CN104102781A - 一种基于多目标优化的发动机性能优化方法 - Google Patents

Abstract

本发明涉及发动机领域，尤其涉及一种基于多目标优化的发动机性能优化方法。本发明提供一种基于多目标优化的发动机性能优化方法，包括以下步骤：（1）收集发动机参数和发动机试验数据；（2）建立发动机一维性能仿真模型；（3）标定一维性能仿真模型；（4）选取优化参数与范围的设定；（5）设定优化参数和优化目标；（6）设计试验并选择优化算法；（7）进行仿真迭代；（8）使用响应面RSM决策工具进行结果分析。本发明基于计算机仿真分析，采用多目标优化算法与数值模拟技术相结合，实现了优化过程的自动化，大大节约了发动机开发后期的试验成本和时间，极大提高了发动机的开发效率。

Description

一种基于多目标优化的发动机性能优化方法

技术领域

本发明涉及发动机领域，尤其涉及一种基于多目标优化的发动机性能优化方法。

背景技术

发动机进气歧管、进排气凸轮型线、进排气VVT角度对发动机的动力性和经济性有着非常大的影响，需要优化的参数较多，传统的优化方法主要是采用发动机性能仿真分析软件对发动机工作过程进行数值仿真获得其性能参数数据，同时基于已有的经验知识通过反复地修改设计参数进行数值模拟这个过程来实现优化。然而，这种方法对于小型的设计或局部的修改尚可采用，面对复杂产品的大量参数时，显然既耗费时间又耗费精力，而且对专业知识的要求也非常高，根本无法准确地确定最优的设计值，也无法保证质量稳定性。

发明内容

针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：提供一种更加高效率的发动机性能优化方法，本方法基于计算机仿真分析，采用多目标优化算法与数值模拟技术相结合，实现了优化过程的自动化以提高开发效率，节省试验成本。

本发明采取的技术方案为提供一种基于多目标优化的发动机性能优化方法，包括以下步骤：

(1)收集发动机参数和发动机试验数据；

(2)建立发动机一维性能仿真模型；

(3)标定一维性能仿真模型；

(4)选取优化参数与范围的设定；

(5)设定优化参数和优化目标；

(6)设计试验并选择优化算法；

(7)进行仿真迭代；

(8)使用响应面RSM决策工具进行结果分析。

作为本发明的进一步改进，步骤(1)中所述发动机参数包括发动机气缸结构参数、进排气道结构参数、进排气歧管结构参数。

作为本发明的进一步改进，所述发动机进气歧管参数、进气道参数、排气歧管参数、排气道结果参数是根据三维数模运用GEM3D工具离散得来。

作为本发明的进一步改进，步骤(1)中所述发动机试验数据包括功率、扭矩、油耗、充气效率、摩擦功、缸压、点火角、空燃比。

作为本发明的进一步改进，步骤(3)包括建立多目标优化软件与一维仿真软件的耦合计算模型，由多目标优化软件来驱动一维仿真软件运行，并读取一维仿真软件的计算结果。

作为本发明的进一步改进，步骤(3)包括对功率、扭矩、油耗、缸压、充气效率等参数的模拟值与试验值误差控制在4％以内。

作为本发明的进一步改进，步骤(4)中所述选取优化参数包括进气歧管长度、进气歧管容腔容积、进气总管直径、进气凸轮持续期系数、进气凸轮升程系数、排气凸轮持续期系数、排气凸轮升程系数、CA50、进排气相位角度。

作为本发明的进一步改进，步骤(5)中所述优化目标包括充气效率最大和油耗最小。

作为本发明的进一步改进，步骤(6)所述设计试验并选择优化算法包括：Sobol序列法、NSGAII遗传算法。

作为本发明的进一步改进，步骤(7)中所述仿真迭代过程包括多目标优化软件根据Sobol序列试验设计方法所确定的优化方案逐步进行迭代计算。

本发明的有益效果是：本发明提供一种更加高效率的发动机性能优化方法，本方法基于计算机仿真分析，采用多目标优化算法与数值模拟技术相结合，实现了优化过程的自动化，大大节约了发动机开发后期的试验成本和时间，极大提高了发动机的开发效率。

附图说明

图1是本发明一种基于多目标优化的发动机性能优化方法的流程图；

图2是本发明一种基于多目标优化的发动机性能优化方法的摩擦损失FMEP；

图3是本发明一种基于多目标优化的发动机性能优化方法的进气道流量系数；

图4是本发明一种基于多目标优化的发动机性能优化方法的排气道流量系数；

图5是本发明一种基于多目标优化的发动机性能优化方法的优化前后扭矩对比图。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

如图1所示，本发明所述的发动机性能优化方法基于计算机仿真分析，采用多目标优化算法与数值模拟技术相结合，实现了优化过程的自动化。整体方案路线是：首先从发动机试验室和零部件设计部门获得发动机试验数据、发动机整机和零部件结构参数、进排气歧管以及进排气道数模，运用发动机一维仿真软件自带的工具把三维数模离散成一维仿真模型，搭建完整的发动机仿真模型，然后对模型进行校核，以满足与试验数据误差在4％以内。最后校核完成的模型与多目标软件一起进行耦合仿真，把需要优化的参数设为变量，并根据经验设置变量的取值范围，然后进行发动机性能的优化计算，对计算出来的结果进行全面的分析，借助多目标优化软件的各种分析工具，找出各个参数最佳的取值，最后把通过评审的计算结果反馈给设计部门，进行发动机零部件的设计与制造，这样在发动机开发前期即确定了最佳的进气歧管长度、歧管容积、进气总管直径、进排气凸轮持续期、进排气凸轮升程，大大节约了发动机开发后期的试验成本和时间，极大提高了发动机的开发效率。

如图1所示，本发明一种基于多目标优化的发动机性能优化方法的具体技术方案如下：包括以下步骤：

(1)收集发动机参数和发动机试验数据；

(2)建立发动机一维性能仿真模型；

(3)标定一维性能仿真模型；

(4)选取优化参数与范围的设定；

(5)设定优化参数和优化目标；

(6)设计试验并选择优化算法；

(7)进行仿真迭代；

(8)使用响应面RSM决策工具进行结果分析，找出各个参数的最佳取值。因为基于计算结果利用近似逼近技术、拟合输出空间、用拟合函数进行优化的响应面方法(RSM)可以进行高速优化，所以对于需要大量计算时间的优化过程来说，可以大大缩短优化的时间。神经网络(RBF)，RBF神经网络模型的优点包括很强的逼近复杂非线性函数的能力，无须数学假设，具有黑箱的特点，学习速度快，具有极好的泛化能力，较强的容错功能。

步骤(1)中所述发动机参数包括发动机气缸结构参数、进排气道结构参数、进排气歧管结构参数等，其中，所述发动机进气歧管参数、进气道参数、排气歧管参数、排气道结果参数是根据三维数模运用GEM3D工具离散得来，保证了计算模型的精度。

步骤(1)中所述发动机试验数据包括功率、扭矩、油耗、充气效率、摩擦功、缸压、点火角、空燃比，其中，由于摩擦功里包括了泵气损失，需要减掉泵气损失后再使用。

如图2所示，摩擦损失FMEP主要获得方法有以下几种：

1、使用软件进行预估。如某软件的摩擦功预测模块，输入发动机的相关参数，就可以计算出各种摩擦模型的数据，根据发动机的实际情况进行选择，一般选择Chen&Flynn模型数据。在前期没有实体发动机的情况下，我们一般采用此方法进行摩擦功的预估，如图2。

2、运用燃烧分析仪。用测得的总功减去泵气功得到净功率，然后再用净功率减掉指示功就得到我们所需要的机械摩擦功了，用表达式可以表示为：FMEP＝(IMEPH-IMEPL)-BMEP。

3、倒拖法。倒拖法测量的倒拖功包含有泵气损失，并且随着压缩比的上升，其误差会增大，因此适用于压缩比不高的汽油机。在Boost模型中，可以设置倒拖模式，计算出各个转速下的泵气损失，将实测得到的倒拖功减去泵气损失，即为摩擦损失，如图3、图4所示。

其中步骤(2)为：在发动机一维仿真软件平台上，根据发动机结构参数进行模型搭建，进气道、排气道、进气歧管、排气歧管采用离散得来的一维模型，把模型搭建完整，试验无法获取的数据需要根据经验调整。

燃烧模型，采用VIBE燃烧模型，VIBE燃烧模型的三个燃烧参数，起始角、持续期、形状因子，各自对燃烧放热规律有不同的影响。通过燃烧分析仪测量缸压曲线，再利用BOOST程序中BURN功能，计算出放热率曲线，将计算得到的这条放热率曲线做为输入值可以进行燃烧规律的定义。传热模型，本计算模型采用Woschni1978传热模型。对于循环模拟计算，工质与气缸内壁之间的换热过程不仅影响气缸内部过程的进行，而且也影响受热零件的热负荷和散热冷却介质的热量，为此必须研究燃气侧的换热系数及内表面温度。对于传热系数的计算，采用式：

${\mathrm{\α}}_w=130\·D^{-0.2}\·p^{0.8}\·T^{-0.53}\·{[C_1\·c_m+C_2\·\frac{V_s\·T_{\mathrm{cj}}}{p_{\mathrm{cj}}\·V_{\mathrm{cj}}}\·(p-p_{c0})]}^{0.8}$

进排气门流量系数，流量系数即为流过气道的实际流量与理论流量的比值，范围在0-1之间。流量系数是衡量流通能力的重要指标，流量系数越大，说明流通能力大，流体通过时的压力损失小。本文采用AVL推荐的公式进行计算：

$\mathrm{\μ\σ}=\frac{{\stackrel{\·}{m}}_{\mathrm{actual}}}{{\stackrel{\·}{m}}_{\mathrm{theo}}}$

其中表示实际流量[kg/s]，表示理论流量[kg/s]

理论流量计算公式：

${\stackrel{\·}{m}}_{\mathrm{theo}}=A_V\·\mathrm{\ρ}\·\sqrt{\frac{2\·\mathrm{\Δp}}{{\mathrm{\ρ}}_m}}$ $\mathrm{\ρ}={\mathrm{\ρ}}_0\·{\left(\frac{p_0-\mathrm{\Δp}}{p_0}\right)}^{\frac{1}{\mathrm{\κ}}}$

${\mathrm{\ρ}}_m=\frac{1}{2}({\mathrm{\ρ}}_0+\mathrm{\ρ})$ $A_V=\frac{d_v^2\mathrm{\π}}{4}$

其中A_V表示气门座面积[m²]，d_v表示气门座内圈直径[m]，ρ_m表示气体平均密度[kg/m³，ρ表示缸内气体密度[kg/m³]，ρ₀表示环境气体密度[kg/m³]，P₀表示环境压力[Pa]，△P表示进出口压差[Pa]。其他参数的定义，除了以上主要参数以外，进排气压力、温度，气门正时、进气系统压降、排气背压等参数根据试验数据进行了调整。

步骤(3)包括建立多目标优化软件与一维仿真软件的耦合计算模型，由多目标优化软件来驱动一维仿真软件运行，并读取一维仿真软件的计算结果。耦合计算模型的搭建，首先需要性能仿真软件计算出结果文件，多目标优化软件读取结果文件，并根据结果文件中的参数设定优化参数和优化目标，并给优化参数设定优化范围，给优化目标设定约束，进行联合计算，多目标优化软件驱动性能仿真软件运行。

步骤(3)包括对功率、扭矩、油耗、缸压、充气效率等参数的模拟值与试验值误差控制在4％以内。

步骤(4)中所述选取优化参数包括进气歧管长度、进气歧管容腔容积、进气总管直径、进气凸轮持续期系数、进气凸轮升程系数、排气凸轮持续期系数、排气凸轮升程系数、CA50、进排气相位角度，并根据经验为这些参数设定一个较为合理的取值范围。每一种参数都有符合满足发动机运行的较为合理的取值范围，在这个区间里，发动机能够正常工作，但发动机性能会随着取值的不同而不同，如CA50，在范围可以取-10到30这个区间，这个区间一定存在一个最优值。同样其它参数也有类似的一个范围，这个范围的设定不需要太多的经验，只需要较为熟悉内燃机的结构与原理即可。

步骤(5)中所述优化目标包括充气效率最大和油耗最小。

步骤(6)所述设计试验并选择优化算法包括：Sobol序列法、NSGAII遗传算法。该法也是随机序列法的一种，比Random Sequence一致随机序列法采样更均匀，针对2-20个输入变量的问题来讲这种方法较好。NSGA-II算法是Srinivas和Deb于2000年在NSGA的基础上提出的，它比NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比NSGA大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性；该算法需要按照不受支配的级别，通过降低虚适应值对给定的个体种群进行排序，保留好的点；具有多目标寻优的Elitism卓越机制，该机制强化了解的收敛特性能够指向真实的Pareto优化前沿；采用小生境方法，保证好的点所在子种群的稳定性；该法能够处理基于二进制代码的离散变量和基于真实代码的连续变量；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性，是目前最流行的多目标进化算法之一。

步骤(7)中所述仿真迭代过程包括多目标优化软件根据Sobol序列试验设计方法所确定的优化方案逐步进行迭代计算。整个计算流程驱动自动化，无需人工干涉，对于所关注的参数的变化过程，可以采用在线监控模块，实时监控，若发现异常，可以中途停止并调整参数，然后继续计算。

实施例1:

发动机小型化已经成为了全球发展的趋势，保持小排量的基础上，提高发动机动力性，降低发动机的油耗率和排放成为各发动机厂商的主要开发方向，本发明的优选实施方案是对某款1.2L汽油发动机性能进行优化，主要是提高低速阶段的动力性能。主要优化参数为进气歧管长度、进气歧管容积、进排气凸轮持续期、进排气凸轮升程、可变气门正时。

根据发动机图纸建立发动机一维仿真模型，其中进气歧管、进气道、排气歧管、排气道是根据三维数模运用工具离散得来，保证了计算模型的精度。燃烧采用韦伯模型，传热采用Woschni模型，空滤压降和排气背压按照整车状态设置。发动机的功率与油耗曲线与试验数据对比中发现，在大部分转速范内，模拟值与试验值尽管趋势相同，但误差均在5％以上，最大处达到8％，因此需要对仿真模型进行标定。建立多目标软件与一维仿真分析软件的耦合计算模型进行模型标定，输入变量和目标函数设置如下表所示：

计算范围从1000rpm到6000rpm，每隔400rpm一个点。初始个数为10，进化代数为100，总的模拟状态为1000，工作站CPU为32核，计算时间约12小时。经过1000个设计点的计算，扭矩与油耗与试验值的误差在0.5％以内，模型标定完成，可以用于发动机仿真分析与优化工作。

[0020]把标定出来的各个参数值输入到发动机仿真模型中。建立多目标优化与发动机仿真模型的耦合优化计算模型，优化参数设置为：

变量	名称	状态	最小值	最大值	步长
						Runner	歧管长度	输入	400	600	20
Intakemaifold_Volume	进气歧管容积	输入	0.5	1.0	0.1
						[INTCAM_Angle_Multi]	进气凸轮持续期系数	输入	0.9	1.1	0.05
[INTCAM_Lift_Multi]	进气凸轮升程系数	输入	0.95	1.05	0.05
						[EXHCAM_Angle_Multi]	排气凸轮持续期系数	输入	0.9	1.1	0.05
[EXHCAM_Lift_Multi]	排气凸轮升程系数	输入	0.95	1.05	0.05
						INTMOP	进气凸轮相位角	输入	450	490	4
EXHMOP	排气凸轮相位角	输入	240	280	4
						Brake_Torque	扭矩	输出	MAX	Target	--
BSFC	油耗	输出	MIN	Target	--

试验设计方法采用Sobol序列法，遗传算法采用NSGA2，初始样本数20，遗传100代，共计2000个计算点。

经过对结果的分析，找出了最佳的参数

名称	优化前	优化后
			歧管长度	500	575
进气歧管容积	1.0	1.2
			进气凸轮持续期	232	237
进气凸轮升程	7.5	8
			排气凸轮持续期	230	228
排气凸轮升程	7.8	7.45
			进气凸轮相位角	460	468
排气凸轮相位角	250	254

优化后的参数值为:进气歧管长度575mm，进气歧管容积为1.2L，进气凸轮持续期为237，排气凸轮持续期为228，排气凸轮升程为7.45，进气凸轮相位角为468，排气凸轮相位角为254。

如图5所示，在高速扭矩略有降低的情况下，低速扭矩提高了约8％，达到了我们的优化目标。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于多目标优化的发动机性能优化方法，其特征在于：包括以下步骤：

（1）收集发动机参数和发动机试验数据；

（2）建立发动机一维性能仿真模型；

（3）标定一维性能仿真模型；

（4）选取优化参数与范围的设定；

（5）设定优化参数和优化目标；

（6）设计试验并选择优化算法；

（7）进行仿真迭代；

（8）使用响应面RSM决策工具进行结果分析。

2.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（1）中所述发动机参数包括发动机气缸结构参数、进排气道结构参数、进排气歧管结构参数。

3.根据权利要求2所述的基于多目标优化的发动机性能优化方法，其特征在于：所述发动机进气歧管参数、进气道参数、排气歧管参数、排气道结果参数是根据三维数模运用GEM3D工具离散得来。

4.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（1）中所述发动机试验数据包括功率、扭矩、油耗、充气效率、摩擦功、缸压、点火角、空燃比。

5.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（3）包括建立多目标优化软件与一维仿真软件的耦合计算模型，由多目标优化软件来驱动一维仿真软件运行，并读取一维仿真软件的计算结果。

6.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（3）包括对功率、扭矩、油耗、缸压、充气效率等参数的模拟值与试验值误差控制在4%以内。

7.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（4）中所述选取优化参数包括进气歧管长度、进气歧管容腔容积、进气总管直径、进气凸轮持续期系数、进气凸轮升程系数、排气凸轮持续期系数、排气凸轮升程系数、CA50、进排气相位角度。

8.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（5）中所述优化目标包括充气效率最大和油耗最小。

9.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（6）所述设计试验并选择优化算法包括：Sobol序列法、NSGAII遗传算法。

10.根据权利要求1所述的基于多目标优化的发动机性能优化方法，其特征在于：步骤（7）中所述仿真迭代过程包括多目标优化软件根据Sobol序列试验设计方法所确定的优化方案逐步进行迭代计算。