CN106960092A - 韦伯燃烧规则经验参数自动校准方法 - Google Patents

Abstract

本发明的目的在于提供韦伯燃烧规则经验参数自动校准方法，对公式进行线性变换，并结合现有测定的试验数据，对韦伯(Wiebe)燃烧规则线性变换后进行线性拟合，计算出韦伯(Wiebe)燃烧规则经验参数的初步估计值，然后对韦伯(Wiebe)燃烧规则以计算出的经验参数初步估计值作为迭代初值采用最小二乘算法拟合得出最终经验参数估计值，从而能够快速且精确搭建基于韦伯(Wiebe)燃烧规则的零维燃烧模型。本发明能保证校准结果的稳定性和最优性，可实现根据已燃分数试验数据自动校准得出韦伯(Wiebe)燃烧规则经验参数，缩短了内燃机缸内燃烧的仿真研究时间，实现了燃烧规则与真实燃烧的高效匹配。

Description

韦伯燃烧规则经验参数自动校准方法

技术领域

本发明涉及的是一种内燃机燃烧规则的参数的确定方法。

背景技术

为了解决日益严重的环境污染问题，国际排放法规越来越苛刻，限制发动机的有害排放物，致使生产厂家，对发动机的排放控制看得尤为重要。而柴油机的排放特性与缸内燃烧过程有着密切的联系，因此实现对燃烧过程的实时控制对发动机的排放控制具有重要意义。随着计算机技术的迅猛发展，计算机仿真技术拥有了蓬勃的生命力，通过对现实系统的抽象模仿，抽象出系统模型，人们在计算机上对这样的模型进行模拟试验研究，既降节约了科研和生产成本，降低了风险，也提高了科研效率。那么系统模型的可靠性和准确性，直接决定仿真结果的可靠性和准确性。在内燃机领域，基于韦伯(Wiebe)燃烧规则的零维燃烧模型形式简单，建模难度小，同时在一定的工况范围内具备一定的仿真精度。以此韦伯(Wiebe)燃烧模型为基础，众多研究者们成功的对直喷，非直喷，二冲程柴油机进行了缸内压力和温度的预测。韦伯(Wiebe)燃烧规则的经验参数会直接影响韦伯(Wiebe)燃烧模型的准确性，有文献对韦伯(Wiebe)燃烧模型的经验参数如何校准进行了研究，比如代数分析方法和最小二乘算法，但是代数分析方法和最小二乘算法各有优缺点。前者稳定性好，不需要给定初值，但不能保证校准参数的最优性；后者可保证校准参数的局部最优性，但是收敛性和校准结果依赖于给定的初值。因此有必要考虑将两种方法进行结合，使两者优缺点互补，最终实现快速且精确地校准韦伯燃烧规则经验参数。

发明内容

本发明的目的在于提供实现快速且精确地自动校准参数的韦伯燃烧规则经验参数自动校准方法。

本发明的目的是这样实现的：

本发明韦伯燃烧规则经验参数自动校准方法，其特征是：

(1)根据韦伯燃烧规则x_b为已燃燃料百分数，m为燃烧品质指数，a为燃烧效率因子，为瞬时曲轴转角，为燃烧持续角，为燃烧始点，令0％的已燃分数对应的曲轴转角 为燃烧拟合终点角，为燃烧拟合起始角，舍去之前和之后的试验数据，经过代数变换，变换后的韦伯燃烧规则的表达式如下：

(2)根据步骤1中变换后的韦伯燃烧规则，进行线性化处理，令A＝m+1；那么韦伯燃烧规则的线性化等式为：

(3)对韦伯燃烧规则进行线性拟合，依据测定的试验数据，拟合得出A和B，利用m₀＝A-1和根据A和B反求出韦伯燃烧规则经验参数初步估计值m₀和a₀；

(4)对韦伯燃烧规则以m₀、a₀和分别作为m、a和的迭代初值，采用非线性最小二乘算法拟合求出最终的m、a和

本发明还可以包括：

1、拟合得出A和B的具体步骤为：

(1)经由试验测定的n组数据，分别为 为曲轴转角，x_bn为已燃燃料百分数，韦伯燃烧规则的线性化等式对应的数据为根据可以得出上述数据：

(2)由于韦伯燃烧规则的线性化等式的数据分布呈现一次函数的关系，则线性最小二乘所对应的法方程一定是线性方程组，线性方程组的系数矩阵是非奇异，且方程组有唯一解，则韦伯燃烧规则线性方程组如下：

解此方程组可得：

(3)根据A和B计算得出韦伯燃烧规则的经验参数，如下：

燃烧品质指数m＝A-1；那么，

燃烧效率因子那么，

本发明的优势在于：本发明根据韦伯(Wiebe)燃烧规则，以已燃分数(也可以是放热率或比放热率)试验数据为依托，将代数分析方法和最小二乘算法结合，使两者优缺点互补，最终实现快速且精确地自动校准得出韦伯燃烧规则经验参数的方法。此方法收敛性和稳定性较好，精确度较高，实现了韦伯(Wiebe)燃烧规则经验参数的自动校准，为业内研究人员校准韦伯燃烧规则经验参数提供极大便利。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1，本发明的核心是提供了韦伯(Wiebe)燃烧规则经验参数的自动校准方法，以获得更精确的燃烧规则经验参数。为了使内燃机领域的技术人员更好的理解本发明方案，并通过优选的实例详细说明本发明的实施方式。

本发明实例，提供了内燃机零维燃烧建模的韦伯(Wiebe)燃烧规则如下的参数方程：

其中：x_b为已燃燃料百分数；m为燃烧品质指数；a为燃烧效率因子；—曲轴转角；—燃烧持续角；—燃烧始点。

则内燃机缸内零维建模韦伯(Wiebe)燃烧规则经验参数的自动校准方法，其具体包括如下步骤：

步骤1：根据韦伯(Wiebe)燃烧规则，令为0％的已燃分数对应的曲轴转角令为的曲轴转角期间，舍去之前和之后的试验数据，经过代数变换，变换后韦伯(Wiebe)燃烧规则的表达式如下：

步骤2：根据步骤1中，变形后的韦伯(Wiebe)燃烧规则，进行线性化处理，令A＝m+1；那么韦伯(Wiebe)燃烧规则的线性化等式为：

步骤3：韦伯(Wiebe)燃烧规则的线性化等式是一个以A,B为参数的一次方程，对韦伯(Wiebe)燃烧规则进行线性拟合，依据测定的试验数据，拟合得出A和B。利用m₀＝A-1和根据A和B反求出韦伯(Wiebe)燃烧规则经验参数初步估计值m₀和a₀。

步骤4：对韦伯(Wiebe)燃烧规则以m₀、a₀和分别作为m、a和的迭代初值，采用非线性最小二乘算法拟合求出最终的m、a和

上述的韦伯(Wiebe)燃烧规则经验参数确定方法步骤3具体包含如下步骤：

步骤3.1：经由试验测定的n组数据，分别为 在权利要求4的步骤2中，已经假设那么韦伯(Wiebe)燃烧规则的线性化等式对应的试验数据 就能够联合得出，其方法是： 同理可以得出

步骤3.2：因为韦伯(Wiebe)燃烧规则的线性化等式的数据分布呈现一次函数的关系，所以线性最小二乘所对应的法方程一定是线性方程组，线性方程组的系数矩阵是非奇异，且方程组有唯一解，则韦伯(Wiebe)燃烧规则线性方程组如下：

解此方程组可得：

步骤3.3：由步骤3.2，给出了拟合后的一次曲线系数A和B,可以通过变量代换，计算得出韦伯(Wiebe)燃烧规则的经验参数，如下：

燃烧品质指数m＝A-1；那么，

燃烧效率因子那么，

至此根据测定的试验数据，就可以将韦伯(Wiebe)燃烧规则的经验参数计算得出。

本发明不局限于上述具体实施方式，本领域技术人员可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。

韦伯(Wiebe)燃烧规则经验参数的确定方法具体原理如下：

韦伯(Wiebe)燃烧规则存在四个经验参数，通过调整经验参数以拟合测得的已燃分数x_b和比放热率q_r。然而由于韦伯(Wiebe)燃烧规则为非线性函数，其中经验参数的校准具有一定困难。对于测得的已燃分数和比放热率，存在大量的噪声信号和由传热计算引入的不确定性，需要采取一定措施避免噪声信号和不确定性对Wiebe经验参数校准的干扰。已燃分数和比放热率中的噪声信号和不确定性也会导致由此计算出的发火始点存在很大不确定性。为减小经验参数校准的难度，传统方法通常采用作为韦伯(Wiebe)燃烧规则中的燃烧始点各工况下燃烧效率因子a均取为相同的定值。然而，研究表明，将作为Wiebe燃烧规则中的会使校准精度较大波动；a随工况变化取为不同的定值，相比取相同的定值，可明显提高韦伯(Wiebe)燃烧规则拟合精度；相比a，已燃分数对燃烧形状指数(m)更加敏感，因此m需更加谨慎估计；已燃分数对各经验参数的敏感度和比放热率大致呈正比关系。对于现有的韦伯燃烧规则经验参数的校准方法有代数分析方法和最小二乘算法，前者稳定性较好且不需要给定初始值，但不能保证校准结果的最优性；后者可保证校准结果的局部最优性，但是其计算时间、收敛性以及校准结果依赖于给定的迭代初值。根据以上研究结论，本发明提出如下改进措施以提高韦伯(Wiebe)燃烧规则的校准精度、收敛性和稳定性并实现韦伯燃烧规则经验参数的自动校准：

(1)舍去和的试验数据，采用之间的试验数据进行校准韦伯(Wiebe)燃烧规则经验参数。

(2)取为曲轴转角期间。

(3)先校准m，然后根据m校准a。

(4)a根据m求出，工况不同取值不同。

(5)以发火始点试验值燃烧始点的预估值，采用代数分析方法计算得出a₀和m₀，以a₀和m₀作为a和m的迭代初值，然后采用最小二乘算法进行迭代计算得出最终估计值a和m。

Claims (2)

1.韦伯燃烧规则经验参数自动校准方法，其特征是：

(1)根据韦伯燃烧规则x_b为已燃燃料百分数，m为燃烧品质指数，a为燃烧效率因子，为瞬时曲轴转角，为燃烧持续角，为燃烧始点，令0％的已燃分数对应的曲轴转角 为燃烧拟合终点角，为燃烧拟合起始角，舍去之前和之后的试验数据，经过代数变换，变换后的韦伯燃烧规则的表达式如下：

(2)根据步骤1中变换后的韦伯燃烧规则，进行线性化处理，令A＝m+1；那么韦伯燃烧规则的线性化等式为：

(3)对韦伯燃烧规则进行线性拟合，依据测定的试验数据，拟合得出A和B，利用m₀＝A-1和根据A和B反求出韦伯燃烧规则经验参数初步估计值m₀和a₀；

(4)对韦伯燃烧规则以m₀、a₀和分别作为m、a和的迭代初值，采用非线性最小二乘算法拟合求出最终的m、a和

2.根据权利要求1所述的韦伯燃烧规则经验参数自动校准方法，其特征是：拟合得出A和B的具体步骤为：

(1)经由试验测定的n组数据，分别为 为曲轴转角，x_bn为已燃燃料百分数，韦伯燃烧规则的线性化等式对应的数据为根据可以得出上述数据：

(2)由于韦伯燃烧规则的线性化等式的数据分布呈现一次函数的关系，则线性最小二乘所对应的法方程一定是线性方程组，线性方程组的系数矩阵是非奇异，且方程组有唯一解，则韦伯燃烧规则线性方程组如下：

解此方程组可得：

$A=1/n\[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{y}}_i-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i.\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{y}}_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i-n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i{\tilde{y}}_i}{{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i\right)}^2-n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left({\tilde{x}}_i\right)}^2}\]$

$B=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{y}}_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i-n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i{\tilde{y}}_i}{{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i\right)}^2-n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left({\tilde{x}}_i\right)}^2};$

(3)根据A和B计算得出韦伯燃烧规则的经验参数，如下：燃烧品质指数m＝A-1；那么，燃烧效率因子那么，