CN111177864B - 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 - Google Patents
基于粒子群算法的内燃机燃烧模型参数优化方法及装置 Download PDFInfo
- Publication number
- CN111177864B CN111177864B CN201911327652.5A CN201911327652A CN111177864B CN 111177864 B CN111177864 B CN 111177864B CN 201911327652 A CN201911327652 A CN 201911327652A CN 111177864 B CN111177864 B CN 111177864B
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness
- particle position
- value
- internal combustion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法及装置，该方法包括：获取内燃机工作时的n组实验数据，其中n为正整数；利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置，对发动机的燃烧模型进行参数优化，从而降低仿真模型所得结果与实际数据之间的误差，增强仿真模型的可信度，提高发动机设计速度，节约研发成本。
Description
技术领域
本发明实施例涉及燃机模拟技术领域，具体涉及一种基于粒子群算法的内燃机燃烧模型参数优化方法及装置。
背景技术
随着我国制造业的不断更新升级，制造业正在以越来越快的速度向着自动化、智能化的方向发展，其中就包括汽车行业。内燃机作为当前主流的汽车动力源，对汽车的总和性能具有重大意义。由于内燃机产生的废气中包含NOx、Soot、CO等污染物，对大气环境有一定的伤害，随着我国发动机新标准的出台，国内发动机生产企业亟待提高研发能力，进一步降低发动机有害物质的排放，因此，作为发动机研发的重要组成部分，发动机燃烧过程的建模和优化也需要与信息化和智能化技术进一步结合，从而提高发动机的设计和生产效率。但是，使用传统的标定和试凑方法得到发动机燃烧模型相关参数需要耗费大量的时间和资金。
粒子群算法作为一种群智能算法，已经在国内外的多个领域得到使用，其中包括农业、金融、医药等。作为存在诸多参数优化问题的行业，汽车行业已经开始使用粒子群算法来减小工程师的工作负担。但是，原生粒子群算法存在容易陷入局部最优，在高纬度复杂问题的求解方面存在诸多困难。因此，需要进行进一步改进，从而充分发挥其性能。
因此，如何提出一种内燃机参数优化方法，对发动机的燃烧模型进行参数优化，从而降低仿真模型所得结果与实际数据之间的误差，增强仿真模型的可信度，提高发动机设计速度，节约研发成本，是本领域技术人员亟待解决的技术问题。
发明内容
为此，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法及装置，对发动机的燃烧模型进行参数优化，从而降低仿真模型所得结果与实际数据之间的误差，增强仿真模型的可信度，提高发动机设计速度，节约研发成本。
为了实现上述目的，本发明实施例提供如下技术方案：
第一方面，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法，包括：
获取内燃机工作时的n组实验数据，其中n为正整数；
利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置。
优选地，所述实验数据包括：用于所述燃烧模型的实际输入数据，用于所述燃烧模型的实际输出信号；
所述实际输入数据包括：发动机转速、油门开度、怠速模式信号、燃油喷射总量、主喷角、主喷油量、预喷角、预喷油量、后喷1角度、后喷1油量、轨压、发动机空气质量流速、EGR阀开度、EGR质量流速、中冷器后压强、进气歧管温度、发动机冷却液温度；
所述实际输出信号包括：CO浓度值、CO2浓度值、NOx浓度值、O2浓度值、HC浓度值、Soot浓度值。
优选地，所述适应度函数为：
其中，sima,b表示DPF仿真模型第a个输出变量仿真值中的第b个数据；reala,b表示DPF模块第a个输出变量真实值中的第b个数据。
优选地，所述以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，包括：
步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最佳适应度位置g；
步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最好适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优适应度位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优粒子位置g。
优选地，所述进行粒子位置迁移，包括：
根据位置迁移公式进行粒子位置的迁移；
根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0<fc<1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中，i为粒子位置的序号；j为当前迭代次数序号，j+1为下一次迭代次数的序号；r1、r2、r3、r4均为[0,1]区间内的随机数；Xmin为粒子位置取值范围下限；Xmax为粒子位置取值范围上限。
第二方面，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化装置，包括：
数据获取模块，用于获取内燃机工作时的n组实验数据，其中n为正整数；
模型构建模块，用于利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
参数优化模块，用于构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置。
优选地，所述参数优化模块，包括：
第一单元，用于实现步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最佳适应度位置g；
第二单元，用于实现步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
第三单元，用于实现步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最好适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优适应度位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
第四单元，用于实现步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优粒子位置g。
优选地，所述第三单元包括：
第一子单元，用于根据位置迁移公式进行粒子位置的迁移；
第二子单元，用于根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0<fc<1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中，i为粒子位置的序号；j为当前迭代次数序号，j+1为下一次迭代次数的序号；r1、r2、r3、r4均为[0,1]区间内的随机数；Xmin为粒子位置取值范围下限；Xmax为粒子位置取值范围上限。
第三方面，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述第一方面任一种所述基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。
本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法，包括：获取内燃机工作时的n组实验数据，其中n为正整数；利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置，对发动机的燃烧模型进行参数优化，从而降低仿真模型所得结果与实际数据之间的误差，增强仿真模型的可信度，提高发动机设计速度，节约研发成本。
本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法及装置具有相同的上述有益效果，在此不再一一赘述。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的流程图；
图2为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的粒子群优化流程图；
图3为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的位置迁移流程图；
图4为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化装置组成示意图；
图5为本发明一种具体实施方式中所提供的一种基于粒子群算法的内燃机燃烧模型参数优化设备的结构示意图；
图6为本发明一种具体实施方式中所提供的一种计算机可读存储介质的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1、图2、图3，图1为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的流程图；图2为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的粒子群优化流程图；图3为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化方法的位置迁移流程图。
在本发明具体实施方式中，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法，包括：
步骤S11：获取内燃机工作时的n组实验数据，其中n为正整数；
步骤S12：利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
步骤S13：构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置。
在本发明实施例中，首先需要获取内燃机工作时的n组实验数据，其中n为正整数，具体地，可以通过台架试验测得n组内燃机工作时的实验数据，当然，也可以利用已经存在的试验数据。
在一种实施例中，以某汽车电子公司的柴油机标定平台为例，采集时间长度为1800s，采样周期为10ms，得到180000组DPF输出和输出参数的试验数据，每组参数数据包括燃烧模型的实际输入数据：发动机转速、油门开度、怠速模式信号、燃油喷射总量、主喷角、主喷油量、预喷角、预喷油量、后喷1角度、后喷1油量、轨压、发动机空气质量流速、EGR阀开度、EGR质量流速、中冷器后压强、进气歧管温度、发动机冷却液温度；以及燃烧模型的实际输出信号：CO、CO2、NOx、O2、HC、Soot浓度。
也就是说，实验数据包括：用于所述燃烧模型的实际输入数据，用于所述燃烧模型的实际输出信号；实际输入数据包括：发动机转速、油门开度、怠速模式信号、燃油喷射总量、主喷角、主喷油量、预喷角、预喷油量、后喷1角度、后喷1油量、轨压、发动机空气质量流速、EGR阀开度、EGR质量流速、中冷器后压强、进气歧管温度、发动机冷却液温度；实际输出信号包括：CO浓度值、CO2浓度值、NOx浓度值、O2浓度值、HC浓度值、Soot浓度值。
在取得试验数据后，可以基于步骤S11采集得到的180000组参数数据建立内燃机燃烧模型，为优化内燃机燃烧模型参数优化做准备。本实例中，内燃机燃烧模型是在美国MathWorks公司的MATLAB/Simulink环境下搭建的。当然，也可以使用已知的其它仿真软件实施仿真。
由于需要使用粒子群算法，因此需要用到适应度函数来优化粒子群，具体地，可以将适应度函数设置为：
其中，sima,b表示DPF仿真模型第a个输出变量仿真值中的第b个数据；reala,b表示DPF模块第a个输出变量真实值中的第b个数据。
适应度函数，也可以称为目标函数的计算结果为内燃机燃烧模型各个输出变量的平均仿真偏差绝对值。
在上述具体实施例的基础上，本实例中，以燃烧模型中CO、CO2、NOx、O2、HC、Soot的一阶滤波模块的时间常数作为粒子位置，使用随机函数得到初代粒子位置，运用带有放缩机制的改进粒子群算法对上述五个一阶滤波模块的时间常数进行优化，从而降低燃烧模型输出信号与相应实验数据之间的误差，增加燃烧模型的可信度。为了以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，可以具体实施以下步骤：
步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最佳适应度位置g；
步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最好适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优适应度位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优粒子位置g。
在具体进行迭代是，需要进行例子位置的迁移，为了进行粒子位置迁移，可以使用以下步骤：
步骤S31：根据位置迁移公式进行粒子位置的迁移；
步骤S32：根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0<fc<1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中，i为粒子位置的序号；j为当前迭代次数序号，j+1为下一次迭代次数的序号；r1、r2、r3、r4均为[0,1]区间内的随机数；Xmin为粒子位置取值范围下限；Xmax为粒子位置取值范围上限。
在一种实施例中，计算机仿真结果显示，与原生粒子群算相比，基于带有放缩机制的改进粒子群算法的内燃机燃烧模型参数优化方法能够使仿真模型最终输出的CO、CO2、NOx、O2、HC、Soot浓度数据的平均误差绝对值分别减小8.43％、11.24％、8.427％、1.97％、16.88％，更好地改善了燃烧模型的可信度。
本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化方法，通过台架试验得到n组燃烧模型输入数据；建立内燃机燃烧过程仿真模型；以仿真模型内的多个滤波模块的时间系数为待优化参数，运带有放缩机制的改进粒子群算法进行迭代优化。基于带有放缩机制的改进粒子群算法，本发明能够实现对燃烧模型中滤波模块的时间常数进行优化，从而降低燃烧模型输出信号与相应实验数据之间的误差，增加燃烧模型的可信度，对发动机的燃烧模型进行参数优化，从而降低仿真模型所得结果与实际数据之间的误差，增强仿真模型的可信度，提高发动机设计速度，节约研发成本。
请参考图4，图4为本发明实施例提供的一种基于粒子群算法的内燃机燃烧模型参数优化装置组成示意图。
在本发明又一具体实施方式中，本发明实施例提供一种基于粒子群算法的内燃机燃烧模型参数优化装置400，包括：
数据获取模块410，用于获取内燃机工作时的n组实验数据，其中n为正整数；
模型构建模块420，用于利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
参数优化模块430，用于构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置。
优选地，所述参数优化模块，包括：
第一单元，用于实现步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最佳适应度位置g；
第二单元，用于实现步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
第三单元，用于实现步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最好适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优适应度位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
第四单元，用于实现步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优粒子位置g。
优选地，所述第三单元包括：
第一子单元，用于根据位置迁移公式进行粒子位置的迁移；
第二子单元，用于根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0<fc<1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中：sima,b表示DPF仿真模型第a个输出变量仿真值中的第b个数据；reala,b表示DPF模块第a个输出变量真实值中的第b个数据。
请参考图5、图6，图5为本发明一种具体实施方式中所提供的一种基于粒子群算法的内燃机燃烧模型参数优化设备的结构示意图；图6为本发明一种具体实施方式中所提供的一种计算机可读存储介质的结构示意图。
本发明实施例提供基于粒子群算法的内燃机燃烧模型参数优化设备500，包括：
存储器510，用于存储计算机程序；
处理器520，用于执行所述计算机程序时实现如上述第一方面所述任一种基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。该计算机程序存储于存储器510中的用于程序代码存储的空间中，该计算机程序有处理器520执行时实现任一种本发明实施例中的方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种具体实施方式所述任一种基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，功能调用设备，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (5)
1.一种基于粒子群算法的内燃机燃烧模型参数优化方法，其特征在于，包括：
获取内燃机工作时的n组实验数据，其中n为正整数；
利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置；
所述以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，包括：
步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最优适应度位置g；
步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最优适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优粒子位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优适应度位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优适应度位置g；
所述适应度函数为：
其中，sima,b表示DPF仿真模型第a个输出变量仿真值中的第b个数据；reala,b表示DPF模块第a个输出变量真实值中的第b个数据；
所述进行粒子位置迁移，包括：
根据位置迁移公式进行粒子位置的迁移；
根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0＜fc＜1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中，i为粒子位置的序号；j为当前迭代次数序号，j+1为下一次迭代次数的序号；r1、r2、r3、r4均为[0,1]区间内的随机数；Xmin为粒子位置取值范围下限；Xmax为粒子位置取值范围上限。
2.根据权利要求1所述的内燃机燃烧模型参数优化方法，其特征在于，
所述实验数据包括：用于所述燃烧模型的实际输入数据，用于所述燃烧模型的实际输出信号；
所述实际输入数据包括：发动机转速、油门开度、怠速模式信号、燃油喷射总量、主喷角、主喷油量、预喷角、预喷油量、后喷1角度、后喷1油量、轨压、发动机空气质量流速、EGR阀开度、EGR质量流速、中冷器后压强、进气歧管温度、发动机冷却液温度；
所述实际输出信号包括：CO浓度值、CO2浓度值、NOx浓度值、O2浓度值、HC浓度值、Soot浓度值。
3.一种基于粒子群算法的内燃机燃烧模型参数优化装置，其特征在于，包括：
数据获取模块，用于获取内燃机工作时的n组实验数据，其中n为正整数；
模型构建模块，用于利用n组所述实验数据搭建用于模拟内燃机燃烧机制的燃烧模型；
参数优化模块，用于构建所述燃烧模型参数优化的适应度函数，并以燃烧模型中污染物质的一阶滤波模块的时间常数作为粒子位置，通过粒子群算法对所述时间常数进行优化，得到全局最优粒子位置；
所述适应度函数为：
其中，sima,b表示DPF仿真模型第a个输出变量仿真值中的第b个数据；reala,b表示DPF模块第a个输出变量真实值中的第b个数据；
所述参数优化模块，包括：
第一单元，用于实现步骤S1：确定粒子总数N、最大迭代次数T、放缩比例fc、粒子位置取值范围，并初始化全局最优全局最优适应度gbest和全局最优适应度位置g；
第二单元，用于实现步骤S2：运用随机函数在粒子位置取值范围内生成N个维度为D的初代粒子位置，其中，D与待优化参数的个数相同；
第三单元，用于实现步骤S3：将N个粒子位置依次代入所述适应度函数中，计算得到每个粒子位置对应的适应度值，将最优适应度pbest的粒子位置确定为代最优粒子位置p；若该代最优粒子位置p对应的适应度值pbest优于全局最优适应度位置g对应的适应度值gbest，则将该代最优粒子位置作为新的全局最优适应度位置g，将其对应的适应度值作为新的全局最优适应度值gbest；
第四单元，用于实现步骤S4：进行粒子位置迁移，并跳转到步骤S3，直到当前迭代次数达到最大迭代次数T，输出全局最优适应度位置g；
所述第三单元包括：
第一子单元，用于根据位置迁移公式进行粒子位置的迁移；
第二子单元，用于根据越界重置公式初始化超出粒子取值范围的粒子位置；
其中，所述位置迁移公式为：
1≤i≤N，1≤j≤T，0＜fc＜1；
所述越界重置公式：
xi,j+1＝Xmin+r4·(Xmax-Xmin)；
其中，i为粒子位置的序号；j为当前迭代次数序号，j+1为下一次迭代次数的序号；r1、r2、r3、r4均为[0,1]区间内的随机数；Xmin为粒子位置取值范围下限；Xmax为粒子位置取值范围上限。
4.一种基于粒子群算法的内燃机燃烧模型参数优化设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1或2所述基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述基于粒子群算法的内燃机燃烧模型参数优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911327652.5A CN111177864B (zh) | 2019-12-20 | 2019-12-20 | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911327652.5A CN111177864B (zh) | 2019-12-20 | 2019-12-20 | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111177864A CN111177864A (zh) | 2020-05-19 |
| CN111177864B true CN111177864B (zh) | 2023-09-08 |
Family
ID=70653937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911327652.5A Active CN111177864B (zh) | 2019-12-20 | 2019-12-20 | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111177864B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779856B (zh) * | 2021-09-15 | 2023-06-27 | 成都中科合迅科技有限公司 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
| CN114492187B (zh) * | 2022-01-25 | 2022-12-02 | 中国空气动力研究与发展中心空天技术研究所 | 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005013019A2 (en) * | 2003-07-25 | 2005-02-10 | Yamaha Motor Co., Ltd | Soft computing optimizer of intelligent control system structures |
-
2019
- 2019-12-20 CN CN201911327652.5A patent/CN111177864B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111177864A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647430B (zh) | 一种dpf碳加载计算方法 | |
| WO2018120468A1 (zh) | 基于lcce优化的柴油发动机标定方法 | |
| CN111177864B (zh) | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 | |
| CN102840042B (zh) | 具有egr装置的发动机及其egr率控制方法、装置 | |
| EP2574763A1 (en) | NOx emission estimation method and arrangement | |
| RU2730216C2 (ru) | Способ работы двигателя в сборе | |
| CN110552799A (zh) | 一种废气再循环控制方法及装置 | |
| CN112146888A (zh) | 参数标定方法、装置、设备和存储介质 | |
| CN114970404A (zh) | 基于缸内燃烧cfd分析的发动机油耗计算及优化方法 | |
| CN110617130A (zh) | 一种柴油机scr氨比值因子的快速标定方法 | |
| CN111006867B (zh) | 一种发动机进气修正map表的标定方法及进气修正方法 | |
| CN113673089A (zh) | 一种发动机性能确定方法、装置以及电子设备 | |
| CN112393908A (zh) | 一种非道路柴油机排放污染物台架试验方法 | |
| Unver et al. | Modeling and validation of turbocharged diesel engine airpath and combustion systems | |
| CN104179555B (zh) | 一种增压柴油机scr系统瞬态nh3泄漏控制系统及方法 | |
| CN113217146B (zh) | 基于模型温度修正的发动机gpf模块控制方法和系统 | |
| CN110276525B (zh) | 基于燃油经济性的发动机关键技术评估方法 | |
| CN114810377A (zh) | 发动机控制方法、装置、介质、设备及车辆 | |
| CN112282949A (zh) | 电控汽油机起燃工况控制参数优化方法、装置以及车辆 | |
| Wei et al. | Use of predictive engine and emission model for diesel engine model based calibration | |
| CN116662714B (zh) | 柴油机氮氧化物排放开发目标值计算方法及相关设备 | |
| CN116086560B (zh) | 一种多因素耦合下的发动机万有油耗修正方法及系统 | |
| CN115114743B (zh) | 基于仿真的SCR后NOx传感器信号精确度评价方法 | |
| CN117094231B (zh) | 天然气发动机硬件参数确定方法、装置、设备及存储介质 | |
| CN114707290B (zh) | 一种高效低排放发动机技术参数决策方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |