CN113806991A - 一种发动机燃烧噪声优化预测方法、装置及存储介质 - Google Patents

一种发动机燃烧噪声优化预测方法、装置及存储介质 Download PDF

Info

Publication number
CN113806991A
CN113806991A CN202111357862.6A CN202111357862A CN113806991A CN 113806991 A CN113806991 A CN 113806991A CN 202111357862 A CN202111357862 A CN 202111357862A CN 113806991 A CN113806991 A CN 113806991A
Authority
CN
China
Prior art keywords
combustion
noise
model
combustion noise
engine 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.)
Granted
Application number
CN202111357862.6A
Other languages
English (en)
Other versions
CN113806991B (zh
Inventor
于洋洋
季宁
张俊红
么大锁
王俊
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.)
Tianjin Renai College
Original Assignee
Tianjin Renai College
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 Tianjin Renai College filed Critical Tianjin Renai College
Priority to CN202111357862.6A priority Critical patent/CN113806991B/zh
Publication of CN113806991A publication Critical patent/CN113806991A/zh
Application granted granted Critical
Publication of CN113806991B publication Critical patent/CN113806991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本申请涉及一种发动机燃烧噪声优化预测方法、装置及存储介质，方法包括通过构建发动机燃烧的有限元模型进行燃烧过程仿真，得到原始样本空间；在原始样本空间内进行拉丁超立方抽样试验并通过样本生成和相关性控制得到初始样本点数据，根据模糊层次分析法进行权重计算得到目标样本点数据；根据目标样本点数据和序列迭代响应面法生成噪声预测近似模型，确定该近似模型的复相关系数的值不小于预设系数值，则拟合燃烧参数和燃烧噪声的响应关系，确定最优燃烧参数组合并根据最优燃烧参数组合预测最优燃烧噪声。该方法通过合理采样并分配权重，只需少量样本即可实现效率较高的预测燃烧噪声，并为合理寻优提供参考。

Description

一种发动机燃烧噪声优化预测方法、装置及存储介质
技术领域
本申请涉及发动机燃烧噪声预测技术领域，尤其涉及一种发动机燃烧噪声优化预测方法、装置及存储介质。
背景技术
目前，国家和行业法规对车辆噪声的要求越来越严格，消费者对车辆噪声水平和品质的要求也在不断提升。燃烧噪声作为车辆发动机主要噪声源之一，发动机的噪声性能和动力性、经济性、可靠性一样成为其主要性能指标。燃烧噪声是由于内燃机在工作过程中缸内混合气燃烧时，缸内气体压力急剧上升而产生气体压力动载荷和高频振荡，直接激励内燃机结构振动并传递到表面辐射出的噪声。燃烧噪声与内燃机燃烧过程有着密切的关系，越剧烈的燃烧过程越容易引起燃烧噪声。燃烧噪声在内燃机总噪声中占有非常高的比重，是发动机辐射噪声的主要来源，因此，进行发动机燃烧噪声的降噪需要掌握其噪声特性，从而针对主要燃烧噪声因素进行控制，达到降低发动机噪声，提高发动机NVH性能，乃至降低整车的振动噪声都具有非常重要的意义。
然而，在研究燃烧噪声过程中，噪声的测试对试验环境的要求比较高，必须要在符合要求的半消声室内进行。而且试验耗时长，找到最优且合理的参数配置需要大量的试验，同时具有较大的不确定性，得到准确的结果较为困难。而且发动机的燃烧过程优化往往在制造出样机后通过电控数据的标定来完成，费用昂贵且耗时长。随着计算科学的发展，内燃机燃烧过程仿真技术越来越成熟，但是较为精确的燃烧模型的计算时长是非常的庞大的，对燃烧噪声的计算耗时耗力，且对计算机的性能要求是十分苛刻的。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种发动机燃烧噪声优化预测方法、装置及存储介质，所需样本数据少，计算时长小，响应速度快，噪声预测效率较高，降低对计算机的性能要求。
第一方面，本申请提供了一种发动机燃烧噪声优化预测方法，包括以下步骤：
步骤S1，构建发动机燃烧的有限元模型，并利用所述有限元模型进行发动机燃烧的仿真计算，根据仿真计算结果建立燃烧参数与燃烧噪声的响应关系，得到原始样本空间；所述燃烧参数包括主喷提前角、预喷间隔和预喷油量；
步骤S2，在所述原始样本空间内进行拉丁超立方抽样试验，并通过样本生成和相关性控制得到初始样本点数据；
步骤S3，根据模糊层次分析法对所述初始样本点数据中的燃烧参数进行权重计算，得到目标样本点数据；
步骤S4，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，确定所述噪声预测近似模型的复相关系数的值不小于预设系数值，则利用所述噪声预测近似模型来拟合燃烧参数和燃烧噪声的响应关系，对燃烧参数进行优化，确定最优燃烧参数组合并根据所述最优燃烧参数组合预测最优燃烧噪声。
在此方案中，发动机的可控参数主喷提前角、预喷间隔和预喷油量为燃烧噪声的主要影响因素，将它们作为有限元模型的输入，燃烧噪声为有限元模型的输出。该有限元模型能够对内燃机的燃烧过程进行仿真计算，无需在符合要求的半消声室内进行，简单方便容易实现。
在此方案中，通过有限元模型进行发动机燃烧的仿真分析，建立燃烧参数和燃烧噪声的对应关系，若干组燃烧参数和其对应的燃烧噪声共同组成样本空间，在该样本空间内通过进行拉丁超立方抽样试验，并通过样本生成和相关性控制得到初始样本点数据。在此方案中，步骤S2利用改进的拉丁超立方试验设计（拉丁超立方抽样试验结合样本生成和相关性控制）为燃烧噪声预测模型合理地获取初始样本点，建立反映变量与目标之间的关系，一方面能够利用较少的燃烧噪声样本数量，高效的预测噪声，为目标优化过程的效率提供参考，通过该改进的拉丁超立方试验设计，试验安排科学合理，以部分试验替代全面试验，减少了试验次数，提高了分析效率，并且，该改进的拉丁超立方试验设计即能保证每个试验因素的每个水平被研究且仅被研究一次，在此基础上，还能使因子和响应的拟合更加精确、真实，使所有的试验点尽量均匀地分布在设计空间。通过此步骤得到的初始样本点数据能更好更全面更准确的为噪声预测近似模型的建立提供样本支撑。
在此方案中，通过步骤S3，对影响噪声的因素（主喷提前角、预喷间隔和预喷油量）进行合理的权重计算，为噪声预测近似模型的构建增加了速度，解决了有限元模型计算速度慢，存储空间大的缺点。步骤S2能够结合步骤S3，试验点（即目标样本点数据）选取的更加全面，分布更加均匀，再加上对不同燃烧参数（主喷提前角、预喷间隔和预喷油量具有交互作用，相互制约）取不同的权重，有利于发动机燃烧噪声的精准、快速预测。
优选的，步骤S2中的样本生成具体包括：对每个输入随机变量进行采样，确保随机变量分布区域能够被采样点完全覆盖。
优选的，对每个输入随机变量进行采样，确保随机变量分布区域能够被采样点完全覆盖，具体包括：
采样规模为 N，随机变量的数目为 M，分别为X1，X2，…，XM，随机变量 Xk的累计概率分布函数为：
Yk= Fk( Xk)，k = 1,2,…,M
将累计概率分布函数的取值分成N个互不重叠的等间隔子区间［n/N,( n + 1)/N］，n = 0，1，…，( N-1)，每一个子区间的长度为1/N，在每个子区间里选择一个Tn，Tn = ( n+ 1-ξ) /N，其中，ξ∈［0，1］，当ξ= 0.5 时采用点阵采样，当ξ取区间边界时采用重要采样方法；
得到Tn后，利用反变换得到采样值
Figure 640013DEST_PATH_IMAGE001
，其中，
Figure 26126DEST_PATH_IMAGE002
是Fk (·)的反变换。
优选的，步骤S2中的相关性控制具体包括：通过改变各随机变量抽样值的排列顺序，使具有一定相关性的随机变量的样本值具有相同的相关性。
在此方案中，给定每个输入随机变量X i 的概率分布F i 和它们之间的相关系数矩阵C X ，按每个F i 生成的样本之间的相关系数矩阵应为C X ；根据输入随机变量的均值、方差和概率分布类型对C X 进行修正，得到新的相关系数矩阵C Z ；对n个相互独立的标准正态随机分布的随机变量进行N次抽样，得到样本矩阵W n×N ；Cholesky分解得到矩阵C Z =BB T；令Z=BW n×N ，进一步得到Z的顺序矩阵Ls；对每个输入随机变量X i 进行拉丁超立方(LHS)采样：
Figure 447880DEST_PATH_IMAGE003
，j=1,2,⋅⋅⋅N。最终形成初始的样本矩阵
Figure 572831DEST_PATH_IMAGE004
，μij∈(0,1)是均匀分布随机数；根据顺序矩阵Ls对
Figure 197978DEST_PATH_IMAGE004
的每一行元素进行重新排列，得到最终的样本矩阵S = [S 1 S 2⋅⋅⋅S N]，S i = [s i1 s i2 ⋅⋅⋅s in ]T；由最终的样本矩阵S及输出随机变量和输入随机变量之间的函数关系不断迭代，最终可求得输出随机变量的数字特征及概率分布。
优选的，步骤S3具体包括：
根据燃烧参数构建模糊判断矩阵；
通过隶属函数将所述模糊判断矩阵转化为模糊一致性矩阵，并计算互反型矩阵；
基于最小二乘法计算燃烧参数的初始权重；
利用所述互反型矩阵生成迭代公式，并将所述初始权重作为初始迭代值进行迭代计算得到燃烧参数的最终权重。
优选的，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，具体包括：初始迭代以随机变量的均值点为中心点构造配点，拟合三次响应面，计算响应面的设计验算点，然后根据均值点和设计验算点通过线性插值的方法获得新展开中心，根据新展开中心构造配点拟合新的响应面，重复上述迭代过程，将展开中心向极限值状态方程的设计验算点逼近，直至前后两个相邻迭代得到的可靠指标满足收敛条件。
在此方案中，采用序列迭代响应面模型来拟合试验因素（主喷提前角、预喷间隔和预喷油量）和优化目标（燃烧噪声值）之间复杂的时变非线性关系，建立试验因素和目标的数学关系。采用序列迭代响应面（RSM）模型的方法，综合上述设计方法达到高效预测燃烧噪声。
优选的，构建发动机燃烧的有限元模型具体包括：基于CFD方法，考虑基本控制方程
Figure 699367DEST_PATH_IMAGE005
，式中，
Figure 975627DEST_PATH_IMAGE006
代表通用的因变量，div代表流体的散度，
Figure 225474DEST_PATH_IMAGE007
为广义扩散系数，s为广义源项，
Figure 649502DEST_PATH_IMAGE008
为缸内混合气的密度，t为时间，
Figure 626685DEST_PATH_IMAGE009
为流体的速度矢量，采用湍流四方程k-ζ-f模型、离散液滴喷雾模型、ECMF-3Z湍流燃烧模型和Shell着火模型，构建发动机燃烧的有限元模型。
优选的，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型后还包括：确定所述噪声预测近似模型的复相关系数小于预设系数，则返回步骤S2重新得到初始样本点，继续执行步骤S3增加目标样本点，以重新生成噪声预测近似模型。
在此方案中，通过复相关系数R 2 值评价噪声预测近似模型的有效性，R 2 ∈[0，1]，其取值越接近于1，表示模型拟合精度越高。
近似模型求得后，随机选择一定数量的试验样本点验证该响应面模型的精度。基于改进拉丁超立方抽样生成10组试验样本验证上述模型的精度，样本点及计算验证结果见图3。复相关系数 R 2 =0.98。
第二方面，本申请还提供了一种发动机燃烧噪声预测装置，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面中任一技术方案所述的发动机燃烧噪声优化预测方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如第一方面中任一技术方案所述的发动机燃烧噪声优化预测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：该方法通过有限元模型进行发动机燃烧过程的仿真计算，建立燃烧参数与目标燃烧参数之间的映射关系，并利用改进的拉丁超立方试验设计为燃烧噪声预测模型获取目标样本点，目标样本点分布均匀，设计合理，且通过改进模糊层次分析法合理寻求分配权重，利用较少的样本数量就能准确高效的进行发动机预测随机且高度非线性的燃烧噪声的预测和寻优，降低模型对计算机的性能要求，节省了大量的试验和测试工作，在研发初期就可以对发动机噪声水平进行优化，针对燃烧噪声的主要影响因素进行控制，以便于后续经过较快的调整喷油量、间隔角、喷油正时等关键电控参数的方式改变发动机燃烧状态，有利于降低发动机噪声，提高发动机NVH性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种发动机燃烧噪声优化预测方法的结构示意图；
图2为发动机燃烧噪声优化预测方法的工作原理示意图；
图3为利用试验样本点验证该噪声预测近似模型的精度的验证结果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，下面对本申请实施例提供的一种发动机燃烧噪声优化预测方法进行详细介绍，参见图1，一种发动机燃烧噪声优化预测方法，包括以下步骤：
步骤S1，构建发动机燃烧的有限元模型，并利用所述有限元模型进行发动机燃烧的仿真计算，根据仿真计算结果建立燃烧参数与燃烧噪声的响应关系，得到原始样本空间；所述燃烧参数包括主喷提前角、预喷间隔和预喷油量；
步骤S2，在所述原始样本空间内进行拉丁超立方抽样试验，并通过样本生成和相关性控制得到初始样本点数据；
步骤S3，根据模糊层次分析法对所述初始样本点数据中的燃烧参数进行权重计算，得到目标样本点数据；
步骤S4，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，确定所述噪声预测近似模型的复相关系数的值不小于预设系数值，则利用所述噪声预测近似模型来拟合燃烧参数和燃烧噪声的响应关系，对燃烧参数进行优化，确定最优燃烧参数组合并根据所述最优燃烧参数组合预测最优燃烧噪声。
在本申请的一些具体实施例中，发动机可控参数：主喷提前角、预喷间隔和预喷油量为燃烧噪声的主要影响因素，将它们作为有限元模型（即图2中所示的燃烧噪声模型）的输入，燃烧噪声为有限元模型的输出。该有限元模型能够对内燃机的燃烧过程进行仿真计算，无需在符合要求的半消声室内进行，简单方便容易实现。
在本申请的一些具体实施例中，基于CFD方法，考虑基本控制方程
Figure 773764DEST_PATH_IMAGE010
，式中，
Figure 240517DEST_PATH_IMAGE006
代表通用的因变量，div代表流体的散度，
Figure 355104DEST_PATH_IMAGE007
为广义扩散系数，s为广义源项，
Figure 621131DEST_PATH_IMAGE008
为缸内混合气的密度，t为时间，
Figure 137563DEST_PATH_IMAGE009
为流体的速度矢量，采用湍流四方程k-ζ-f模型、离散液滴喷雾模型、ECMF-3Z湍流燃烧模型和Shell着火模型，构建发动机燃烧的有限元模型。
该基本控制方程反映了单位时间单位体积内物理量的守恒性质，将通量
Figure 775218DEST_PATH_IMAGE006
替换成不同的因变量就能够写成表征发动机燃烧过程的基本控制方程，因变量可以是流速、比内能，也可以是温度。这里基本控制方程可以包括质量守恒方程（连续性方程）、组分质量守恒方程、动量守恒方程和能量守恒方程。
在本申请的一些具体实施例中，通过步骤S1，构建有限元模型进行发动机燃烧的仿真分析，建立燃烧参数和燃烧噪声的对应关系，每一组燃烧参数和其对应的燃烧噪声共同组成一个原始样本数据。在本申请的一些具体实施例中，还可以将每一组燃烧参数作为一个原始样本数据，多组燃烧参数构成样本空间，在该样本空间内通过进行拉丁超立方抽样试验，并通过样本生成和相关性控制得到样本集（样本集中的每一条样本为一组燃烧参数）后，再利用预先建立的上述有限元模型对该样本集的每一条样本进行仿真计算并输出对应的燃烧噪声，进一步减少有限元模型的计算量，提高优化预测效率。
在本申请的一些具体实施例中，通过步骤S2，采用改进拉丁超立方抽样试验设计，进行燃烧参数主喷提前角（主喷提前角的取值范围为（[-15°，15°]）、预喷间隔（预喷间隔的取值范围为[0μs,4500μs]）和预喷油量[0.5mg，5mg]的合理配置，通过样本生成和相关性控制达到较优的采样。
在本申请的一些具体实施例中，通过步骤S3，对影响噪声的因素（主喷提前角、预喷间隔和预喷油量）进行合理的权重计算，为噪声预测近似模型的构建增加了响应速度，解决了有限元模型计算速度慢，存储空间大的缺点。
在本申请的一些具体实施例中，通过步骤S4，采用序列迭代响应面法建立仿真预测模型模型（即噪声预测近似模型）来拟合试验因素（主喷提前角、预喷间隔和预喷油量）和优化目标（噪声值）之间复杂的时变非线性关系，建立试验因素和目标的数学关系，无需反复重构响应面，进一步提高模型的计算效率，高效精确的预测发动机的燃烧噪声，同时也为合理的寻优提供参考。
噪声预测近似模型建立后，需要验证其精度（即图2中的预测模型验证），精度满足要求后，进行发动机燃烧过程的优化控制。精度不满足要求，则返回重新执行改进拉丁超立方抽样试验设计等步骤，以增加目标样本点数量重新生成预测模型，直至满足预测要求。利用验证后的近似模型，可以以燃烧噪声值最小为优化目标，以燃烧参数值满足设计要求为约束条件，预测最优主喷提前角、预测最优预喷间隔以及预测最优预喷油量，得到最优参数组合，继而预测最优燃烧噪声。
本申请实施例提供的发动机燃烧噪声优化预测方法，通过有限元模型进行发动机燃烧过程的仿真计算，建立燃烧参数与目标燃烧参数之间的映射关系，并利用改进的拉丁超立方试验设计为燃烧噪声预测模型获取目标样本点，目标样本点分布均匀，设计合理，且通过改进模糊层次分析法合理寻求分配权重，利用较少的样本数量就能准确高效的进行发动机预测随机且高度非线性的燃烧噪声的预测和寻优。
通过本申请实施例提供的预测方法，在研究燃烧噪声过程中，不要求试验环境，无需实际试验避免实际试验带来的较大的不确定性，直接利用有限元模型进行仿真计算，得到结果较为准确，数据获取较为方便和容易，成本较低。通过控制影响燃烧噪声的因素，高效的解决了噪声预测的问题。为优化噪声水平提出准确且高效的解决方法，降低对计算机的性能要求，加快对燃烧噪声的计算，综合考虑引起发动机燃烧噪声的多个因素之间的关系，利用有限元模型，结合改进拉丁超立方抽样实验设计方法、改进模糊层次分析和序列迭代响应面法形成高效的预测模型，解决了采样较少的情况下，合理寻求分配权重，效率较高的预测随机且高度非线性的燃烧噪声，同时也为合理的寻优提供参考，以便于通过较快的调整喷油量、间隔角、喷油正时等关键电控参数的方式改变发动机燃烧状态，从而优化发动机噪声水平，在兼顾经济性和动力性的前提下改善发动机的舒适性，有利于发动机的发展。
在本申请的一些具体实施例中，步骤S2中的样本生成具体包括：对每个输入随机变量进行采样，确保随机变量分布区域能够被采样点完全覆盖，具体步骤包括：
采样规模为 N，随机变量的数目为 M，分别为X1，X2，…，XM，随机变量 Xk的累计概率分布函数为：
Yk= Fk( Xk)，k = 1,2,…,M
将累计概率分布函数的取值范围分成N个互不重叠的等间隔子区间［n/N,( n +1)/N］，n = 0，1，…，( N-1)，每一个子区间的长度为1/N，在每个子区间里选择一个Tn，Tn =( n + 1-ξ) /N，其中，ξ∈［0，1］，当ξ= 0.5 时采用点阵采样，当ξ取区间边界时采用重要采样方法；
得到Tn后，利用反变换得到采样值
Figure 862254DEST_PATH_IMAGE011
，其中，
Figure 243557DEST_PATH_IMAGE002
是Fk (·)的反变换。
在本申请的一些具体实施例中，步骤S2中的相关性控制具体包括：通过改变各随机变量抽样值的排列顺序，使具有一定相关性的随机变量的样本值具有相同的相关性，具体包括以下步骤：
给定每个输入随机变量X i 的概率分布F i 和它们之间的相关系数矩阵C X ，按每个F i 生成的样本之间的相关系数矩阵应为C X ；根据输入随机变量的均值、方差和概率分布类型对C X 进行修正，得到新的相关系数矩阵C Z ；对n个相互独立的标准正态随机分布的随机变量进行N次抽样，得到样本矩阵W n×N ；Cholesky分解得到矩阵C Z =BB T；令Z=BW n×N ，进一步得到Z的顺序矩阵Ls；对每个输入随机变量X i 进行拉丁超立方(Latin hypercube sampling，LHS)采样：
Figure 614495DEST_PATH_IMAGE003
，j=1,2,⋅⋅⋅N。最终形成初始的样本矩阵
Figure 111467DEST_PATH_IMAGE004
，μ ij ∈(0,1)是均匀分布随机数；根据顺序矩阵Ls对
Figure 731804DEST_PATH_IMAGE004
的每一行元素进行重新排列，得到最终的样本矩阵S = [S 1 S 2⋅⋅⋅S N]，S i = [s i1 s i2 ⋅⋅⋅s in ]T；由样本矩阵S及输出随机变量和输入随机变量之间的函数关系不断迭代，最终可求得输出随机变量的数字特征及概率分布。
在本申请的一些具体实施例中，步骤S3具体包括：
根据燃烧参数构建模糊判断矩阵；
通过隶属函数将所述模糊判断矩阵转化为模糊一致性矩阵，并计算互反型矩阵；
基于最小二乘法计算燃烧参数的初始权重；
利用所述互反型矩阵生成迭代公式，并将所述初始权重作为初始迭代值进行迭代计算得到燃烧参数的最终权重。
根据燃烧噪声影响因素层，基于模糊层次分析法计算权重，具体计算过程如下：
a) 根据影响噪声的因素构建模糊判断矩阵A=[a ij ] n×n ，用0.1-0.9表示矩阵中元素的重要程度，0.5代表同等重要；
b) 基于隶属函数
Figure 120060DEST_PATH_IMAGE012
，将模糊判断矩阵A=[a ij ] n×n 转化为模糊一致性矩阵R=[r ij ]n×n，随后计算互反型矩阵P；
c) 基于最小二乘法计算的初始权重
Figure 830658DEST_PATH_IMAGE013
，
Figure 13378DEST_PATH_IMAGE014
,
Figure 386590DEST_PATH_IMAGE015
；
d)计算最终权重值Vk+1：
第一步: ω0作为权重的初始迭代值V0 ；
第二步: 利用迭代公式Vk+1=PVk+1，求||Vk+1||∞；
第三步：如果||Vk+1||-||Vk||≤ζ，则最终权重值为：
Figure 798111DEST_PATH_IMAGE016
。
在本申请的一些具体实施例中，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，具体包括：序列三阶迭代响应面的初始迭代以随机变量的均值点为中心点构造配点，拟合三次响应面，计算响应面的设计验算点，然后根据均值点和设计验算点通过线性插值的方法获得新展开中心，根据新展开中心构造配点拟合新的响应面，重复上述迭代过程，将展开中心向极限值状态方程的设计验算点逼近，直至前后两个相邻迭代得到的可靠指标满足收敛条件，计算步骤如下：
(1) 首先以随机变量x i 的均值μ xi 为响应面的中心x(1)，利用μ xi 和
Figure 674800DEST_PATH_IMAGE017
形成大于等于2n +1个配点，其中参数偏差
Figure 28421DEST_PATH_IMAGE018
可以根据数值实验确定；
(2)然后根据给定的配点求解响应面的待定系数，确定三次响应面的显化展开式，据此开展可靠度迭代计算，确定可靠度指标β(1)和相应的设计验算点 x*(1)：
(3)以设计验算点和中心配点为基础通过线性插值获得下一轮迭代的中心配点x(2)：
Figure 374083DEST_PATH_IMAGE019
，当
Figure 104142DEST_PATH_IMAGE020
；
Figure 38600DEST_PATH_IMAGE021
，当
Figure 313854DEST_PATH_IMAGE022
；
其中
Figure 599342DEST_PATH_IMAGE023
为响应面表达式。
(4)根据新的中心配点x (2) ，利用第i个中心配点
Figure 664250DEST_PATH_IMAGE024
和
Figure 469526DEST_PATH_IMAGE025
形成新的2n +1个配点，据此建立新的三次响应面展开式，在此基础上重新确定可靠指标β(2)和设计验算点x*(2)。重复以上迭代过程，直至前后两个相邻迭代步得到的可靠指标满足收敛条件：|β(k)-β(k-1)|≤ε，其中ε为收敛容差建议取值为10-4～10-2。
拟合的优化目标和试验因素之间复杂的非线性响应关系，三阶响应面模型为：
Figure DEST_PATH_IMAGE026
响应面模型的有效性是通过复相关系数R 2 的值评价的，R 2 ∈[0，1]，其取值越接近于1，表示响应面模型拟合精度越高，通常要求R 2 >0.9。R 2 值的大小反映试验数据与响应面模型的相近程度，其计算公式为：
Figure 696108DEST_PATH_IMAGE027
式中：n为试验点的数量；y i 为优化目标的模拟值；u i 为响应面模型的预测值；l i 为优化目标模拟值的均值。
在本申请的一些具体实施例中，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型后还包括：确定所述噪声预测近似模型的复相关系数小于预设系数，则返回步骤S2重新得到初始样本点，继续执行步骤S3增加目标样本点，以重新生成噪声预测近似模型。
求得近似模型后，随机选择一定数量的试验样本点（可以是目标样本点数据或者初始样本点数据）验证该响应面模型的精度。作为一个示例，可以采用基于改进拉丁超立方抽样方法生成的10组目标样本店数据验证上述模型的精度，计算得到复相关系数R 2 =0.98，样本点及计算预测结果见图3。
在本申请的又一些具体实施例中，还提供了一种发动机燃烧噪声预测装置，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如上述任一实施例所述的发动机燃烧噪声优化预测方法。
在本申请的又一些具体实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如上述任一实施例所述的发动机燃烧噪声优化预测方法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种发动机燃烧噪声优化预测方法，其特征在于，包括以下步骤：
步骤S1，构建有限元模型进行发动机燃烧的仿真计算，根据仿真计算结果建立燃烧参数与燃烧噪声的响应关系，得到原始样本空间；所述燃烧参数包括主喷提前角、预喷间隔和预喷油量；
步骤S2，在所述原始样本空间内进行拉丁超立方抽样试验，并通过样本生成和相关性控制得到初始样本点数据；
步骤S3，根据模糊层次分析法计算所述初始样本点数据中的燃烧参数的权重，得到目标样本点数据；
步骤S4，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，确定所述噪声预测近似模型的复相关系数的值不小于预设系数值，则利用所述噪声预测近似模型来拟合燃烧参数和燃烧噪声的响应关系，对燃烧参数进行优化，确定最优燃烧参数组合并根据所述最优燃烧参数组合预测最优燃烧噪声。
2.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，步骤S2中的样本生成具体包括：对每个输入随机变量进行采样，确保随机变量分布区域能够被采样点完全覆盖。
3.根据权利要求2所述的发动机燃烧噪声优化预测方法，其特征在于，对每个输入随机变量进行采样，确保随机变量分布区域能够被采样点完全覆盖，具体包括：
采样规模为 N，随机变量的数目为 M，分别为X1，X2，…，XM，随机变量 Xk的累计概率分布函数为：
Yk= Fk( Xk)，k = 1,2,…,M
将累计概率分布函数的取值分成N个互不重叠的等间隔子区间［n/N,( n + 1)/N］，n =0，1，…，( N-1)，每一个子区间的长度为1/N，在每个子区间里选择一个Tn，Tn = ( n + 1-ξ)/N，其中，ξ∈［0，1］，当ξ= 0.5 时采用点阵采样，当ξ取区间边界时采用重要采样方法；
得到Tn后，利用反变换得到采样值
Figure 858552DEST_PATH_IMAGE001
，其中，
Figure 126854DEST_PATH_IMAGE002
是Fk (·)的反变换。
4.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，步骤S2中的相关性控制具体包括：通过改变各随机变量抽样值的排列顺序，使具有一定相关性的随机变量的样本值具有相同的相关性。
5.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，步骤S3，具体包括：
根据燃烧参数构建模糊判断矩阵；
通过隶属函数将所述模糊判断矩阵转化为模糊一致性矩阵，并计算互反型矩阵；
基于最小二乘法计算燃烧参数的初始权重；
利用所述互反型矩阵生成迭代公式，并将所述初始权重作为初始迭代值进行迭代计算得到燃烧参数的最终权重。
6.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型，具体包括：初始迭代以随机变量的均值点为中心点构造配点，拟合三次响应面，计算响应面的设计验算点，然后根据均值点和设计验算点通过线性插值的方法获得新展开中心，根据新展开中心构造配点拟合新的响应面，重复上述迭代过程，将展开中心向极限值状态方程的设计验算点逼近，直至前后两个相邻迭代得到的可靠指标满足收敛条件。
7.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，构建发动机燃烧的有限元模型具体包括：基于CFD方法，考虑基本控制方程
Figure 88994DEST_PATH_IMAGE003
，式中，
Figure 671416DEST_PATH_IMAGE004
代表通用的因变量，div代表流体的散度，
Figure 300980DEST_PATH_IMAGE005
为广义扩散系数，s为广义源项，
Figure DEST_PATH_IMAGE006
为缸内混合气的密度，t为时间，
Figure 209025DEST_PATH_IMAGE007
为流体的速度矢量，采用湍流四方程k-ζ-f模型、离散液滴喷雾模型、ECMF-3Z湍流燃烧模型和Shell着火模型，构建发动机燃烧的有限元模型。
8.根据权利要求1所述的发动机燃烧噪声优化预测方法，其特征在于，根据所述目标样本点数据和序列迭代响应面法生成噪声预测近似模型后还包括：确定所述噪声预测近似模型的复相关系数小于预设系数，则返回步骤S2重新得到初始样本点，继续执行步骤S3增加目标样本点，以重新生成噪声预测近似模型。
9.一种发动机燃烧噪声预测装置，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1至8中任一项所述的发动机燃烧噪声优化预测方法。
10.一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存储有程序代码，所述程序代码用于实现如权利要求1至8中任一项所述的发动机燃烧噪声优化预测方法。
CN202111357862.6A 2021-11-17 2021-11-17 一种发动机燃烧噪声优化预测方法、装置及存储介质 Active CN113806991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111357862.6A CN113806991B (zh) 2021-11-17 2021-11-17 一种发动机燃烧噪声优化预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111357862.6A CN113806991B (zh) 2021-11-17 2021-11-17 一种发动机燃烧噪声优化预测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113806991A true CN113806991A (zh) 2021-12-17
CN113806991B CN113806991B (zh) 2022-02-22

Family

ID=78898639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111357862.6A Active CN113806991B (zh) 2021-11-17 2021-11-17 一种发动机燃烧噪声优化预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113806991B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341121A (zh) * 2023-05-22 2023-06-27 广汽埃安新能源汽车股份有限公司 一种电驱系统噪声优化方法、装置、存储介质及设备
CN116522068A (zh) * 2023-07-03 2023-08-01 西安羚控电子科技有限公司 一种试验参数生成方法和系统
CN117371255A (zh) * 2023-12-06 2024-01-09 华中科技大学 一种旋转声源辐射噪声预测模型的构建方法及应用
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011053905A1 (en) * 2009-10-30 2011-05-05 Cummins Inc. Engine control techniques to account for fuel effects
KR20160065543A (ko) * 2014-12-01 2016-06-09 현대자동차주식회사 엔진 진동신호로 예측된 연소음 피드백 제어 방법
CN105956283A (zh) * 2016-05-06 2016-09-21 北京航空航天大学 一种基于稀疏网格配点理论的车内随机振动噪声预测的方法
CN106704014A (zh) * 2015-07-29 2017-05-24 长城汽车股份有限公司 增压柴油内燃机的燃烧噪声控制方法、系统及车辆
CN106845111A (zh) * 2017-01-19 2017-06-13 沈阳航空航天大学 一种基于多元回归的航空发动机噪声预测方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN111598395A (zh) * 2020-04-16 2020-08-28 天津大学 一种发动机声品质综合评价方法
CN112377314A (zh) * 2020-10-09 2021-02-19 东风汽车集团有限公司 混动专用发动机控制方法、装置、设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011053905A1 (en) * 2009-10-30 2011-05-05 Cummins Inc. Engine control techniques to account for fuel effects
KR20160065543A (ko) * 2014-12-01 2016-06-09 현대자동차주식회사 엔진 진동신호로 예측된 연소음 피드백 제어 방법
CN106704014A (zh) * 2015-07-29 2017-05-24 长城汽车股份有限公司 增压柴油内燃机的燃烧噪声控制方法、系统及车辆
CN105956283A (zh) * 2016-05-06 2016-09-21 北京航空航天大学 一种基于稀疏网格配点理论的车内随机振动噪声预测的方法
CN106845111A (zh) * 2017-01-19 2017-06-13 沈阳航空航天大学 一种基于多元回归的航空发动机噪声预测方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN111598395A (zh) * 2020-04-16 2020-08-28 天津大学 一种发动机声品质综合评价方法
CN112377314A (zh) * 2020-10-09 2021-02-19 东风汽车集团有限公司 混动专用发动机控制方法、装置、设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张庆辉: "直喷式柴油机燃烧噪声机理及优化方法研究", 《中国博士学位论文全文数据库》 *
张建平 等: "基于改进拉丁超立方抽样的概率潮流计算", 《华东电力》 *
李松超: "基于改进响应面法的飞机结构可靠性分析", 《中国优秀硕士学位论文全文数据库》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341121A (zh) * 2023-05-22 2023-06-27 广汽埃安新能源汽车股份有限公司 一种电驱系统噪声优化方法、装置、存储介质及设备
CN116341121B (zh) * 2023-05-22 2023-08-08 广汽埃安新能源汽车股份有限公司 一种电驱系统噪声优化方法、装置、存储介质及设备
CN116522068A (zh) * 2023-07-03 2023-08-01 西安羚控电子科技有限公司 一种试验参数生成方法和系统
CN116522068B (zh) * 2023-07-03 2023-09-15 西安羚控电子科技有限公司 一种试验参数生成方法和系统
CN117371255A (zh) * 2023-12-06 2024-01-09 华中科技大学 一种旋转声源辐射噪声预测模型的构建方法及应用
CN117371255B (zh) * 2023-12-06 2024-02-20 华中科技大学 一种旋转声源辐射噪声预测模型的构建方法及应用
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN117556551B (zh) * 2024-01-11 2024-04-09 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质

Also Published As

Publication number Publication date
CN113806991B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN113806991B (zh) 一种发动机燃烧噪声优化预测方法、装置及存储介质
Gou et al. A dynamic multi-timescale method for combustion modeling with detailed and reduced chemical kinetic mechanisms
Veroy Reduced-basis methods applied to problems in elasticity: Analysis and applications
Dong et al. Multi-fidelity information fusion based on prediction of kriging
Zhao et al. A comparison of deterministic, reliability-based topology optimization under uncertainties
Zhao et al. Reliability-based topology optimization using stochastic response surface method with sparse grid design
Tao et al. Input mapping for model calibration with application to wing aerodynamics
Boopathy et al. Unified framework for training point selection and error estimation for surrogate models
Du et al. Reduced‐order modeling based on POD of a parabolized Navier–Stokes equation model I: forward model
Bocharov et al. Implicit method for the solution of supersonic and hypersonic 3D flow problems with Lower-Upper Symmetric-Gauss-Seidel preconditioner on multiple graphics processing units
Wu Convergence analysis of some second-order parareal algorithms
Berger et al. Intelligent co-simulation: neural network vs. proper orthogonal decomposition applied to a 2D diffusive problem
Krause Hydrostatic equilibrium preservation in MHD numerical simulation with stratified atmospheres-Explicit Godunov-type schemes with MUSCL reconstruction
Bae et al. Accelerated multifidelity emulator modeling for probabilistic rotor response study
Broatch et al. Time-domain computation of muffler frequency response: comparison of different numerical schemes
Danko Functional or operator representation of numerical heat and mass transport models
Raza et al. Uncertainty-based computational robust design optimisation of dual-thrust propulsion system
Blonigan et al. Multigrid‐in‐time for sensitivity analysis of chaotic dynamical systems
Şugar‐Gabor Parameterized nonintrusive reduced‐order model for general unsteady flow problems using artificial neural networks
Vogman Fourth-order conservative Vlasov-Maxwell solver for Cartesian and cylindrical phase space coordinates
Depcik et al. The numerical simulation of variable-property reacting-gas dynamics: New insights and validation
Zhu et al. Adaptive ADI numerical analysis of 2D quenching-type reaction: diffusion equation with convection term
Li et al. An Efficient Chorin–Temam Projection Proper Orthogonal Decomposition Based Reduced-Order Model for Nonstationary Stokes Equations
Long et al. Convergence Analysis of the Fully Discrete Projection Method for Inductionless Magnetohydrodynamics System Based on Charge Conservation
Fratalocchi et al. The computational singular perturbation/perfectly stirred reactor approach in reduced chemistry of premixed ethanol combustion

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