CN112329213A - 基于一维模型模式切换和ann的涡轮增压汽油机标定方法 - Google Patents
基于一维模型模式切换和ann的涡轮增压汽油机标定方法 Download PDFInfo
- Publication number
- CN112329213A CN112329213A CN202011122490.4A CN202011122490A CN112329213A CN 112329213 A CN112329213 A CN 112329213A CN 202011122490 A CN202011122490 A CN 202011122490A CN 112329213 A CN112329213 A CN 112329213A
- Authority
- CN
- China
- Prior art keywords
- gasoline engine
- load
- simulation model
- turbocharged gasoline
- turbocharged
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明涉及一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,包括:对涡轮增压汽油机进行全工况采样;根据采样数据,采用GT‑Power分别建立第一仿真模型和第二仿真模型,采用预设的模式切换方法控制第一仿真模型和第二仿真模型的运行,采用第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测,并构建样本集;构建初始的人工神经网络,采用样本集进行训练;利用遗传算法对人工神经网络进行各工况下的多参数寻优,得到涡轮增压汽油机的最佳性能及对应的参数,完成标定。与现有技术相比,本发明解决了一维模型针对涡轮增压汽油机性能预测的局限性,通过少量汽油机台架试验数据便能实现涡轮增压汽油机全工况下的优化标定。
Description
技术领域
本发明涉及涡轮增压汽油机标定方法领域,尤其是涉及基于一维模型模式切换和ANN的涡轮增压汽油机标定方法。
背景技术
随着当今汽油机可变气门正时、可变压缩比等先进技术的迅速发展,汽油机控制参数出现“维数爆炸”的问题。因此,如何精确并高效地对汽油机进行标定是目前发动机的研究重点。传统汽油机标定往往通过扫点的方式对汽油机各控制参数逐一进行优化标定,随着控制参数的增加,越来越费时费力。
授权公告号为CN100520339的发明公开了一种电控天然气发动机标定系统和控制方法,其通过将ECU与PC机相连,在台架试验阶段通过GUI界面手动调整控制参数,寻找出经济性优良的标定结果;
公开号为CN108664732A的发明公开了一种基于界面化的核电厂备用柴油发电机组的仿真建模方法,其通过GT-Power建立柴油机一维仿真模型,实现柴油发电机组的性能仿真和预测。
随着发动机一维模型的兴起,在给定工况下,基于燃烧等相关理论模型的多参数优化标定缩减了可观的时间和成本,但发动机一维模型基于台架数据构建,也受台架数据的限制,在转速及负荷维度的拓展较为困难,难以实现对汽油机全工况下的标定。
对于涡轮增压发动机而言,发动机的负荷需求首先通过增大节气门开度实现,当节气门达到全开时,通过减小废气旁通阀开度以增大涡轮增压器的介入程度,从而继续提高负荷,发动机的负荷变化复杂,普通的发动机一维模型难以适用于涡轮增压发动机。
发明内容
本发明的目的就是为了克服上述现有技术存在涡轮增压汽油机负荷变化复杂,普通的汽油机一维模型难以适用,并且汽油机一维模型在转速及负荷维度的拓展较为困难的缺陷而提供一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法。
本发明的目的可以通过以下技术方案来实现:
一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,所述涡轮增压汽油机还连接有测功机、汽油机控制单元和燃烧分析仪,所述方法包括以下步骤:
根据所述测功机、汽油机控制单元和燃烧分析仪,对所述涡轮增压汽油机进行全工况采样,该全工况采样获取有涡轮增压汽油机在不同工况下,且处于稳定状态时的控制参数和性能参数;
根据所述全工况采样获取的数据,采用GT-Power分别建立第一仿真模型和第二仿真模型,采用预设的模式切换方法控制所述第一仿真模型和第二仿真模型的运行,采用所述第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测,并构建样本集;
所述第一仿真模型用于仿真基于节气门开度控制负荷时的所述涡轮增压汽油机,所述第二仿真模型用于仿真基于废气旁通阀开度控制负荷时的所述涡轮增压汽油机;
构建初始的人工神经网络,采用所述样本集对该人工神经网络进行训练;
利用遗传算法对训练后的所述人工神经网络进行各工况下的多参数寻优,得到所述涡轮增压汽油机的最佳性能及对应的参数,完成涡轮增压汽油机的全工况优化标定。
进一步地,所述模式切换方法具体为:
当所述涡轮增压汽油机的运行负荷在预设的低负荷范围内时,采用所述第一仿真模型;
当所述涡轮增压汽油机的运行负荷在预设的高负荷范围内时,采用所述第二仿真模型;
当所述涡轮增压汽油机的运行负荷在预设的中等负荷范围内时,进行节气门开度的判断,若所述节气门达到全开状态,则采用所述第二仿真模型,若所述节气门未达到全开状态,则采用所述第一仿真模型。
进一步地,所述对所述涡轮增压汽油机进行全工况采样具体为,
对所述涡轮增压汽油机的转速工况和负荷工况分别进行采样,所述转速工况的采样具体为,从涡轮增压汽油机怠速至最大转速之间每隔预设的旋转间隔速度进行采样;所述负荷工况的采样具体为,从涡轮增压汽油机10%负荷至100%负荷之间每间预设的间隔负荷进行一次采样。
进一步地,所述负荷工况的采样还包括针对预设的中等负荷范围内负荷工况,还进行第二次采样,该第二次采样具体为,若此时节气门开度未达到100%,则调整VVT开度,使进气门处于早关状态,增加节气门开度至100%,同时减小废气旁通阀开度以达到所述第二次采样前的运行负荷,待涡轮增压汽油机处于稳定状态后进行采样。
进一步地,所述低负荷范围具体为,所述运行负荷达到最高负荷的10%-30%;
所述高负荷范围具体为,所述运行负荷达到最高负荷的60%-100%;
所述中等负荷范围具体为,所述运行负荷达到最高负荷的30%-60%。
进一步地,所述样本集包括在预设的目标负荷下,由所述第一仿真模型和第二仿真模型预测的涡轮增压汽油机的控制参数、性能参数以及性能预测结果,所述控制参数包括:
所述涡轮增压汽油机标定方法还包括对所述样本集进行数据筛选,该数据筛选具体为,剔除预测的所述涡轮增压汽油机的控制参数中的预测负荷与所述目标负荷不一致的数据点。
进一步地,所述涡轮增压汽油机处于稳定状态的判断具体为,根据所述测功机、汽油机控制单元和燃烧分析仪判断所述涡轮增压汽油机工作和燃烧的稳定状态。
进一步地,所述燃烧模型采用SITurb模型,该SITurb模型的计算公式为:
式中,Me为未燃烧的混合气卷吸质量,ρu为未燃混合气的密度,Ae为边界处火焰前锋面的表面积,ST为湍流燃烧速度,SL为层流燃烧速度,Mb为已燃混合气质量,τ为时间常数,λ为泰勒微尺度长度。
进一步地,所述采用所述样本集对该人工神经网络进行训练具体为,
根据所述样本集,采用交叉验证法获取训练集和验证集,通过所述训练集对所述人工神经网络进行训练,采用所述验证集对训练后的所述人工神经网络进行验证,直至所述人工神经网络的验证结果达到预设的验证要求。
进一步地,采用所述验证集对训练后的所述人工神经网络的R值进行预测,当预测的R值达到预设的最低R值以上时,完成所述人工神经网络的训练。
与现有技术相比,本发明具有以下优点:
(1)本发明在台架试验阶段仅对汽油机各个目标试验工况进行不超过2次的采样,无需对控制参数进行扫点采样,极大地减少了人力、物力和时间成本;
基于台架试验数据,采用GT-Power建立汽油机一维预测模型,并针对涡轮增压初步介入的工况实施模式切换,解决了一维模型针对涡轮增压汽油机性能预测的局限性;
通过ANN(人工神经网络)对汽油机一维模型的仿真进行工况拓展预测,结合遗传算法对构建的ANN进行寻优,实现了涡轮增压汽油机全工况下的优化标定。
(2)本发明引入的模式切换方法分别建立有基于节气门开度控制和废气旁通阀开度控制的一维仿真模型,根据涡轮增压汽油机的负荷运行范围和节气门的开度进行模式切换,并且在ANN建立前进行样本集的筛选,保证了涡轮增压汽油机中等负荷工况预测的精确性及完整性,改善了全工况下的优化标定结果。
(3)本发明的燃烧模型采用SITurb模型可以考虑燃烧室几何形状、火焰形状与位置、气缸内部的气体流动、燃料的理化属性以及点火时间等相关变量对燃烧放热率的影响,相比常用的SIWiebe模型能更准确地反映几何压缩比、气门正时、空燃比与点火正时等参数对缸内气体燃烧的影响。
附图说明
图1为汽油机及台架试验示意图;
图2为本发明实施例中基于节气门开度控制负荷时的GT-Power一维仿真模型的示意图;
图3为本发明实施例中基于废气旁通阀开度控制负荷时的GT-Power一维仿真模型的示意图;
图4为本发明实施例中模式切换方法的流程图;
图5为本发明实施例中ANN及遗传算法结合的发动机全工况优化标定流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,涡轮增压汽油机还连接有测功机、汽油机控制单元和燃烧分析仪,方法包括以下步骤:
根据测功机、汽油机控制单元和燃烧分析仪,对涡轮增压汽油机进行全工况采样,该全工况采样获取有涡轮增压汽油机在不同工况下,且处于稳定状态时的控制参数和性能参数;
根据全工况采样获取的数据,采用GT-Power分别建立第一仿真模型和第二仿真模型,采用预设的模式切换方法控制第一仿真模型和第二仿真模型的运行,采用第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测,并构建样本集;
第一仿真模型用于仿真基于节气门开度控制负荷时的涡轮增压汽油机,第二仿真模型用于仿真基于废气旁通阀开度控制负荷时的涡轮增压汽油机;
构建初始的人工神经网络,采用样本集对该人工神经网络进行训练;
利用遗传算法对训练后的人工神经网络进行各工况下的多参数寻优,得到涡轮增压汽油机的最佳性能及对应的参数,完成涡轮增压汽油机的全工况优化标定。
模式切换方法具体为:
当涡轮增压汽油机的运行负荷在预设的低负荷范围内时,采用第一仿真模型;
当涡轮增压汽油机的运行负荷在预设的高负荷范围内时,采用第二仿真模型;
当涡轮增压汽油机的运行负荷在预设的中等负荷范围内时,进行节气门开度的判断,若节气门达到全开状态,则采用第二仿真模型,若节气门未达到全开状态,则采用第一仿真模型。
对涡轮增压汽油机进行全工况采样具体为,
对涡轮增压汽油机的转速工况和负荷工况分别进行采样,转速工况的采样具体为,从涡轮增压汽油机怠速至最大转速之间每隔预设的旋转间隔速度进行采样;负荷工况的采样具体为,从涡轮增压汽油机10%负荷至100%负荷之间每间预设的间隔负荷进行一次采样。旋转间隔速度可以为500r/min,间隔负荷可以为10%负荷。
负荷工况的采样还包括针对预设的中等负荷范围内负荷工况,还进行第二次采样,该第二次采样具体为,若此时节气门开度未达到100%,则调整VVT开度,使进气门处于早关状态,增加节气门开度至100%,同时减小废气旁通阀开度以达到第二次采样前的运行负荷,待涡轮增压汽油机处于稳定状态后进行采样。
低负荷范围具体为,运行负荷达到最高负荷的10%-30%;
高负荷范围具体为,运行负荷达到最高负荷的60%-100%;
中等负荷范围具体为,运行负荷达到最高负荷的30%-60%。
样本集包括在预设的目标负荷下,由第一仿真模型和第二仿真模型预测的涡轮增压汽油机的控制参数、性能参数以及性能预测结果,控制参数包括:
涡轮增压汽油机标定方法还包括对样本集进行数据筛选,该数据筛选具体为,剔除预测的涡轮增压汽油机的控制参数中的预测负荷与目标负荷不一致的数据点。
涡轮增压汽油机处于稳定状态的判断具体为,根据测功机、汽油机控制单元和燃烧分析仪判断涡轮增压汽油机工作和燃烧的稳定状态。
作为一种优选的实施方式,燃烧模型采用SITurb模型,该SITurb模型的计算公式为:
式中,Me为未燃烧的混合气卷吸质量,ρu为未燃混合气的密度,Ae为边界处火焰前锋面的表面积,ST为湍流燃烧速度,SL为层流燃烧速度,Mb为已燃混合气质量,τ为时间常数,λ为泰勒微尺度长度。
作为一种优选的实施方式,采用样本集对该人工神经网络进行训练具体为,
根据样本集,采用交叉验证法获取训练集和验证集,通过训练集对人工神经网络进行训练,采用验证集对训练后的人工神经网络进行验证,直至人工神经网络的验证结果达到预设的验证要求。
采用验证集对训练后的人工神经网络的R值进行预测,当预测的R值达到预设的最低R值以上时,完成人工神经网络的训练,最低R值可设置为0.95。
下面提供一种最优的实施方式,并对该实施方式的具体实施过程进行描述。
本实施例提供一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,可通过少量汽油机台架试验数据建立涡轮增压汽油机一维模型,通过模式切换以解决涡轮增压汽油机一维模型的缺陷;并通过ANN对一维模型仿真数据进行工况拓展,结合遗传算法对构建的ANN进行寻优,实现汽油机全工况的优化标定。
下面进行具体描述。
1、涡轮增压汽油机及台架试验
如图1所示,本发明提供一种利用一维模型和ANN结合的涡轮增压汽油机标定方法,涡轮增压汽油机分别连接有测功机1、汽油机控制单元2、燃烧分析仪3。所述涡轮增压汽油机包括进气管路、涡轮增压汽油机本体、排气管路。所述进气管路包括进气管4、空气滤清器5、增压器6、增压中冷器7、节气门8;所述涡轮增压汽油机本体包括可变进气正时凸轮9、可变排气正时凸轮10、气缸11等;所述排气管路包括排气管12、废气旁通阀13、涡轮14。
台架试验过程中,由于需要对涡轮增压汽油机全工况进行标定,因此试验中的转速工况选择为从涡轮增压汽油机怠速至最大转速之间每间隔500r/min进行一次采样,试验中的负荷工况选择为从涡轮增压汽油机10%负荷至100%负荷之间每间隔10%负荷进行一次采样。将涡轮增压汽油机稳定至待测工况,通过测功机、燃烧分析仪等数据观察涡轮增压汽油机工作、燃烧稳定后,对涡轮增压汽油机各控制参数及性能参数进行采样。对于涡轮增压汽油机而言,涡轮增压汽油机的负荷需求首先通过增大节气门开度实现,当节气门达到全开时,通过减小废气旁通阀开度以增大涡轮增压器的介入程度,从而继续提高负荷。在涡轮增压汽油机一维仿真模型建立过程中,以GT-Power为例,节气门开度控制的涡轮增压汽油机模型与废气旁通阀开度控制的涡轮增压汽油机模型有所区别,两者相互切换也较为困难。涡轮增压汽油机在中等负荷工况下通常为涡轮增压介入起始点,因此台架试验针对30%-60%负荷内的工况,待原机采样完毕后,若节气门开度未达到100%,需调整VVT开度,使进气门处于早关状态,此时为满足负荷需求,增加节气门开度至100%,同时减小废气旁通阀开度以达到目标负荷,待涡轮增压汽油机工作稳定后再次采样。
2、涡轮增压汽油机一维仿真模型建立
图2为涡轮增压汽油机基于节气门开度控制负荷时的GT-Power一维仿真模型(相当于第一仿真模型),图3为涡轮增压汽油机基于废气旁通阀开度控制负荷时的GT-Power一维仿真模型(相当于第二仿真模型)。为预测汽油机不同VVT时刻、点火时刻及压缩比对该工况下的油耗,GT-Power燃烧模型采用SiTurb模型。SITurb模型作为准三维模型可以考虑燃烧室几何形状、火焰形状与位置、气缸内部的气体流动、燃料的理化属性以及点火时间等相关变量对燃烧放热率的影响。相比常用的SIWiebe模型能更准确地反映几何压缩比、气门正时、空燃比与点火正时等参数对缸内气体燃烧的影响,但是计算时间也明显长于SIWiebe模型。SITurb模型的计算公式如下:
式中,Me为未燃烧的混合气卷吸质量,ρu为未燃混合气的密度,Ae为边界处火焰前锋面的表面积,ST为湍流燃烧速度,SL为层流燃烧速度,Mb为已燃混合气质量,τ为时间常数,λ为泰勒微尺度长度。
如图4所示,在涡轮增压汽油机一维模型建立时,首先根据实验数据中的负荷进行仿真模型的模式切换:低负荷(10%-30%)时采用基于节气门开度控制负荷时的GT-Power一维仿真模型,高负荷(60%-100%)时采用基于废气旁通阀开度控制负荷时的GT-Power一维仿真模型。中等负荷(30%-60%)工况下则进行节气门开度的判断:若此时的VVT等控制参数组合使得该工况下节气门已达到全开状态,则采用基于废气旁通阀开度控制负荷时的GT-Power一维仿真模型;若节气门尚未达到全开状态,则采用基于节气门开度控制负荷时的GT-Power一维仿真模型。在模式切换完成后,通过测功机、汽油机控制单元及燃烧分析仪的相关试验数据在各工况下进行基于SiTurb燃烧模型的一维模型建立,并采用GT-Power自带的DOE模块实现DVVT、点火角、压缩比等多参数变化的涡轮增压汽油机性能预测,并保存数据至样本集。
3、ANN及遗传算法结合的涡轮增压汽油机全工况优化标定
如图5所示,通过一维仿真模型建立了样本集后,需要将样本集中的数据依据目标负荷进行筛选。这是因为在中等负荷工况下,基于节气门开度控制负荷时的GT-Power一维仿真模型在进气门早关角较大时,预测结果无法达到目标负荷;同理,基于废气旁通阀开度控制负荷时的GT-Power一维仿真模型在进气门早关角较小时,预测结果无法达到目标负荷。因此在数据筛选过程中,将模式切换过后无法满足目标负荷的数据点进行剔除,其余数据即可完整反映中等负荷工况下的涡轮增压汽油机的性能预测结果。
完成样本集优化后,采用交叉验证法构建BP人工神经网络预测模型,通过训练集对ANN进行训练,并采用验证集对ANN的R值进行预测,直至网络应用于验证集的R值达到0.95以上,即可认为ANN性能已经达到优良。ANN训练完成后,利用遗传算法对构建的进行各工况下的多参数寻优,最终完成涡轮增压汽油机的全工况优化标定。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,所述涡轮增压汽油机还连接有测功机、汽油机控制单元和燃烧分析仪,其特征在于,所述方法包括以下步骤:
根据所述测功机、汽油机控制单元和燃烧分析仪,对所述涡轮增压汽油机进行全工况采样,该全工况采样获取有涡轮增压汽油机在不同工况下,且处于稳定状态时的控制参数和性能参数;
根据所述全工况采样获取的数据,采用GT-Power分别建立第一仿真模型和第二仿真模型,采用预设的模式切换方法控制所述第一仿真模型和第二仿真模型的运行,采用所述第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测,并构建样本集;
所述第一仿真模型用于仿真基于节气门开度控制负荷时的所述涡轮增压汽油机,所述第二仿真模型用于仿真基于废气旁通阀开度控制负荷时的所述涡轮增压汽油机;
构建初始的人工神经网络,采用所述样本集对该人工神经网络进行训练;
利用遗传算法对训练后的所述人工神经网络进行各工况下的多参数寻优,得到所述涡轮增压汽油机的最佳性能及对应的参数,完成涡轮增压汽油机的全工况优化标定。
2.根据权利要求1所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述模式切换方法具体为:
当所述涡轮增压汽油机的运行负荷在预设的低负荷范围内时,采用所述第一仿真模型;
当所述涡轮增压汽油机的运行负荷在预设的高负荷范围内时,采用所述第二仿真模型;
当所述涡轮增压汽油机的运行负荷在预设的中等负荷范围内时,进行节气门开度的判断,若所述节气门达到全开状态,则采用所述第二仿真模型,若所述节气门未达到全开状态,则采用所述第一仿真模型。
3.根据权利要求1所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述对所述涡轮增压汽油机进行全工况采样具体为,
对所述涡轮增压汽油机的转速工况和负荷工况分别进行采样,所述转速工况的采样具体为,从涡轮增压汽油机怠速至最大转速之间每隔预设的旋转间隔速度进行采样;所述负荷工况的采样具体为,从涡轮增压汽油机10%负荷至100%负荷之间每间预设的间隔负荷进行一次采样。
4.根据权利要求3所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述负荷工况的采样还包括针对预设的中等负荷范围内负荷工况,还进行第二次采样,该第二次采样具体为,若此时节气门开度未达到100%,则调整VVT开度,使进气门处于早关状态,增加节气门开度至100%,同时减小废气旁通阀开度以达到所述第二次采样前的运行负荷,待涡轮增压汽油机处于稳定状态后进行采样。
5.根据权利要求2或4所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述低负荷范围具体为,所述运行负荷达到最高负荷的10%-30%;
所述高负荷范围具体为,所述运行负荷达到最高负荷的60%-100%;
所述中等负荷范围具体为,所述运行负荷达到最高负荷的30%-60%。
6.根据权利要求1所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述样本集包括在预设的目标负荷下,由所述第一仿真模型和第二仿真模型预测的涡轮增压汽油机的控制参数、性能参数以及性能预测结果,所述控制参数包括:
所述涡轮增压汽油机标定方法还包括对所述样本集进行数据筛选,该数据筛选具体为,剔除预测的所述涡轮增压汽油机的控制参数中的预测负荷与所述目标负荷不一致的数据点。
7.根据权利要求1所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,
所述涡轮增压汽油机处于稳定状态的判断具体为,根据所述测功机、汽油机控制单元和燃烧分析仪判断所述涡轮增压汽油机工作和燃烧的稳定状态。
9.根据权利要求1所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,所述采用所述样本集对该人工神经网络进行训练具体为,
根据所述样本集,采用交叉验证法获取训练集和验证集,通过所述训练集对所述人工神经网络进行训练,采用所述验证集对训练后的所述人工神经网络进行验证,直至所述人工神经网络的验证结果达到预设的验证要求。
10.根据权利要求9所述的一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法,其特征在于,采用所述验证集对训练后的所述人工神经网络的R值进行预测,当预测的R值达到预设的最低R值以上时,完成所述人工神经网络的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011122490.4A CN112329213B (zh) | 2020-10-20 | 2020-10-20 | 基于一维模型模式切换和ann的涡轮增压汽油机标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011122490.4A CN112329213B (zh) | 2020-10-20 | 2020-10-20 | 基于一维模型模式切换和ann的涡轮增压汽油机标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329213A true CN112329213A (zh) | 2021-02-05 |
CN112329213B CN112329213B (zh) | 2022-06-14 |
Family
ID=74310550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011122490.4A Active CN112329213B (zh) | 2020-10-20 | 2020-10-20 | 基于一维模型模式切换和ann的涡轮增压汽油机标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329213B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113323782A (zh) * | 2021-06-22 | 2021-08-31 | 哈尔滨东安汽车动力股份有限公司 | 基于汽油机标定基础增程器专用优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004048761A1 (en) * | 2002-11-27 | 2004-06-10 | Ricardo Uk Limited | Improved engine management |
CN103711596A (zh) * | 2013-12-31 | 2014-04-09 | 吉林大学 | 一种涡轮增压汽油机进气控制方法 |
CN103994005A (zh) * | 2014-04-13 | 2014-08-20 | 北京理工大学 | 一种电控单体泵柴油机模型的燃油经济性标定方法 |
CN104408271A (zh) * | 2014-12-20 | 2015-03-11 | 吉林大学 | 一种基于模型的汽油机标定方法 |
CN105927370A (zh) * | 2016-05-06 | 2016-09-07 | 吉林大学 | 电辅助涡轮增压系统及其控制方法 |
CN106777553A (zh) * | 2016-11-29 | 2017-05-31 | 凤城市合鑫机械制造有限公司 | 一种基于整车性能的涡轮增压器匹配选型方法 |
US20190271272A1 (en) * | 2018-03-02 | 2019-09-05 | Michael A. Schiltz | Mixed fuel system |
CN112345259A (zh) * | 2020-10-20 | 2021-02-09 | 同济大学 | 一种基于爆震自识别的汽油机虚拟标定方法 |
-
2020
- 2020-10-20 CN CN202011122490.4A patent/CN112329213B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004048761A1 (en) * | 2002-11-27 | 2004-06-10 | Ricardo Uk Limited | Improved engine management |
CN103711596A (zh) * | 2013-12-31 | 2014-04-09 | 吉林大学 | 一种涡轮增压汽油机进气控制方法 |
CN103994005A (zh) * | 2014-04-13 | 2014-08-20 | 北京理工大学 | 一种电控单体泵柴油机模型的燃油经济性标定方法 |
CN104408271A (zh) * | 2014-12-20 | 2015-03-11 | 吉林大学 | 一种基于模型的汽油机标定方法 |
CN105927370A (zh) * | 2016-05-06 | 2016-09-07 | 吉林大学 | 电辅助涡轮增压系统及其控制方法 |
CN106777553A (zh) * | 2016-11-29 | 2017-05-31 | 凤城市合鑫机械制造有限公司 | 一种基于整车性能的涡轮增压器匹配选型方法 |
US20190271272A1 (en) * | 2018-03-02 | 2019-09-05 | Michael A. Schiltz | Mixed fuel system |
CN112345259A (zh) * | 2020-10-20 | 2021-02-09 | 同济大学 | 一种基于爆震自识别的汽油机虚拟标定方法 |
Non-Patent Citations (1)
Title |
---|
薛川: "Atkinson发动机燃油消耗率优化方法对比研究", 《中国优秀硕士学位论文全文数据库 工程科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113323782A (zh) * | 2021-06-22 | 2021-08-31 | 哈尔滨东安汽车动力股份有限公司 | 基于汽油机标定基础增程器专用优化方法 |
CN113323782B (zh) * | 2021-06-22 | 2022-05-31 | 哈尔滨东安汽车动力股份有限公司 | 基于汽油机标定基础增程器专用优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112329213B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112345259A (zh) | 一种基于爆震自识别的汽油机虚拟标定方法 | |
CN108762110B (zh) | 一种满足国ⅳ标准的电控摩托车发动机匹配标定方法 | |
Kocher et al. | Control-oriented modeling of diesel engine gas exchange | |
CN109469567B (zh) | 一种egr阀和节流阀耦合控制方法 | |
Larimore et al. | Experiments and analysis of high cyclic variability at the operational limits of spark-assisted HCCI combustion | |
CN112329213B (zh) | 基于一维模型模式切换和ann的涡轮增压汽油机标定方法 | |
Dong et al. | Control oriented modeling and analysis of gas exchange and combustion processes for LTC diesel engine | |
CN106460711B (zh) | 用于在内燃机的气缸内进行充气检测的方法和装置 | |
Flärdh et al. | Optimal air path control during load transients on a spark ignited engine with variable geometry turbine and variable valve timing | |
Drews et al. | Model-based optimal control for PCCI combustion engines | |
Ghodke et al. | Effect of integrating variable intake runner diameter and variable intake valve timing on an SI engine’s performance | |
Luigi et al. | Development of a virtual calibration methodology for a downsized SI engine by using advanced valve strategies | |
Punov et al. | Study on the combustion process in a modern diesel engine controlled by pre-injection strategy | |
Canova et al. | A mean-value model of a turbocharged HCCI diesel engine with external mixture formation | |
Ke et al. | Neural network based nonlinear model predictive control for two-stage turbocharged diesel engine air-path system | |
Albrecht et al. | Observer design for downsized gasoline engine control using 1D engine simulation | |
de Nola et al. | Definition of a Methodology Promoting the Use of 1D Thermo-Fluid Dynamic Analysis for the Reduction of the Experimental Effort in Engine Base Calibration | |
CN112182779A (zh) | 一种基于模拟退火算法的汽油机在线标定方法 | |
Bapiri et al. | Investigating the effects of variable valve timing on spark ignition engine performance | |
Serrano et al. | Global analysis of the EGR circuit in a HSDI diesel engine in transient operation | |
Ericsson et al. | Optimizing the transient of an SI-engine equipped with variable cam timing and variable turbine | |
Jankovic et al. | Transient effects and torque control of engines with variable cam timing | |
Heuwetter et al. | Experimental investigation of transient response and turbocharger coupling for high and low pressure EGR systems | |
Cameretti et al. | Virtual calibration method for diesel engine by software in the loop techniques | |
Fussey et al. | Model predictive combustion control implementation using parallel computation on an FPGA |
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 |