱动转矩。更具体地说，通过节气门将空气吸入进气总管，将空气分配到气缸并与燃料混合。此空气燃料混合物通过往复驱动的活塞在气缸内被压缩。所压缩的空气燃料混合物被燃烧而所产生的燃烧在气缸中驱动上述活塞，从而转动地驱动曲轴。

汽车发动机技术的进展使得发动机配备了先进的致动器和传感器，从而增强了对发动机操作的全面控制。由此，为了提高燃料燃烧效率和减少排放物而不损害发动机性能，改变了发动机的基本操作。这些附加的致动器输入包括但不限于，凸轮相位器、可变气门升程、直接喷射、气缸钝化、可变进气调谐等，并对燃料燃烧效率及其排放物作出了很大的改进。

尽管如此，上述附加的发动机控制自由度显著地增加了发动机设计及控制系统开发过程中对其台试及校准的要求。为此，需要一种综合工艺来提供一种系统方法，以在基于数学的构架内协助发动机系统开发及校准过程。

传统的发动机台试及控制方法公开于Christopher和HansGeering的SAE Paper950983中，该文描述了模拟燃烧特性函数中参数的方法。此燃烧特性函数用于预测在没有进行试验数据测量的发动机操作条件下燃烧将怎样发生。然而，发表于SAE Paper950983的方法主要用于获得初始点火正时以及加油量校准台试，从而在具有固定凸轮正时的发动机中使燃料燃烧效率最优化。因此，此方法的应用受到限制，不适用于具有多个复杂控制选项的发动机。此外，燃烧参数的预测是在参考点的邻区中进行的，只要此模型切换到不同参考点就会造成所得到的燃烧参数的不连续性。最后，虽然上述方法预测出的燃烧参数对于所用发动机是较为完整的，但此方法只限于火花塞点火(SI)发动机，不能灵活地用于其他类型的发动机例如压缩点火直接喷射(CIDI)发动机和均质充气压缩燃烧(HCCI)发动机等。

运用上述传统方法，通过调整单个输入参数进行发动机试验，同时保持所有其他参数不变，结果，试验次数就很快达到一个几乎不可能在实际的发动机安装中进行所有试验的程度。这在当发动机配备了当前先进的致动器例如双凸轮相位器、可变气门挺杆、高压直接喷射器等时，变得尤为明显。举例来说，设有五个控制输入参数(节气门角度、进气/排气凸轮位置、点火正时以及燃料喷射)和一个发动机操作的设定值(发动机转速)。假定始终按照化学计量的空气/燃料比进行操作，则还存在有能够在操作范围内不断变化的四个控制输入和一个发动机操作设定值。这样，若对每一输入参数考虑七个指标，将需要16807(＝7⁵)次试验项来进行上述发动机试验。

发明内容

本发明的目的在于提供一种能够在发动机开发过程的初期阶段进行原型控制算法的快速设计及校准的综合方法。

为此，本发明提供一种在发动机开发过程中台试发动机并建立发动机模型的方法，此方法包括在许多实际发动机操作条件下测试发动机并搜集符合实际发动机操作条件的实际发动机数据。基于上述实际发动机数据确定多个参数函数，每一个参数函数对应于一发动机操作参数。生成多个燃烧参数用于多个发动机操作条件，这些条件包括多个实际发动机操作条件以及多个虚拟发动机操作条件。基于这多个燃烧参数校准发动机模拟模型并运用此模拟模型进行多个发动机台试。

本发明的发动机快速台试及建模方法提供适合于制作校准台试的虚拟发动机数据，用于具有先进致动器的发动机，这里的先进致动器包括但不限于，凸轮相位器、可变气门挺杆、直接喷射器、气缸钝化器、可变进气调谐器等。更具体地说，此发动机快速台试及建模法在虚拟环境中产生出发动机试验数据，用于控制系统分析和设计应用。本方法还为提取校准台试提供了所需精确度，不仅是为获得最佳点火正时和燃料数量，而且是为获得用于其他致动器的最佳致动器设定值，例如用于凸轮相位器角度、气门升程高度、燃油喷射正时、左节气门角度、进气调谐阀门角度等的设定值。此外，本发明的发动机快速台试及建模法提供了响应表面模型(RSM)，该模型通常是构建平均值发动机模型(MVEM)所需要的。

本发明的发动机快速台试及建模方法也能迅速适用于CIDI和HCCI发动机类型，这是由于其基于多项式的参数化函数的特性。而且，上述燃烧函数的变化本身是平滑的。更具体地说，由于基于多项式的参数化函数，本发明的发动机快速台试及建模方法对整个发动机操作条件提供了燃烧参数的平滑变型，而不存在传统方法所遇到的不连续性。

根据此处给出的说明能了解到对其他领域的应用。应知这里的描述及特例只是用于进行具体说明而并非限制本发明的范围。

附图说明

下面说明的附图只是为了具体例示而非以任何方式限制本发明的范围。

图1为应用本发明的发动机快速台试及建模方法进行台试和校准的示范性发动机系统的功能框图；

图2为本发明的发动机快速台试及平均值发动机建模法的框图；

图3为本发明的发动机快速台试及平均值发动机建模法的更详细的框图；以及

图4为本发明的可供选择的发动机快速台试及平均值发动机建模法的详细框图。

具体实施方式

下面对最佳实施例所作的描述实际上只是示范性的而非以任何方式限制本发明及其应用或使用。为清楚起见，附图中使用相同标号指示相似部件。这里所用的术语“模块”指特定用途集成电路(ASIC)，电子电路或处理器(共享的、专用的或组群的)以及执行一或多个软件或固定程序的存储器，组合逻辑电路或提供所述功能的其他配合元件。

现在参看图1，示范性发动机系统10包括具有进气总管14和排气总管16的发动机12。通过节气门18将空气吸入进气总管14，并将空气分配到气缸20。更具体地说，燃料喷射器22将燃料喷射到进气口24里的空气中以提供空气燃料混合物。通过进气阀26将此空气燃料混合物吸入气缸20中。此空气燃料混合物在气缸20中燃烧，往复驱动活塞来产生驱动转矩。从燃烧过程中产生的废气通过排气阀28从气缸20中排出到排气总管16。此废气在后处理系统(未图示)中经过处理后释放到大气中。

控制模块30基于操作员输入32(例如加速踏板位置)以及发动机操作参数来控制发动机系统10的操作。更具体地说，提供了监控发动机操作参数的多个传感器。这些传感器包括但不限于，节气门位置传感器34，进气总管绝对压力(MAP)传感器36以及发动机转速传感器38。上述控制模块30发出控制信号以调整控制发动机系统10操作的致动器，。

示范性发动机系统10包括可变阀门致动器(VVA)，通过打开、关闭和升高进气和排气阀26，28，此VVA能够相互相对和/或者相对曲轴的转动位置进行调整。更具体地说，为每个气缸提供了两个进气阀和两个排气阀，同时在本系统中没有结合外部的废气再循环(ERG)回路。尽管如此，可以预期本发明的方法能够借助EGR回路来实施。此示范性发动机系统10的EGR由气缸内部残余气体进行内部控制。通过配备在进气侧和排气侧中的双重独立式凸轮相位器，此气阀机构能够利用两个不同进气阀升程曲线(例如低和高)，从而能够相对曲柄角推迟或提前各自的凸轮位置。还能预期对上述点火正时和喷射的燃料量都能加以控制。

虽然这里所描述的发动机系统10是一个具有可变阀门装置的四缸、火花点火、气口式燃油喷射发动机，但应认识到上述发动机快速台试及建模法能够在包括任何个数致动器及传感器的发动机系统中实行。

现在参看图2，描述通常的发动机开发过程。此开发过程包括发动机设计或硬件开发以及控制设计这两个主要步骤。在硬件开发阶段，略述了包括但不限于发动机大小、性能、燃料燃烧效率要求以及排放限制的设计规格并实施发动机设计。在此阶段，绝大多数气流和燃烧特性都依照此设计规格来确定。

然后，开发了最佳发动机控制算法。基于发动机的设计目标和测功器的试验结果来确定控制策略。初始的或原型的控制算法在配备了复杂的测量及数据获得系统的试验机动车中进行了试验，以精密地监控此控制算法的执行过程。可能要进行多次重复试验以在预定物理边界内充分最优化和微调发动机及其致动器的运转状态。

最终由控制模块30执行的上述控制策略，通过应用本发明的发动机快速台试及建模法得以发展。参看图3，本发明的发动机快速台试及平均值发动机建模法确定了发动机台试和最优化的致动器设定值，同时减轻了大部分试验负荷并加速了发动机开发和校准过程。更具体地说，上述发动机快速台试及平均值发动机建模法是在基于数学的/虚拟的环境中进行，提供用于调整/校准平均值发动机模型(MVEM)的虚建的发动机台试，而此MVEM通常是用来进行控制系统分析和设计的。

本发明的上述方法由四个步骤组成：燃烧速率参数化(BRP)300、虚拟发动机台试302、平均值发动机建模304以及基于模型的发动机最优化、校准和控制开发(MEOCCD)306。上述BRP300和虚拟发动机台试302能够在基于模型的发动机台试(MEM)步骤308中组合到一起。

上述BRP300引用在测功器和/或者机车试验期间搜集的有限数量的发动机数据，并模拟了构成描述在各气缸内部燃烧的质量比(例如燃烧速率)的数学函数的参数。这些参数模仿发动机的操作条件而变化，不同于使用固定参数来模拟燃烧过程的传统方法。上述虚拟发动机台试302利用参数化的燃烧速率函数来产生燃烧参数，从而能在未测量实际数据的操作条件下确定出恰当的燃烧特性。换言之，上述虚拟发动机台试302使用实际数据的小集来确定用于虚拟操作参数的燃烧参数。这些燃烧参数用在经校准的一维发动机模型(例如，GT-Power)中，以在其整个明确的作业区中模拟发动机操作。此项模拟产生出所有相关的发动机输出来确定其操作及性能从而进行虚拟发动机台试(VEM)。

所产生的VEM用于生成MVEM，这是在瞬变状态期间用来模拟发动机动态和反应的集中概括性参数模型。借助在一维发动机模型中所用到的几何数据，可利用此VEM数据来调整并确认上述MVEM。最后，此MVEM通过最少限度的使用实际发动机硬件被用于基于数学的控制系统分析和设计。

通常，人们希望模拟在多个热机循环中的发动机的整个工作状态以研究发动机对不同瞬态输入的反应，这些瞬态输入包括但不限于，节流瞬变过程或负载瞬变过程。为此，模拟在重要的动态时序表中所有相关的动态现象是很重要的。由于计算的限制，模拟物理过程的每一细节太复杂而不能进行。相反，用传统方法实行经验模型来表现上述过程时，要么是无法理解，要么就太复杂而无法模拟。这类经验模型是基于收集到的发动机数据产生的。但是，借助本发明的发动机快速台试及建模方法，所产生的虚拟发动机台试能够用于发展上述经验模型，从而减少对昂贵并且耗时的发动机试验的依赖性。

上述MEOCCD 306基于所选最优化的准则，通过将控制输入投射到发动机输出变量上来提供最佳的发动机台试。将此最佳的虚拟发动机台试用作前馈控制设定值，并将上述MVEM用作虚拟发动机试验车间，工程师们借助它就能够进行快速试验并确认控制算法。这样，本发明的发动机快速台试及建模方法提供了在虚拟环境中原型控制算法的快速而可靠的评估。

现在参看图4，本发明的发动机快速台试及平均值发动机建模法能够借助另一种开发策略执行。此另一种开发策略使用了于发动机试验之前预定的发动机控制策略。通常，此预定的发动机控制策略迫使发动机沿着预定轨道进行操作。上述发动机试验只能沿着此轨道进行并提供只符合此轨道的数据。换言之，不是对所有可利用的操作条件进行上述发动机试验。如果采取不同的控制策略，则新策略将沿着不同轨道改变发动机操作条件。

在生成预定控制策略之后，发动机试验便围绕将通过特殊控制策略实现的操作条件来进行。即使此发动机试验处于初始阶段并且只提供有限量的稀少发动机数据，也能够应用本发明的BRP来实现燃烧速率参数的函数(例如连续的)参数化。与图3的方法的区别之一在于是对发动机气缸内部气体混合物的比热，进行了另一种函数参数化。对上述燃烧速率参数和比热进行评估之后，就能基于单熔区燃烧法预测发动机转矩来组合未经广泛试验的发动机输入参数。上述MVEM通过将发动机转矩模型结合其余回归模型以及上述动态亚模型(例如经验模型)来构建。此另一种方法的主要不同之处在于并未利用曲柄角所决定的发动机模型并且上述MVEM是生成虚拟发动机台试的主要工具。

燃烧速率参数化法

BRP提供了正确确认所选发动机操作条件下的燃烧参数并构建函数的方法，以估算将引导对发动机输出变量进行准确预测的参数。此BRP始于稀少发动机数据集，结束于燃烧速率参数的函数参数化。此函数参数化能够对燃烧于发动机气缸内部的质量比进行可靠预测，以用于虚拟操作条件(例如未用试验方法进行探究的那些)。初始时，基于前面详细描述的示范性发动机系统10，对用于校准曲柄角决定的发动机模型并创建燃烧速率参数化函数的试验的发动机数据进行了描述。此示范性发动机系统提供了比常规发动机更高的控制自由度。

首先将上述发动机数据分成几个发动机转速范围，然后相对发动机载荷(每个气缸吸进的空气量)以及用于进气阀和排气阀两者的凸轮相位器位置进行显示。上述发动机数据在由示范性可变阀门致动器(VVA)发动机系统10提供的多维空间中是极其稀少的。给定的放热剖面描述了在不同稳定条件下发动机模拟期间的气缸内燃烧过程。此给定的放热剖面应用Weibe函数来确定，该函数给出如下：

$x_b=1-\exp [-a{\left(\frac{\mathrm{\θ}-{\mathrm{\θ}}_0}{\mathrm{\Δ\θ}}\right)}^{m+1}]$

式中：X_b为燃烧后质量比；

θ为从IVC到EVO的曲柄角；

θ₀为燃烧开始时的曲柄角；

Δθ为用曲柄角表示的燃烧期限(通常在10-90％)；以及

a，m为符合燃烧数据的曲线修整参数；

上述Wiebe函数用于模拟燃烧过程，这是因为它具有超出更为实际地基于模拟燃烧过程的其他方法的某些优点。首先，它在数学上是简单的，这在需要进行大量模拟用于发动机台试时是减少计算负担的极其重要的因素。第二，一旦在经验函数中提供了适当的参数，它将是非常准确的。本发明的虚拟发动机台试则使这些优点最大化。

在进行燃烧速率参数化之前，首先在发动机试验中进行的各个相关发动机操作条件下确认燃烧速率参数。基于上述燃烧数据，在各个发动机操作条件下确认燃烧速率参数的最佳组合。由于燃烧时间(Δθ)很容易得到并且通常是当所测的曲柄角时间在10％-90％的燃烧区域时作为典型燃烧数据提供的，只有上述曲线修整因子a和m需要基于燃烧数据来确认。运用Wie函数能够确认上述曲线修整因子并获得燃烧速率。当与通过试验测得的燃烧速率比较，则Weibe函数能够重构一精确的燃烧速率剖面。

确认上述曲线修整因子后，函数关系以及操作条件在燃烧速率参数(例如燃烧时间，修整因子a和m)与发动机输入参数两者之间得以形成。示范性发动机系统10的函数的基本形式如下：

[Δθ，a，m]＝f(θ_sp，lift，φ_in，φ_ex，N，MAP，AFR，m_a，cyl，m_r，cyl)

式中：θ_sp为点火提前；

lift为进气阀升程(例如高或低)；

为进气凸轮相位角；

为排气凸轮相位角；

N为发动机RPM；

AFR为空气对燃料比；

m_a，cyl为气缸中俘获的空气量；

m_r，cyl为气缸中俘获的残余气体量。

由于示范性发动机系统10始终围绕化学计量的AFR进行操作，除了在能量富集操作期间，上述AFR通常保持定值例如14.6。为此，不能将此AFR认作是一自变量。另一方面，可认为气缸内的进气MAP、新鲜空气及残余气体量是发动机操作的输出。由于燃烧速率参数化在进行发动机模拟之前预测了燃烧过程，上述发动机输出不能用作燃烧速率参数化函数的自变量。因此，(本发明方法)提供了一个能有效替代上述发动机输出的新的自变量。

在常规发动机中，节气门位置被认为是确定发动机载荷的主要控制变量。由于通常将进气MAP和各气缸中空气两者都认作是发动机载荷变量，就能够用上述节气门位置来替代这些变量。但是，还有附加的输入变量来控制发动机载荷，例如示范性发动机系统10的进气阀升程和凸轮相位器位置。不管怎样，节气门位置仍然是那些发动机载荷变量的好的替代者，这是因为进气MAP和各气缸中空气两者都描述了与节气门位置的线性关系。

此外，残余气体与凸轮相位位置及气门重叠时间紧密相关。再者，此残余气体还受到发动机转速和负荷状况的强烈影响。因此，可以用其他自变量例如发动机转速、节气门位置以及凸轮相位位置等来替代残余气体量。实际上，为了避免共线性问题，上述残余气体量本身不应用作自变量。此种共线性发生于一或多个自变量与其他自变量相关联时，这将导致一定的冗余度或各变量之间的重叠。

最后，还需要考虑将点火正时作为用于进行燃烧速率参数的参数化时的自变量。由于点火正时在最大制动转矩(MBT)正时下得以最佳地保持，就不再考虑将其作为自变量之一。相反，必须将此MBT点火正时作为因变量，它是由其他燃烧速率参数确定的参数。

由发动机模型确定的用于虚拟发动机台试过程的曲柄角需要一组不同于那些标准Weibe函数所使用的燃烧参数，例如燃烧时间Δθ、曲线修整因子a和m。相反，此发动机模型需要燃烧时间Δθ、曲线修整因子m以及50％的燃烧区间(θ₅₀)来生成放热剖面，以用于气缸内燃烧建模。为此，上述曲线修整因子a由50％的燃烧区间(θ₅₀)替代作为燃烧速率参数之一，以进行参数化并产生用于发动机模型的燃烧输入。虽然MAP点火正时不是发动机模型专门要求的燃烧输入的一部分，但是可以将其进行参数化，供MAP点火正时函数作可能的控制应用。因此，将此参数化函数描述如下：

式中：θ_sp.MBT为MAP点火正时；

θ_th为节气门位置。

基于因变量和自变量之间的经验关系，建立燃烧速率参数化函数用于各个燃烧速率参数同时用于MAP点火正时。为达到此目的，可使用逐步多重回归(SMP)法。由于存在多个函数用于需要与试验发动机数据拟合的多种情况，因而上述方法特别有效。借助已知自变量组及其组合，上述SMP在模型中一次加上或减去一项。在每一步骤，上述算法评估此模型与试验数据值的统计相关性并确定上述条件是否应包括在模型中。这将确保最后在模型中包括了最小可能条件并且所有条件都具有重要的统计意义。按照这种方式，最后的回归模型提供了与试验数据的最大相关性，同时只包括最小数量的预测条件。这样，此建模过程实质上是快速和自动化的，这将很好地适合于能在相对短的时间内用最少的建模工作来拟合多重回归函数。

运用此方法，能够提供如下的用于每一燃烧速率参数和MAP点火正时的燃烧速率参数化函数，适于进气阀升程的两种情况：

MAP点火正时：

低升程：

${\mathrm{\θ}}_{\mathrm{sp},\mathrm{MBT}}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5\mathrm{EV}{C}^2+c_{6}N\·{\mathrm{\θ}}_{\mathrm{th}}+c_7{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}$

$+c_8{N}^2\·\mathrm{IVO}+c_9{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{EVC}}^2+c_{10}{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{11}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{IVO}}^2+c_{12}{\mathrm{\θ}}_{\mathrm{th}}^3+c_{13}{\mathrm{EVC}}^3$

高升程：

${\mathrm{\θ}}_{\mathrm{sp},\mathrm{MBT}}=c_0+c_1{\mathrm{\θ}}_{\mathrm{th}}+c_2\mathrm{IVO}+c_3\mathrm{EVC}+c_{4}N\·{\mathrm{\θ}}_{\mathrm{th}}+c_5{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}+c_6{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}$

$+c_7{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{IVO}}^2+c_8{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{EVC}}^2+c_9{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{10}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{EVC}}^2+c_{11}{\mathrm{\θ}}_{\mathrm{th}}^3+c_{12}{\mathrm{EVC}}^3$

10-90％燃烧时间：

低升程：

$\mathrm{\Δ\θ}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{N}^2+c_6{\mathrm{EVC}}^2+c_7{\mathrm{\θ}}_{\mathrm{th}}^3$

高升程：

$\mathrm{\Δ\θ}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{EVC}+c_4{\mathrm{EVC}}^2+c_5{\mathrm{IVO}}^2\·\mathrm{EVC}$

$+c_6\mathrm{IVO}\·{\mathrm{EVC}}^2+c_7{N}^2\·{\mathrm{EVC}}^2+c_8{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{EVC}}^2+c_9{N}^3+c_{10}{\mathrm{EVC}}^3$

曲线修整因子m：

低升程：

$m=c_0+c_1{\mathrm{\θ}}_{\mathrm{th}}+c_2\mathrm{IVO}+c_3\mathrm{EVC}+c_4{\mathrm{EVC}}^2+c_{5}N\·{\mathrm{\θ}}_{\mathrm{th}}+c_6{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{IVO}+c_7{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}$

$+c_8{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{IVO}}^2+c_9\mathrm{IVO}\·\mathrm{EVC}+c_{10}{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{11}\mathrm{IVO}\·{\mathrm{EVC}}^2+c_{12}{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}^2$

高升程：

$m=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{\θ}}_{\mathrm{th}}^2+c_{6}N\·\mathrm{EVC}$

$+c_{7}N\·{\mathrm{EVC}}^2+c_8{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}+c_9{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{10}{\mathrm{\θ}}_{\mathrm{th}}^3+c_{11}{\mathrm{EVC}}^3$

50％燃烧区域：

低升程：

${\mathrm{\θ}}_{50}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4{N}^2+c_5{\mathrm{\θ}}_{\mathrm{th}}^2+c_{6}N\·\mathrm{EVC}+c_7{N}^2\·\mathrm{IVO}+c_{8}N\·{\mathrm{IVO}}^2$

$+c_9{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}+C_{10}{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{IVO}}^2+c_{11}\mathrm{IVO}\·\mathrm{EVC}+c_{12}{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}^2+c_{13}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{EVC}}^2+c_{14}{N}^3$

高升程：

${\mathrm{\θ}}_{50}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{\θ}}_{\mathrm{th}}^2+c_6{\mathrm{IVO}}^2+c_{7}N{\·\mathrm{\θ}}_{\mathrm{th}}+c_{8}N\·\mathrm{EVC}$

$+c_9{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}+c_{10}N\·{\mathrm{EVC}}^2+c_{11}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{EVC}}^2+c_{12}{\mathrm{\θ}}_{\mathrm{th}}^3+c_{13}{\mathrm{EVC}}^3$

根据以上关系式，可以注意到IVO角和EVC角替代了进气和排气凸轮相位器位置，而在燃烧速率参数与凸轮相位器位置之间提供更具实质性的基础性相互关系。由于示范性发动机系统10的可变阀门装置是基于凸轮驱动致动器的，上述方法就非常适当，这意味着对已知凸轮相位器位置存在着特有阀门开关定时。

基于试验得到的MAP点火正时、10％-90％燃烧时间、曲线修整因子m以及50％的燃烧区间的参数化函数的结果，通过利用只有五个自变量(四个连续输入和一个二进制输入)的简单多项式函数可以进行快速准确地评估并预测每一燃烧速率参数。

在基于整个发动机数据集对每一燃烧速率参数及MAP点火正时建立回归模型之后，通过将发动机数据分成两个不同组来确定模型的有效性，一组用于评价函数的参数(例如系数)，另一组用来验证上述模型。在此方法中，首先用估计数据集来确定适当的参数集，能够使数据与在上述方程中描述的模型作最佳拟合。然后，利用每一具有恰当系数集的模型来预测每一燃烧速率参数并将其与确认的集中的试验值进行比较。

虚拟发动机台试

现在详细描述本发明方法基于模型的发动机台试部分(例如虚拟发动机台试)的其余部分。此虚拟发动机台试生成代表实际发动机操作条件的人工建立的发动机台试，这样可作发动机校准和控制开发的目的。初始时，对曲柄角所决定的发动机模型在操作点上进行确认，在这些点上可得到用来作比较的试验数据。进行试验设计以探究在虚拟现实中的发动机操作条件的广大范围。最后，基于试验设计进行发动机模拟，并在所选条件下提供发动机台试结果。

不再将曲柄角所决定的发动机模型作为虚拟发动机台试工具，而是使用市售的模拟器(例如GT-Power)来进行虚拟发动机台试工作。此发动机模拟器建立在一维气体动力学基础上，与不同类型的气缸内燃烧模型结合。此模拟器能够准确预测涉及管道、导管中气流运动以及一旦提供了恰当的几何输入后发动机中的节流的物理现象。

由于上述BRP过程在精选发动机操作条件的小集下准确确认了Weibe函数的参数，并且由于将这些参数进行恰当地模拟为发动机操作条件以及控制输入的简单函数，故可大量组合未经试验和测量的发动机输入参数(例如虚拟操作点)产生出有意义的模拟结果。此方法最大的优点在于该过程的工作只需要使用实际发动机数据的小集。

存在有四个主要模型输入的类别来运行上述发动机模型：环境条件、发动机参数、控制输入和燃烧相关参数。环境压力和温度的恒定值确定上述环境条件。发动机参数包括管道的几何结构、气缸以及发动机中其他各种亚元件。同时，还要考虑例如节流阀板和进气/排气阀等节流装置的排放系数。上述控制输入为物理参考设定点，在这些点上安装了发动机致动器以在模拟期间进行操作。除了致动器设定值，还要将发动机转速也看作控制输入，这是因为此转速能够在发动机测功器试验的大部分时间里以预定值进行有目的的控制。最后，发动机模型所需要的燃烧相关参数可通过在规定发动机操作条件下的参数化函数的输出来获得。

应用基于已知发动机硬件的控制输入参数集，进行试验设计(DOE)以在虚拟环境中进行发动机试验。对于每一控制输入参数，首先确定在物物限度内的操作范围。使用获得大量数据的传统方法，即全因子法。此方法中，通过预定增量改变控制输入的其中之一，同时保持所有其他参数为定值。

继续进行上述试验直到所有上述输入参数的组合都经过试验和检查。基于上述全因子法，例如对于低进气升程能够有的3696次试验项，对高进气升程例如有7392次试验项，这就提出了通常要进行总共11088次试验。假定要花大约一分钟时间来完成一次试验项，总共需要184.8个小时(大约7.7天)的模拟时间来完成上述示范性发动机系统的虚拟发动机台试过程。除了进气阀升程模型，对于每一发动机转速还要有例如616次试验。

在评价模拟结果时，一组模拟结果是基于例如已测燃烧时间、已测50％燃烧区域以及已确认的曲线修整因子m等实际燃烧参数。另一组模拟结果是基于燃烧时间、50％燃烧区域以及曲线修整因子m的估计燃烧输入参数。至于发动机模型的所有其他输入参数则对以上两种情形的模拟都相同。一旦提供了恰当的模型输入，此发动机模型就能产生出非常接近地表现实际发动机操作的输出结果。特别是，能够以高精确度预测模拟结果，例如平均有效压力和进入发动机气缸的气流量，这是两个关键的发动机输出变量(举例来说，一个代表了燃烧过程，另一个描述了气体交换过程)。上述发动机模型还能预测出每一操作条件下俘获于发动机气缸中的残余废气比。

由于不存在可用于残余废气比的直接测量结果，可将上述预测的残余废气比与已测的发动机停转时NO_x、排放程度进行比较。这虽然不能判明或确认上述预测量的绝对量，但是残余废气比相对趋势的预测结果肯定能够指出其有效性，这是因为其趋势提供了与已测发动机停转时NO_x的相反关系。周知当通过内部或外部再流通而在气缸中出现更多废气时，上述NO_x排放程度就下降了。

并非所有可以由全因子法创建的试验项在实际上都是可行的。如果不对输入进行适当的滤选，就可能会导致事实上也许不能实现的非理想结果。为此，要进行模型输入的预处理以及模型输出的后处理。对发动机模型输入的预处理而言，首先要把估计燃烧速率输入参数(例如燃烧时间、曲线修整因子m以及50％燃烧区域)以及MAP点火正时用作为确定每一模拟项可行性的标准。

基于对所有情形燃烧参数的预测，每一试验项的可行性得到检验，并且将具有任意燃烧参数的明显不能实现且事实上不可能的那些试验项从进一步分析和模拟中排除。例如，从虚拟试验中排除MAP点火正时发生在上止点(BTDC)之前的IVC或90°之前的试验项。类似地，那些燃烧时间、曲线修整因子m以及50％燃烧区域在与实际试验结果相比时要么是负的要么过分大的试验项，也要从虚拟发动机台试的进一步处理中排除。

另一种有效执行上述预处理的方法是对气缸中燃烧过程的循环变量进行参数化。为此，还要将燃烧变量COV_IMEP看作是控制输入参数和发动机操作条件的函数，表述如下：

变型系数：

低升程：

${\mathrm{COV}}_{\mathrm{IMEP}}=c_0+c_{1}N+c_2{\mathrm{\θ}}_{\mathrm{th}}+c_3\mathrm{IVO}+c_4{N}^2+c_5{N}^2\·\mathrm{EVC}+c_6{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}$

$+c_7{\mathrm{\θ}}_{\mathrm{th}}^2\·\mathrm{EVC}+c_8{\mathrm{\θ}}_{\mathrm{th}}\·{\mathrm{EVC}}^2+c_9\mathrm{IVO}\·{\mathrm{EVC}}^2+c_{10}{N}^2\·{\mathrm{IVO}}^2$

$+c_{11}{N}^2\·{\mathrm{EVC}}^2++c_{12}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{EVC}}^2+c_{13}{\mathrm{\θ}}_{\mathrm{th}}^3$

高升程：

${\mathrm{COV}}_{\mathrm{IMEP}}=c_0+c_{1}N+c_2\mathrm{IVO}+c_3{N}^2+c_{4}N\·\mathrm{EVC}+c_5{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}+c_6{N}^2\·\mathrm{EVC}$

$+c_{7}N\·{\mathrm{EVC}}^2+c_8{\mathrm{\θ}}_{\mathrm{th}}\·\mathrm{EVC}+c_9{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{10}{N}^2\·{\mathrm{\θ}}_{\mathrm{th}}^2$

$+c_{11}{N}^2\·{\mathrm{EVC}}^2++c_{12}{\mathrm{\θ}}_{\mathrm{th}}^2\·{\mathrm{IVO}}^2+c_{13}{\mathrm{IVO}}^2\·{\mathrm{EVC}}^2+c_{14}{\mathrm{\θ}}_{\mathrm{th}}^3$

运用对进气阀升程每一情形的COV_IMEP的参数化函数，能够对所有试验项预测上述燃烧变化。基于这类预测，每一试验项的可行性得到再次检验，并且将COV_IMEP大于10％的模拟试验项从任何进一步分析及模拟中排除，在大于10％的情形通常会出现汽车中的操作性能问题。上述预测能够在节气门全开(WOT)状态期间发生。例如，在紧密检查上述WOT状态之后，当COV_IMEP超过10％的界限时，就将发现只有当排气凸轮轴处于最严重的滞后位置时才会超过上述阈值。这是完全合理的，因为残余废气比在除了进气凸轮定位角以外的排气凸轮轴位置上通常是很高的。与发动机转速无关，当大量残余气体残留于发动机气缸中时，尤其在高负载状态下，燃烧过程变得很不稳定。因此，利用上述COV_IMEP作为预处理标准是在进行发动机模拟之前筛选出虚拟试验项的有效方法。

在试验项已进行预处理之后，对所有剩余情形执行虚拟发动机台试。在不同稳态点上完成发动机台试模拟之后，进行模拟输出的后处理。就模型输出的后处理而言，对从发动机模拟中得到的输出变量进行恰当筛选，从而使模拟结果包括例如IMEP以及保留在实际可接受范围内的指示燃油消耗率(ISFC)。例如，只要根据与发动机模型相符的放热剖面提供燃料，上述总IMEP就不会变负。但是，当对于总IMEP而言泵唧功太多而无法克服时，上述发动机模型实质上将模拟发动机驾驶过程，而导致负的净IMEP值。

对于多个个发动机操作参数提供所生成的发动机台试。此发动机台试能够包括但并不限于，用于总的指示平均有效压力(IMEP)的多维台试、净IMEP、泵平均有效压力(PMEP)、每气缸空气、每气缸燃料、残余废气比、容积效率、发动机停转时的废气温度、峰值气缸压力、在峰值气缸压力以及上升至峰值气缸压力的曲柄角位置。对每一上述操作参数相对于致动器位置进行台试。对于示范发动机系统10而言，每一发动机操作参数都相对进气凸轮相位器位置以及排气凸轮相位器位置进行台试。

平均值发动机建模

MVEM是基于由上述发动机模拟所生成的发动机台试来构建的。MVEM模拟发动机动力学并在瞬变条件下对随时间变化的输入做出响应。此MVEM辅助工程师分析和设计控制算法并改进其参数而不需频繁访问发动机测功器和/或者原型机，同时在虚拟环境中提供快速而灵活的发动机校准和控制系统设计。当控制系统的复杂性增加到像在当前的IC发动机的情形中那样，而同时由于激烈的竞争又必须缩短产品开发周期时，上述虚拟发动机工具的概念变得更具吸引力。

MVEM由两个不同建模部件构成：基于微分方程的动态部件和基于响应曲面模型(RSM)的静态部件。此动态部件基于物理学，通常只需要发动机几何参数来建立并运行上述模型。此动态部件的典型例子是进气/排气总管和曲轴动态模型。另一方面，上述静态部件主要依赖经验数据来适当地建立。这就是本发明的虚拟发动机台试法相对MVEM的开发和校准而言贡献最大之处。

RSM的典型例子是容积效率和转矩产生模型。不再使用大量的发动机试验数据来适当建立上述RSM，而是利用本发明的虚创发动机台试法，此方法显著减少了与开发和校准上述MVEM有关的成本和时间。因此，本发明的发动机快速台试和建模法减少了对特别是用于发动机校准和控制系统分析/设计的发动机硬件开发及试验的需求。它还有助于通过使发动机系统开发及校准过程开始于发动机设计的早期阶段来实现控制系统与发动机硬件的平行发展。

如上所述得到的虚拟发动机台试在平均值发动机建模中实行。几个重要的发动机输出变量是由上述虚拟发动机台试模拟制造的。基于此虚拟发动机台试开发建立关键输出变量的回归模型，这在MVEM的总框架中作为亚元件模型发挥关键作用。这些亚元件模型通常以准静态回归函数的形式构建，这为MVEM提供了非线性的代数方程。这些代数方程通常利用输入输出最小二乘拟合法建立于稳态试验发动机数据之上。

但是，在本发明的方法中，上述试验数据由虚创的发动机台试代替，并且执行前述逐步多次回归法以生成所需静态回归模型。上述非线性代数函数主要用于对发动机转矩产出、容积效率，发动机停转时废气温度以及排放系统的有效流动面积建立模型，提供如下：

指示平均有效压力(IMEP)

低升程：

$\mathrm{IMEP}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{EVC}+c_4{p}_m^2+c_5{\mathrm{EVC}}^2$

$+c_{6}N\·p_m+c_7{N}^2\·\mathrm{EVC}+c_8{p}_m^2\·{\mathrm{IVO}}^2+c_9{p}_m^2\·{\mathrm{EVC}}^2$

高升程：

$\mathrm{IMEP}=c_0+c_1{p}_m+c_2\mathrm{IVO}+c_3{p}_m^2+c_{4}N\·p_m+c_5{N}^2\·p_m$

$+c_{6}N\·{\mathrm{IVO}}^2+c_7{p}_m\·\mathrm{IVO}+c_8{N}^2\·p_m^2+c_9{N}^2\·{\mathrm{EVC}}^2+c_{10}{p}_m^3$

容积效率

低升程：

${\mathrm{\η}}_v=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{EVC}}^2+c_{6}N\·p_m+c_{7}N\·p_m^2$

$+c_8\mathrm{IVO}\·\mathrm{EVC}+c_9{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{10}{N}^2\·p_m^2+c_{11}{N}^2\·{\mathrm{EVC}}^2+c_{12}{\mathrm{IVO}}^2\·{\mathrm{EVC}}^2$

高升程：

${\mathrm{\η}}_v=c_0+c_1{p}_m+c_2\mathrm{IVO}+c_3\mathrm{EVC}+c_4{p}_m^2+c_{5}N\·p_m$

$+c_{6}N\·p_m^2+c_7{p}_m\·{\mathrm{IVO}}^2+c_8\mathrm{IVO}\·{\mathrm{EVC}}^2+c_9{p}_m^3$

发动机停转时废气温度

低升程：

$T_{\mathrm{eng},\mathrm{out}}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{IVO}}^2+c_6{\mathrm{EVC}}^2+c_{7}N\·p_m$

$+c_{8}N\·\mathrm{EVC}+c_{9}N\·p_m^2+c_{10}N\·{\mathrm{EVC}}^2+c_{11}{p}_m^2\·{\mathrm{EVC}}^2+c_{12}{p}_m^3++c_{13}{\mathrm{EVC}}^3$

高升程：

$T_{\mathrm{eng},\mathrm{out}}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{EVC}}^2+c_{6}N\·\mathrm{EVC}+c_{7}N\·p_m^2$

$+c_{8}N\·{\mathrm{EVC}}^2+c_9{p}_m\·{\mathrm{EVC}}^2+c_{10}{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{11}{p}_m^3++c_{12}{\mathrm{EVC}}^3$

有效流域

低升程：

$A_{\mathrm{eff},\mathrm{exh}}=c_0+c_{1}N+c_2\mathrm{EVC}+c_3{N}^2+c_{4}N\·p_m+c_{5}N\·\mathrm{EVC}+c_6{N}^2\·\mathrm{IVO}+c_7{N}^2\·\mathrm{EVC}$

$+c_{8}N\·{\mathrm{IVO}}^2+c_9{p}_m\·{\mathrm{EVC}}^2+c_{10}{N}^2\·p_m^2+c_{11}{N}^2\·{\mathrm{IVO}}^2+c_{12}{p}_m^2\·{\mathrm{EVC}}^2+c_{13}{N}^3$

高升程：

$A_{\mathrm{eff},\mathrm{exh}}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_{5}N\·\mathrm{IVO}+c_{6}N\·{\mathrm{IVO}}^2+c_7{p}_m\·\mathrm{IVO}$

$+c_8{p}_m\·{\mathrm{IVO}}^2+c_9{\mathrm{IVO}}^2\·\mathrm{EVC}+c_{10}\mathrm{IVO}\·{\mathrm{EVC}}^2+c_{11}{\mathrm{IVO}}^2\·{\mathrm{EVC}}^2+c_{12}{N}^3$

即使不再需要气缸内峰值压力的回归模型来构建示范性发动系统的平均值模型，也可创建这种模型来对瞬变作业中来增加虚拟发动机台试结果的有效性。在如下关系式中提供上述回归模型用于进气阀升程的两种情形：

气缸峰值压力

低升程：

$p_{\mathrm{cyl},\mathrm{peak}}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{p}_m^2+c_{6}N\·\mathrm{EVC}$

$+c_7{N}^2\·\mathrm{IVO}+c_{8}N\·{\mathrm{EVC}}^2+c_9{p}_m\·\mathrm{EVC}+c_{10}{p}_m^2\·\mathrm{EVC}$

$+c_{11}{p}_m\·{\mathrm{EVC}}^2+c_{12}{p}_m^2\·{\mathrm{EVC}}^2+c_{13}{p}_m^3$

高升程：

$p_{\mathrm{cyl},\mathrm{peak}}=c_0+c_1{p}_m+c_2\mathrm{IVO}+c_3\mathrm{EVC}+c_{4}N\·p_m+c_5{N}^2\·p_m$

$+c_{6}N\·{\mathrm{EVC}}^2+c_7\mathrm{IVO}\·\mathrm{EVC}+c_8{\mathrm{IVO}}^2\·\mathrm{EVC}+c_9{p}_m^3$

还能够模拟发动机停转时排放。但是，由于排放物不能通过发动机模型确定的曲柄角来进行预测供当前的应用目的，此模型的开发便严格地建立在试验发动机数据的基础上。上述开发用于示范性发动机系统10的停转排放的回归模型提供如下：

CO ₂ 浓度

低升程：

$\mathrm{CO}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4{p}_m^2+c_5{\mathrm{EVC}}^2+c_{6}N\·p_m$

$+c_{7}N\·{\mathrm{EVC}}^2+c_8{p}_m\·\mathrm{IVO}+c_9{p}_m^2\·\mathrm{IVO}+c_{10}{p}_m\·\mathrm{IV}{O}^2+c_{11}{p}_m^2\·{\mathrm{IVO}}^2$

高升程：

$\mathrm{CO}=c_0+c_{1}N+c_2{p}_m+c_3\mathrm{IVO}+c_4\mathrm{EVC}+c_5{\mathrm{IVO}}^2+c_{6}N\·p_m+c_{7}N\·\mathrm{IVO}$

$+c_{8}N\·p_m^2+c_9{p}_m^2\·\mathrm{IVO}+c_{10}\mathrm{IVO}\·{\mathrm{EVC}}^2+c_{11}{p}_m^2\·{\mathrm{EVC}}^2+c_{12}{p}_m^3+c_{13}{\mathrm{IVO}}^3$

利用CO、CO₂、HC和NO_x等废气种类的稳态发动机数据确认这些模型用于进气阀的每一升程情形。此废气种类的回归模型特别是对整个排放程度的大范围的HC和NO_x是非常准确的。而且，上述CO和CO₂的回归模型即使在排放程度明显与正常工作状态(例如在燃料浓缩操作期间)不同时也能进行准确预测。上述排放模型的最大优点在于它们是自变量的函数从而在实时发动机操作期间容易得到。

上述发动机快速台试及建模法提供了快速台试发动机而没有显著的硬件试验负担的紧密连接法，并提供了在基于数学/虚拟环境中实行控制系统分析和设计的工具。通过减少用于发动机台试的硬件试验的需求，通过减少发动机开发时间并改善品质，通过最小化硬件构造以开发新的发动机技术以及通过提供虚拟工具用于在发动机设计阶段早期开发控制系统，上述方法给出了显著的优点。

内行的人现在从此前的描述中能够认识到本发明的广泛原理可以通过各种形式实施。因此，虽然本发明业已结合其特殊例子进行了描述，但本发明的实际范围并不受这些特殊例子的限制，这是因为通过研究附图、说明，以及下面的权利要求书，其他的修正形式对于内行的人是显而易见的。

Claims (1)

1.一种在发动机开发过程中台试并建立发动机模型的方法，此方法包括：

在多个实际发动机操作条件下试验上述发动机；

收集对应于上述实际发动机操作条件的实际发动机数据；

基于上述实际发动机数据确定多个参数函数，每一上述参数函数对应于一发动机操作参数；

生成多个用于多个发动机操作条件的燃烧函数，包括上述多个实际发动机操作条件和多个虚拟发动机操作条件；

基于上述多个燃烧参数校准发动机模拟模型；

运用上述模拟模型进行多个发动机台试。

Images