CN112345259A - 一种基于爆震自识别的汽油机虚拟标定方法 - Google Patents

一种基于爆震自识别的汽油机虚拟标定方法 Download PDF

Info

Publication number
CN112345259A
CN112345259A CN202011121622.1A CN202011121622A CN112345259A CN 112345259 A CN112345259 A CN 112345259A CN 202011121622 A CN202011121622 A CN 202011121622A CN 112345259 A CN112345259 A CN 112345259A
Authority
CN
China
Prior art keywords
gasoline engine
knock
neural network
artificial neural
prediction
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.)
Pending
Application number
CN202011121622.1A
Other languages
English (en)
Inventor
楼狄明
赵瀛华
唐远贽
王童
张允华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202011121622.1A priority Critical patent/CN112345259A/zh
Publication of CN112345259A publication Critical patent/CN112345259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Engines (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明涉及一种基于爆震自识别的汽油机虚拟标定方法，包括：1)分别在不同工况下，对汽油机进行参数采样，获取台架试验数据；2)基于台架试验数据，采用GT‑Power建立汽油机的一维预测模型；3)根据一维预测模型，分别对汽油机进行性能预测和爆震预测，从而建立样本集；4)分别构建用于性能预测的拟合人工神经网络和用于爆震预测的分类人工神经网络，采用样本集进行网络训练；5)利用遗传算法对拟合人工神经网络进行不同工况下的多参数寻优，采用分类神经网络对遗传算法进行边界条件限制，最终求解出非爆震工况下汽油机的最佳性能及对应的参数。与现有技术相比，本发明极大地减少了人力、物力和时间成本，实现了汽油机全工况下的虚拟优化标定。

Description

一种基于爆震自识别的汽油机虚拟标定方法
技术领域
本发明涉及汽油机标定方法领域，尤其是涉及一种基于爆震自识别的汽油机虚拟标定方法。
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汽油机的研究重点。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，且标定过程中汽油机频繁的爆震会对汽油机本体产生伤害。
授权公告号为CN100520339的发明公开了一种电控天然气汽油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。
随着汽油机一维模型的兴起，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，但汽油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。
发明内容
本发明的目的就是为了克服上述现有技术存在汽油机一维模型受台架数据的限制，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爆震自识别的汽油机虚拟标定方法。
本发明的目的可以通过以下技术方案来实现：
本发明提供一种基于爆震自识别的汽油机虚拟标定方法，所述汽油机分别连接有测功机、汽油机控制单元和燃烧分析仪，包括以下步骤：
第一步骤：分别在不同的转速工况和负荷工况下，通过所述测功机、汽油机控制单元和燃烧分析仪，对汽油机的控制参数及性能参数进行采样，获取台架试验数据；
第二步骤：基于所述台架试验数据，采用GT-Power建立汽油机的一维预测模型；
第三步骤：根据所述一维预测模型，分别对汽油机进行性能预测和爆震预测，得到性能预测结果和爆震标签，从而建立样本集；
第四步骤：分别构建拟合人工神经网络和分类人工神经网络，所述拟合人工神经网络用于进行汽油机的性能预测，所述分类人工神经网络用于进行汽油机的爆震预测；采用所述样本集分别对所述拟合人工神经网络和分类人工神经网络进行训练；
第五步骤：利用遗传算法对训练后的所述拟合人工神经网络进行不同工况下的多参数寻优，采用训练后的所述分类神经网络对所述遗传算法进行边界条件限制，最终求解出非爆震工况下汽油机的最佳性能及对应的参数，完成汽油机虚拟标定。
进一步地，所述一维预测模型中的燃烧模型采用SiTurb模型，该SiTurb模型的计算表达式为：
Figure BDA0002732181550000021
Figure BDA0002732181550000022
Figure BDA0002732181550000023
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，采用爆震诱导时间积分进行所述爆震预测；
所述爆震诱导时间积分的计算表达式为：
Figure BDA0002732181550000024
Figure BDA0002732181550000025
式中，Ik为爆震诱导时间积分，tend为燃烧终了时间，p为预反应率乘子，ON为燃油辛烷值数，P为缸内瞬时压力，A为活化能量乘子，Tu为未燃混合气的瞬时温度。
进一步地，所述爆震预测具体为，若所述爆震诱导时间积分大于1，则认为发生爆震；若所述爆震诱导时间积分小于或等于1，则认为未发生爆震。
进一步地，所述爆震标签的获取具体为，若所述爆震预测结果为发生爆震，则所述爆震标签的值为1，若所述爆震预测结果为未发生爆震，则所述爆震标签的值为0。
进一步地，采用所述样本集分别对所述拟合人工神经网络和分类人工神经网络进行训练，具体为，
利用交叉验证法根据所述样本集构建训练集和验证集，采用所述训练集分别对所述拟合人工神经网络和分类人工神经网络进行训练，采用所述验证集分别对所述拟合人工神经网络和分类人工神经网络进行验证，直至所述拟合人工神经网络和分类人工神经网络的验证结果均分别达到预设的验证要求。
进一步地，当采用所述验证集对所述拟合人工神经网络进行验证后，所述拟合人工神经网络的R值达到预设的第一验证R值以上时，所述拟合人工神经网络训练完成。
进一步地，当采用所述验证集对所述分类人工神经网络进行验证后，所述分类人工神经网络的预测错误率达到预设的第一错误率以下时，所述分类人工神经网络训练完成。
进一步地，所述汽油机的性能预测具体为汽油机的油耗预测，所述汽油机的最佳性能及对应的参数具体为汽油机的最佳油耗及对应的参数。
进一步地，所述样本集包括输入参数和输出参数，所述输入参数包括转速、负荷、DVVT参数、点火角和压缩比，所述输出参数包括汽油机油耗和爆震标签。
与现有技术相比，本发明具有以下优点：
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1次采样，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，并通过建立爆震预测模型，在实现汽油机性能预测的同时，自动识别爆震是否发生，避免了汽油机本体的损伤；
分别建立分类ANN(人工神经网络)和拟合ANN，对模型预测的汽油机性能及爆震识别进行工况拓展，结合遗传算法对构建的ANN进行寻优，实现了汽油机全工况下的虚拟优化标定。
附图说明
图1为本发明实施例中汽油机及台架试验示意图；
图2为本发明实施例中汽油机GT-Power一维仿真模型示意图；
图3为本发明实施例中基于模型的性能预测及爆震自识别流程图；
图4为本发明实施例中ANN及遗传算法结合的汽油机全工况虚拟优化标定流程图。
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
本发明提供一种基于爆震自识别的汽油机虚拟标定方法，汽油机分别连接有测功机、汽油机控制单元和燃烧分析仪，包括以下步骤：
第一步骤：分别在不同的转速工况和负荷工况下，通过测功机、汽油机控制单元和燃烧分析仪，对汽油机的控制参数及性能参数进行采样，获取台架试验数据；
第二步骤：基于台架试验数据，采用GT-Power建立汽油机的一维预测模型；
第三步骤：根据一维预测模型，分别对汽油机进行性能预测和爆震预测，得到性能预测结果和爆震标签，从而建立样本集；
第四步骤：分别构建拟合人工神经网络和分类人工神经网络，拟合人工神经网络用于进行汽油机的性能预测，分类人工神经网络用于进行汽油机的爆震预测；采用样本集分别对拟合人工神经网络和分类人工神经网络进行训练；
第五步骤：利用遗传算法对训练后的拟合人工神经网络进行不同工况下的多参数寻优，采用训练后的分类神经网络对遗传算法进行边界条件限制，最终求解出非爆震工况下汽油机的最佳性能及对应的参数，完成汽油机虚拟标定。
作为一种优选的实施方式，一维预测模型中的燃烧模型采用SiTurb模型，该SiTurb模型的计算表达式为：
Figure BDA0002732181550000051
Figure BDA0002732181550000052
Figure BDA0002732181550000053
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，采用爆震诱导时间积分进行爆震预测；
爆震诱导时间积分的计算表达式为：
Figure BDA0002732181550000054
Figure BDA0002732181550000055
式中，Ik为爆震诱导时间积分，tend为燃烧终了时间，p为预反应率乘子，ON为燃油辛烷值数，P为缸内瞬时压力，A为活化能量乘子，Tu为未燃混合气的瞬时温度。
作为一种优选的实施方式，爆震预测具体为，若爆震诱导时间积分大于1，则认为发生爆震；若爆震诱导时间积分小于或等于1，则认为未发生爆震。
作为一种优选的实施方式，爆震标签的获取具体为，若爆震预测结果为发生爆震，则爆震标签的值为1，若爆震预测结果为未发生爆震，则爆震标签的值为0。
作为一种优选的实施方式，采用样本集分别对拟合人工神经网络和分类人工神经网络进行训练，具体为，
利用交叉验证法根据样本集构建训练集和验证集，采用训练集分别对拟合人工神经网络和分类人工神经网络进行训练，采用验证集分别对拟合人工神经网络和分类人工神经网络进行验证，直至拟合人工神经网络和分类人工神经网络的验证结果均分别达到预设的验证要求。
作为一种优选的实施方式，当采用验证集对拟合人工神经网络进行验证后，拟合人工神经网络的R值达到预设的第一验证R值以上时，拟合人工神经网络训练完成；第一验证R值可设置为0.95。
作为一种优选的实施方式，当采用验证集对分类人工神经网络进行验证后，分类人工神经网络的预测错误率达到预设的第一错误率以下时，分类人工神经网络训练完成；第一错误率可设置为0.05。
作为一种优选的实施方式，汽油机的性能预测具体为汽油机的油耗预测，汽油机的最佳性能及对应的参数具体为汽油机的最佳油耗及对应的参数。
作为一种优选的实施方式，样本集包括输入参数和输出参数，输入参数包括转速、负荷、DVVT参数、点火角和压缩比，输出参数包括汽油机油耗和爆震标签。
将上述优选的实施方式进行组合可得到一种最优的实施方式，下面对该最优的实施方式提供的基于爆震自识别的汽油机虚拟标定方法的各步骤进行具体描述：
S1：汽油机介绍及台架试验过程
如图1所示，本实施例提供一种基于爆震自识别的汽油机虚拟标定方法，其包括汽油机、测功机1、汽油机控制单元2、燃烧分析仪3。所述汽油机包括进气管路、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，由于需要对汽油机全工况进行标定，因此试验中的转速工况选择为从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汽油机工作、燃烧稳定后，对汽油机各控制参数及性能参数进行采样。
S2：基于爆震预测的汽油机一维仿真模型建立
图2为汽油机GT-Power一维仿真模型。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：
Figure BDA0002732181550000061
Figure BDA0002732181550000062
Figure BDA0002732181550000063
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。
为实现爆震自识别，采用汽油机的可预测爆震现象学模型预测缸内气体燃烧时的爆震倾向。爆震预测是基于经验诱导时间关联式。诱导时间积分由下式定义：
Figure BDA0002732181550000071
式中，I为诱导时间积分；τk为瞬时诱导时间；t为自末端混合气被压缩开始的总耗时。
爆震诱导时间积分(KITI)被用来判断爆震的发生(当KITI大于1时，可被认为发生爆震)，该值可由下式定义：
Figure BDA0002732181550000072
式中，Ik为爆震诱导时间积分KITI；tend为燃烧终了时间。
爆震诱导时间kτ是爆震模型中的重要参量，本方法采用Douaud与Eyzat拟合的爆震诱导时间计算公式，该公式已得到广泛的验证。该计算式为：
Figure BDA0002732181550000073
式中，p为预反应率乘子；ON为燃油辛烷值数(Octane Number)；P为缸内瞬时压力；A为活化能量乘子(其值大于1.0会增加爆震发生的可能性，小于1.0时会降低爆震发生的可能性)；Tu为未燃混合气的瞬时温度。
如图3所示，对于给定工况，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汽油机性能预测，并保存数据至样本集。对于爆震自适应模块，基于爆震模型，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汽油机爆震预测，当KITI输出值大于1时，输出标签1至结果，表示该工况、该参数组合下汽油机已发生爆震；当KITI输出值小于等于1时，输出标签0至结果，表示该工况、该参数组合下汽油机未发生爆震。当基于模型的性能预测及爆震自识别流程运行结束后，即生成汽油机各工况、各参数组合下汽油机的包含油耗性能及爆震标签的样本集。
S3：ANN及遗传算法结合的汽油机全工况虚拟优化标定
如图4所示，通过一维仿真模型建立了样本集后，采用交叉验证法构建BP人工神经网络预测模型，通过训练集分別对拟合ANN和分类ANN进行训练。其中拟合ANN用于对汽油机性能预测进行工况拓展，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，即可认为拟合ANN性能已经达到优良；分类ANN用于对汽油机爆震自识别进行工况拓展，采用验证集对ANN预测值的错误率进行预测，直至网络应用于验证集的错误率达到0.05以下，即可认为分类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拟合ANN进行各工况下的多参数寻优，分类ANN用于对遗传算法进行边界条件限制，最终求解出非爆震工况下的最佳油耗及对应参数，实现爆震自识别的同时完成汽油机的全工况虚拟优化标定。
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)

1.一种基于爆震自识别的汽油机虚拟标定方法，所述汽油机分别连接有测功机、汽油机控制单元和燃烧分析仪，其特征在于，包括以下步骤：
第一步骤：分别在不同的转速工况和负荷工况下，通过所述测功机、汽油机控制单元和燃烧分析仪，对汽油机的控制参数及性能参数进行采样，获取台架试验数据；
第二步骤：基于所述台架试验数据，采用GT-Power建立汽油机的一维预测模型；
第三步骤：根据所述一维预测模型，分别对汽油机进行性能预测和爆震预测，得到性能预测结果和爆震标签，从而建立样本集；
第四步骤：分别构建拟合人工神经网络和分类人工神经网络，所述拟合人工神经网络用于进行汽油机的性能预测，所述分类人工神经网络用于进行汽油机的爆震预测；采用所述样本集分别对所述拟合人工神经网络和分类人工神经网络进行训练；
第五步骤：利用遗传算法对训练后的所述拟合人工神经网络进行不同工况下的多参数寻优，采用训练后的所述分类神经网络对所述遗传算法进行边界条件限制，最终求解出非爆震工况下汽油机的最佳性能及对应的参数，完成汽油机的虚拟标定。
2.根据权利要求1所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，所述一维预测模型中的燃烧模型采用SiTurb模型，该SiTurb模型的计算表达式为：
Figure FDA0002732181540000011
Figure FDA0002732181540000012
Figure FDA0002732181540000013
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。
3.根据权利要求1所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，采用爆震诱导时间积分进行所述爆震预测；
所述爆震诱导时间积分的计算表达式为：
Figure FDA0002732181540000021
Figure FDA0002732181540000022
式中，Ik为爆震诱导时间积分，tend为燃烧终了时间，p为预反应率乘子，ON为燃油辛烷值数，P为缸内瞬时压力，A为活化能量乘子，Tu为未燃混合气的瞬时温度。
4.根据权利要求3所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，所述爆震预测具体为，若所述爆震诱导时间积分大于1，则认为发生爆震；若所述爆震诱导时间积分小于或等于1，则认为未发生爆震。
5.根据权利要求4所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，所述爆震标签的获取具体为，若所述爆震预测结果为发生爆震，则所述爆震标签的值为1，若所述爆震预测结果为未发生爆震，则所述爆震标签的值为0。
6.根据权利要求1所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，采用所述样本集分别对所述拟合人工神经网络和分类人工神经网络进行训练，具体为，
利用交叉验证法根据所述样本集构建训练集和验证集，采用所述训练集分别对所述拟合人工神经网络和分类人工神经网络进行训练，采用所述验证集分别对所述拟合人工神经网络和分类人工神经网络进行验证，直至所述拟合人工神经网络和分类人工神经网络的验证结果均分别达到预设的验证要求。
7.根据权利要求6所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，当采用所述验证集对所述拟合人工神经网络进行验证后，所述拟合人工神经网络的R值达到预设的第一验证R值以上时，所述拟合人工神经网络训练完成。
8.根据权利要求6所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，当采用所述验证集对所述分类人工神经网络进行验证后，所述分类人工神经网络的预测错误率达到预设的第一错误率以下时，所述分类人工神经网络训练完成。
9.根据权利要求1所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，所述汽油机的性能预测具体为汽油机的油耗预测，所述汽油机的最佳性能及对应的参数具体为汽油机的最佳油耗及对应的参数。
10.根据权利要求9所述的一种基于爆震自识别的汽油机虚拟标定方法，其特征在于，所述样本集包括输入参数和输出参数，所述输入参数包括转速、负荷、DVVT参数、点火角和压缩比，所述输出参数包括汽油机油耗和爆震标签。
CN202011121622.1A 2020-10-20 2020-10-20 一种基于爆震自识别的汽油机虚拟标定方法 Pending CN112345259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011121622.1A CN112345259A (zh) 2020-10-20 2020-10-20 一种基于爆震自识别的汽油机虚拟标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011121622.1A CN112345259A (zh) 2020-10-20 2020-10-20 一种基于爆震自识别的汽油机虚拟标定方法

Publications (1)

Publication Number Publication Date
CN112345259A true CN112345259A (zh) 2021-02-09

Family

ID=74362303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011121622.1A Pending CN112345259A (zh) 2020-10-20 2020-10-20 一种基于爆震自识别的汽油机虚拟标定方法

Country Status (1)

Country Link
CN (1) CN112345259A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329213A (zh) * 2020-10-20 2021-02-05 同济大学 基于一维模型模式切换和ann的涡轮增压汽油机标定方法
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
CN114608830A (zh) * 2022-02-10 2022-06-10 南京航空航天大学 一种基于Doe的二冲程点燃式航空煤油发动机爆震抑制方法
CN114942142A (zh) * 2022-04-29 2022-08-26 哈尔滨东安汽车动力股份有限公司 一种发动机爆震标定验收方法
CN115220364A (zh) * 2021-04-26 2022-10-21 广州汽车集团股份有限公司 双增压系统的性能匹配选型方法、系统、设备及存储介质
CN116305969A (zh) * 2023-03-23 2023-06-23 广州汽车集团股份有限公司 发动机的燃烧参数获取方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108386273A (zh) * 2018-02-09 2018-08-10 安徽江淮汽车集团股份有限公司 一种汽油机爆震发生时刻的预测方法及装置
CN108762110A (zh) * 2018-05-31 2018-11-06 武汉理工大学 一种满足国ⅳ标准的电控摩托车发动机匹配标定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108386273A (zh) * 2018-02-09 2018-08-10 安徽江淮汽车集团股份有限公司 一种汽油机爆震发生时刻的预测方法及装置
CN108762110A (zh) * 2018-05-31 2018-11-06 武汉理工大学 一种满足国ⅳ标准的电控摩托车发动机匹配标定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINXING ZHAO ET AL.: "Optimization and matching for range-extenders of electric vehicles with artificial neural network and genetic algorithm", 《ENERGY CONVERSION AND MANAGEMENT》 *
杨靖 等: "基于Atkinson循环发动机的燃油消耗率优化方法对比研究", 《湖南大学学报（自然科学版）》 *
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Ⅱ辑》 *
陈进: "《人-机交互仿真的生产单元换线决策专家系统设计与应用》", 31 October 2018, 西南交通大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329213A (zh) * 2020-10-20 2021-02-05 同济大学 基于一维模型模式切换和ann的涡轮增压汽油机标定方法
CN112329213B (zh) * 2020-10-20 2022-06-14 同济大学 基于一维模型模式切换和ann的涡轮增压汽油机标定方法
CN115220364A (zh) * 2021-04-26 2022-10-21 广州汽车集团股份有限公司 双增压系统的性能匹配选型方法、系统、设备及存储介质
CN115220364B (zh) * 2021-04-26 2024-01-30 广州汽车集团股份有限公司 双增压系统的性能匹配选型方法、系统、设备及存储介质
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
CN114608830A (zh) * 2022-02-10 2022-06-10 南京航空航天大学 一种基于Doe的二冲程点燃式航空煤油发动机爆震抑制方法
CN114942142A (zh) * 2022-04-29 2022-08-26 哈尔滨东安汽车动力股份有限公司 一种发动机爆震标定验收方法
CN116305969A (zh) * 2023-03-23 2023-06-23 广州汽车集团股份有限公司 发动机的燃烧参数获取方法、装置、存储介质及电子设备

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
Teodosio et al. Fuel economy improvement and knock tendency reduction of a downsized turbocharged engine at full load operations through a low-pressure EGR system
Bahri et al. Real-time modeling of ringing in HCCI engines using artificial neural networks
CN106066606B (zh) 基于l-m神经网络的氢内燃机点火正时标定优化系统及其优化方法
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
Bahri et al. Identification of ringing operation for low temperature combustion engines
Lefebvre et al. Modelling and measurement of the transient response of a turbocharged SI engine
CN104344959B (zh) 单缸机模拟整机的试验方法及装置
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
Xia et al. Constrained optimization of fuel efficiency for RCCI engines
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
Cao et al. Co-optimization of miller degree and geometric compression ratio of a large-bore natural gas generator engine with novel Knock models and machine learning
Xiao et al. Virtual combustion phasing target correction in the knock region for model-based control of multi-fuel SI engines
Liu et al. Investigation of Heat Transfer Characteristics of Heavy-Duty Spark Ignition Natural Gas Engines Using Machine Learning
Amiel et al. Effect of Flight Altitude on the Knock Tendency of SI Reciprocating Turbocharged Engines
Kusztelan et al. Increases in low speed response of an IC engine using a twin-entry turbocharger
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
Soid et al. Simulation studies on the performance of small engine fuelled by methane and the effect of various valve timings
CN110145403B (zh) 一种降低氢发动机发生早燃的方法及装置
Khoa et al. A Study to Investigate the Effect of Valve Mechanisms on Exhaust Residual Gas and Effective Release Energy of a Motorcycle Engine. Energies 2021, 14, 5564
Yang et al. Nonlinear dynamics of cycle-to-cycle variations in a lean-burn natural gas engine with a non-uniform pre-mixture
Gupta et al. A CFD study on the effect of compression ratio on combustion characteristics and emissions in a spark-ignition engine
Park et al. Improvement of knock onset determination based on supervised deep learning using data filtering
Yin et al. Research of Exhaust Gas Recirculation on Commercial Turbocharged Gasoline Direct Injection Engine With Intense Tumble Flow

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209

RJ01 Rejection of invention patent application after publication