CN114201921A - 喷油器先导阀优化设计方法 - Google Patents

喷油器先导阀优化设计方法 Download PDF

Info

Publication number
CN114201921A
CN114201921A CN202111552516.3A CN202111552516A CN114201921A CN 114201921 A CN114201921 A CN 114201921A CN 202111552516 A CN202111552516 A CN 202111552516A CN 114201921 A CN114201921 A CN 114201921A
Authority
CN
China
Prior art keywords
optimization
model
electromagnetic valve
pilot valve
response time
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
CN202111552516.3A
Other languages
English (en)
Other versions
CN114201921B (zh
Inventor
金江善
黄立
董建福
张通
董晓露
罗岩
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.)
Shanghai Marine Diesel Engine Research Institute
Original Assignee
Shanghai Marine Diesel Engine Research Institute
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 Shanghai Marine Diesel Engine Research Institute filed Critical Shanghai Marine Diesel Engine Research Institute
Priority to CN202111552516.3A priority Critical patent/CN114201921B/zh
Publication of CN114201921A publication Critical patent/CN114201921A/zh
Application granted granted Critical
Publication of CN114201921B publication Critical patent/CN114201921B/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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuel-Injection Apparatus (AREA)

Abstract

一种喷油器先导阀优化设计方法，其通过优化参数配置提高可靠性，建立电磁阀的响应模型；选取优化目标和优化参数，优化目标包括电磁阀的释放响应时间和吸合响应时间，优化参数包括电磁阀的残余气隙、线圈匝数、弹簧预紧力，优化参数的特性区间服从3σ原则；对设计向量和不确定向量进行采样；在响应模型的基础上，对各设计变量进行一定约束，进而建立电磁阀的鲁棒性优化模型；结合采样数据构造鲁棒性优化模型中的近似模型；采用优化算法进行近似模型的整合及计算；验证得到的全局优化解的有效性，分别对优化前后的参数，根据响应时间波动情况，进行稳健性评估。

Description

喷油器先导阀优化设计方法
技术领域
本发明涉及喷油器设计方法，尤其涉及喷油器的先导阀电磁参数的优化设计方法。
背景技术
高压共轨电控喷油器是柴油机实现全柔性喷射的关键部件，其中电磁阀是喷油器重要部件之一，其开启关闭控制喷油器的喷油与断油，电磁阀的运动性能对喷油器燃油喷射压力和喷油量的控制起到关键作用，其中电磁阀衔铁吸合和释放时间为影响喷油器性能的关键响应目标。当电磁阀响应出现故障时，喷油器的喷油量、喷油压力无法实现精确控制，甚至造成电控喷油器无法喷油。因此电磁阀的加工装配容差范围极小且需要很高的鲁棒性以保证其所在的喷油器可靠性。
公布号为CN101609479A的专利文献采用最大最小优化方法与遗传算法优化方法相结合的方式对弹道参数进行优化设计，优化得到的弹道兼具鲁棒性和最优性，设计周期短，便于过程实现。
公布号为CN111985150A的专利文献构建了一种多层的电子器件鲁班优化设计架构，并在每层引入机器学习辅助优化方法，以加速电子器件鲁棒优化设计流程。
目前的鲁棒性优化设计方法多是针对较为单一简单的问题，利用鲁棒性指标结合遗传算法对相关目标进行优化，多是为了加速设计流程，而针对电控喷油器这种集机电液一体化的复杂对象的鲁棒性优化设计方法还未有相关技术方案。
发明内容
本发明的目的在于提供一种喷油器先导阀优化设计方法，其通过优化参数配置提高可靠性。
根据本发明的喷油器先导阀优化设计方法，其针对的先导阀包括电磁阀，所述电磁阀包括线圈和控制阀杆，所述控制阀杆被施加有弹簧预紧力，所述线圈用于吸合或释放所述控制阀杆，所述方法包括：
根据燃油喷射系统对先导阀响应特性的要求，建立所述电磁阀的响应模型；
选取优化目标和优化参数，所述优化目标包括所述电磁阀的释放响应时间和吸合响应时间，所述优化参数包括所述电磁阀的残余气隙、线圈匝数、所述弹簧预紧力，并确定所述优化参数的选取范围，优化参数的特性区间服从3σ原则；
对设计向量和不确定向量进行采样，所述设计向量包括所述优化参数，所述不确定向量包括除所述优化参数外的电磁阀的其他影响因素；
在所述响应模型的基础上，对所述电磁阀的吸合响应时间以及释放响应时间与维持所述电磁阀吸合的电磁力进行一定约束，进而建立电磁阀的鲁棒性优化模型；
结合采样数据构造所述鲁棒性优化模型中的近似模型；
采用优化算法进行所述近似模型的整合及计算；以及
验证得到的全局优化解的有效性，分别对优化前后的参数，根据响应时间波动情况，进行稳健性评估。
在一个或多个实施方式中，在所述整合及计算之前，获取近似模型的近似响应值和所述鲁棒性优化模型的真实响应值，以验证所述近似模型的精度，若精度不满足要求，则对构造所述近似模型的步骤和验证所述近似模型精度的步骤进行循环，在循环过程中调节所述近似模型，直到所述近似模型的精度满足要求。
在一个或多个实施方式中，所述循环还包括对设计向量和不确定向量进行采样的循环，在循环过程中同时调节所述采样。
在一个或多个实施方式中，所述约束包括：
Figure BDA0003418177150000031
在前述公式中，Ta为吸合响应时间，Tb为释放响应时间；Fmag为维持阶段的电磁力；RAG为残余气隙、F0为弹簧预紧力，N为线圈匝数；μ、σ为考虑误差因素时各变量及目标响应的均值和标准差；下标min表示最小值，下标max表示最大值，下标U表示上限，下标L表示下限；公式(1)、(2)中的min表示优化方向为越小越好。
在一个或多个实施方式中，所述采样方法为最优拉丁超立方采样。
在一个或多个实施方式中，所述近似模型为Kriging近似模型。
在一个或多个实施方式中，所述优化算法为遗传算法。
在一个或多个实施方式中，在遗传算法执行后的结果中综合考虑选择由所述优化目标构成的二维Pareto前沿中离原点最近的点为最优解。
在一个或多个实施方式中，在所述稳健性评估的步骤中，采用蒙特卡罗描述性抽样在优化前后各优化参数值的附近随机抽取样本点。
鲁棒性高的电磁阀参数方案能够降低电磁阀参数变化对喷油器燃油喷射性能的影响，从而提高喷油器工作稳定性。前述优化方法整体流程建立了基于区间的先导阀多关键参数对响应的影响因素模型，实现先导阀动态响应特性关键参数分析，能有效降低产品失效概率，提高产品的鲁棒性与可靠性，具有更好的填充性和均衡性。
附图说明
本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显，其中：
图1是喷油器先导阀的示意图。
图2是根据一实施方式的喷油器先导阀优化设计方法的流程图。
图3是根据另一实施方式的喷油器先导阀优化设计方法的流程图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明，在以下的描述中阐述了更多的细节以便于充分理解本发明，但是本发明显然能够以多种不同于此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎，因此不应以此具体实施例的内容限制本发明的保护范围。
需要注意的是，这些以及后续其他的附图均仅作为示例，其并非是按照等比例的条件绘制的，并且不应该以此作为对本发明实际要求的保护范围构成限制。
喷油器先导阀包括电磁阀，所述电磁阀包括线圈和控制阀杆，所述控制阀杆被施加有弹簧预紧力，所述线圈用于吸合或释放所述控制阀杆。吸合所述控制阀杆时，线圈产生的电磁力克服所述弹簧预紧力，驱动控制阀杆向吸合方向移动。释放所述控制阀杆时，线圈无电磁力，控制阀杆在弹簧作用力下沿吸合方向的反方向移动。图1示出了喷油器先导阀的一实施例，喷油器先导阀包括限位座2、线圈3、先导阀柱塞上截面4、卡座5、压电晶体7、先导阀弹簧8、衔铁10、控制阀杆11、控制阀杆复位弹簧12。限位座2用于对先导阀弹簧8进行限定，卡座5用于固定衔铁10和控制阀杆11。该喷油器先导阀可采用两种控制方式，一种为仅采用电磁阀控制模式，另一种为采用电磁阀执行器和压力执行器联合控制模式。
当仅采用电磁阀控制模式时，压电晶体7断电，线圈3通电，产生电磁力吸引衔铁10上升，同时带动控制阀杆11上升，吸合控制阀杆11。当先导阀柱塞上截面4顶到压电晶体7时达到最大升程，停止运动。当线圈3断电时，失去磁场影响，在先导阀弹簧8的压紧力作用下，控制阀杆11下降。
当采用电磁阀执行器和压力执行器联合控制时，压电晶体7通电，运用逆压电效应，基于需求来控制压电执行器的升程。当线圈3通电，吸引控制阀杆11向上运动时，通过压电晶体7改变了控制阀杆11运动过程的最大升程。当先导阀柱塞上截面4顶到压电晶体7伸长后的端面时达到最大升程，停止运动。控制阀杆复位弹簧12不仅能够加速减小吸合时间，还能够压紧衔铁10，防止其掉落。
以前述喷油器先导阀为例，喷油器先导阀优化设计方法在图2中示出。
在步骤21，根据燃油喷射系统对先导阀响应特性的要求，建立所述电磁阀的响应模型。对已给定结构的升程可控的先导阀，根据燃油喷射系统对先导阀响应特性的要求，基于电磁场理论建立电磁阀一维模型、根据牛顿机械运动学理论建立机械运动模型，从不同能量场间的转换关系以及各部件之间拓扑逻辑网络的角度将两个模型联合得到电磁阀的多物理场耦合的响应模型。
在步骤22，确定优化设计方法的影响因素和质量目标。
首先以电磁阀的释放响应时间和吸合响应时间为优化目标，并以电磁阀的残余气隙、线圈匝数、所述弹簧预紧力作为优化参数。
确定电磁阀的释放响应时间和吸合响应时间为优化目标，即先导阀输出变量，其为评价先导阀响应性能的结果变量。实际设计过程中电磁阀的残余气隙RAG，线圈3的线圈匝数N和先导阀弹簧8和控制阀杆复位弹簧12初始预紧力合力(弹簧预紧力)F0等参数的误差会导致先导阀吸合与关闭性能产生一定的波动。残余气隙RAG是衔铁10落座时的最小间隙，也可以理解成衔铁10的行程。残余气隙RAG越小，磁阻越小，相同条件下的磁感应强度就越大，对衔铁10的磁吸力越大，但该数值过大，可能导致衔铁10在释放时的剩磁过大，不利于其释放，因此选定残余气隙RAG作为待优化参数，线圈匝数N也是影响电磁力的重要因素，弹簧预紧力F0与电磁力之差决定了衔铁10的动态响应，因此将线圈匝数N和弹簧预紧力F0也作为待优化参数。优化参数包括所述线圈的残余气隙、线圈匝数、所述弹簧预紧力，此处“包括”含义为包括但不限于，优化参数可以在此基础上增加，例如电磁阀的其他影因素还包括压电晶体7的伸长量，其可以设定成优化参数，也可以设定为不确定向量的一部分。
其次，确定所述优化参数的选取范围，优化参数的特性区间服从3σ原则。以3σ统计学原则建立产品待优化参数质量特性概率模型，从而确定待优化参数区间。各待优化参数分布服从正态分布，正态分布表达式为：
Figure BDA0003418177150000061
式中μ代表各参数正态分布均值，用于描述质量特性值分布的集中位置；σ代表正态标准差，用于描述质量特性值x分布的分散程度。需要注意的是，这里的质量特性值x分布是以概率的形式分布于F(x)曲线中，而且待优化参数特性区间服从3σ原则时，在±3σ范围内包含了99.73％的质量特性值。
根据3σ质量设计理论，其数学模型描述为：
min[μ,σ]
s.t.GjL+3σj≤μj≤GjU-3σj
XiL+3σi≤μi≤XiU-3σi
式中GjL为第j个目标函数约束下限；GjU为第j个目标函数约束上限；μj为第j个目标函数均值；σj为第j个目标函数的标准差；XiL为第i个设计变量的下限，XiU为第i个设计变量的上限；XiU为第i个设计变量的上限；σi为第i个设计变量的标准差；μi为第i个设计变量的均值。在3σ鲁棒性设计中，通过对均值和标准差进行优化，能有效降低产品失效概率，提高产品的鲁棒性与可靠性。
在步骤23中，对设计向量和不确定向量进行采样，所述设计向量包括前述优化参数，所述不确定向量包括除所述优化参数外的电磁阀的其他影响因素。在用3σ原则进行优化参数变量的取值范围的确定后，采用最优拉丁超立方采样获得取值范围为[0，1]的具有空间均布性的样本点，并将其反归一化到输入向量空间中去，完成对设计向量和不确定向量的初始采样。采样方法包括但不限于最优拉丁超立方取样方法，例如还可以采用拉丁超立方取样方法。最优拉丁超立方取样方法相比拉丁超立方取样方法更能将样本点均匀分布在设计空间内，具有更好的填充性和均衡性。不确定向量为为经过分析认为对电磁阀响应特性影响相对较小的、此处未作为待优化参数的其他设计参数，比如电磁阀运动件质量等。这些参数本身对电磁阀响应特性影响较小，对优化设计的影响也比较小。
步骤24建立电磁阀近似模型。
首先，在所述响应模型的基础上，对电磁阀3的吸合响应时间以及释放响应时间与维持所述电磁阀吸合的电磁力进行一定约束，进而建立电磁阀的鲁棒性优化模型。前述约束的一个例子为：
Figure BDA0003418177150000071
在前述公式中，Ta为吸合响应时间，Tb为释放响应时间；Fmag为维持阶段的电磁力；RAG、F0、N为前述设计变量；μ、σ为考虑误差因素时各设计变量及目标响应的均值和标准差，下标max、min表示最大值、最小值；
由于线圈3匝数离散分布只能取整，故要对其正态分布曲线进行下取整处理，下取整公式为：
N0＝[N]
式中N0为下取整后的线圈3匝数，N为取整前的线圈3匝数。下取整原则为保留取整前N所在的整数部分，省略其小数部分。
公式(1)、(2)为鲁棒性优化的目标公式，其中：
公式(1)表明目标量“吸合响应时间”的基础值和标准差的优化方向为越小越好；
公式(2)表明目标量“释放响应时间”的基础值和标准差的优化方向为越小越好。
公式(3)～(5)描述对目标函数的约束
其中公式(3)：吸合响应时间的基础值+3σ不超过设定的最小吸合响应时间(已知量)；
公式(4)：释放响应时间的基础值+3σ不超过设定的最小释放响应时间(已知量)；
公式(5)：维持阶段电磁力的基础值-3σ不小于设定的最大电磁力(已知量)；
公式(6)～(8)描述优化参数的取值范围，各优化参数的取值范围为：不小于约束下限+3σ，不大于约束上限-3σ。
其次，建立所述鲁棒性优化模型中的近似模型。近似模型的一个例子是Kriging(克里金)近似模型，该Kriging近似模型以电磁阀的吸合响应时间时间与释放响应时间为目标，以维持阶段的最小电磁力与弹簧预紧力的差值以及各个设计变量为约束。
Kriging近似模型由多项式和随机分布两部分构成，其表达式为：
y(x)＝fT(x)β+z(x)
式中，β为回归系数，f(x)为多项式，是设计空间的全局近似，即y(x)的数学期望；z(x)为随机分布的误差，是全局模型的局部偏差的近似，即y(x)的局部变化。随机变量服从正态分布，其协方差矩阵为：
Cov[Z(xi),Z(xj)]＝δ2R[R(xi,xj)]
Figure BDA0003418177150000081
式中R表示相关矩阵，为n阶正定对角阵，R(xi,xj)任意两个样本点xi和xj的空间相关函数，θk为拟合模型的相关性系数，表示第K个输入变量的重要性。R(xi，xj)确定之后，y(x)的近似响应为：
Figure BDA0003418177150000091
其中rT(x)表示n个样本点与未知点x组成的相关矢量，表达式为：
r(x)＝[R(x,x1),R(x,x2),R(x,x3),…R(x,xn)]
通过下式估计β：
β＝(fTR-1f)-1fTR-1y
通过下式计算：
Figure BDA0003418177150000092
模型的系数
Figure BDA0003418177150000093
和方差估计值
Figure BDA0003418177150000094
都与相关函数的参数θk有关，因此先要在样本数据中得到该参数的优化值，等价于在以下函数
Figure BDA0003418177150000095
取得最大值处获得：
Figure BDA0003418177150000096
在样本数据点一定的情况下，数值
Figure BDA0003418177150000097
和
Figure BDA0003418177150000098
的值固定，因此只求出r(x)就可以求出最优拟合的Kriging近似模型。
Kriging模型是一种由参数化模型与非参数化随机过程联合组成的半参数化近似模型。它不仅比单个参数化模型具有更强的预测能力，而且克服了非参数化模型的局限性，容易得到理想的拟合效果。
步骤25进行仿真模型计算并得到真实响应值，仿真模型计算包括建立电磁阀的有限元模型，模拟真实的工况条件，获得电磁阀的释放响应时间和吸合响应时间。步骤26基于建立的近似模型计算响应值。根据所得样本数据，结合Kriging模型建立设计变量与输出响应之间的函数关系。
步骤27获取近似模型的近似响应值和所述鲁棒性优化模型的真实响应值，验证所述近似模型的精度。验证方式的一个例子同时采用以下两种方法对近似模型的精度进行验证，以保证优化结果的可靠性与准确性：(1)采用平均相对误差作为近似模型精度评价指标，其值越接近0表示近似模型精度越高；(2)在设计空间内随机产生一组测试样本点，对比近似模型的预测结果与仿真模型的计算结果的相对误差，其值越小则近似模型精度越高。
循环步骤23到步骤27，在该循环过程中，调节采样方式和调节近似模型，直到近似模型精度达到使用要求。对近似模型的调节可从以下几个方面：1、根据各影响因素的权重调整θ的取值；2、调整样本数量的大小；3、调整多项式类型。对采样方式的调节的例子包括选用随机抽样、拉丁超立方抽样方法等。在另一实施方式中，如图3所示，循环步骤24到步骤27，在循环过程中，仅调节近似模型，直到近似模型精度达到使用要求。所述“循环”的次数存在为0的情况。
步骤28进行设计空间内的稳健性优化。首先，采用优化算法进行所述近似模型的整合及计算。在一实施方式中，采用遗传算法进行鲁棒性优化模型的整合及计算。电磁阀的动态特性进行鲁棒性优化的目标主要为释放响应时间和吸合响应时间,分别表达为Ta、Tb两个目标函数，且各个目标值都是越小越好。综合考虑选择由Ta、Tb构成的二维Pareto前沿中离原点最近的点为最优解。Pareto前沿是指在所有非劣性解集中，对应目标矢量组成的曲线。
NSGA-II遗传算法的快速非支配排序方法是根据种群个体之间的支配与非支配关系进行排序以决定个体之间的优劣，其寻优的基本过程可以表示为：(1)产生按照一定编码方式随机产生种群为N的初始化种群；(2)初始种群通过遗传算子(交叉、变异等)产生子代种群。(3)将父代与子代种群合并产生规模为2N的种群，同时进行快速非支配排序并对每个个体进行拥挤度计算并得到下一代种群，选取合适个体组成新的父代种群；(4)通过遗传算法(交叉、变异等)的基本操作产生新的子代种群，然后新的父代种群与合并组成新的种群并判断是否大于最大进化代数。若是则该算法结束；否则继续进化。
一般而言，优化问题中并不存在一个既能使f(x1)达到最优，同时f(x2)也达到最优的一个解，而是优化其中一个目标函数的同时需要牺牲另外一个目标函数为代价。因此根据研究问题所期望的效果，找到一个使f(x1)、f(x2)同时满足优化要求的折中解，也称作全局最优解。在得到的Pareto前沿中，采用距离函数来进行全局优化解的择取。
其次，验证得到的全局优化解的有效性，分别对优化前后的参数，根据响应时间波动情况，进行稳健性评估。在一实施方式中，采用蒙特卡罗描述性抽样在优化前后各变量值的附近随机抽取500组样本点。由蒙特卡罗描述性抽样得到的样本点，通过仿真或试验得到其响应值，并计算出均值μ和标准差σ：借助已建立的Kriging近似模型计算出这500组样本数据的吸合响应时间与释放响应时间两个目标的响应状态，接着根据响应状态计算出稳健性优化前后的统计均值、标准差，并得到先导阀吸合响应时间与释放响应时间的频率分布直方图及概率密度曲线。
在步骤29中，输出稳健设计优化解，结束优化设计方法。
本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化及修饰，均落入本发明权利要求所界定的保护范围之内。

Claims (9)

1.喷油器先导阀优化设计方法，所述先导阀包括电磁阀，所述电磁阀包括线圈和控制阀杆，所述控制阀杆被施加有弹簧预紧力，所述线圈用于吸合或释放所述控制阀杆，其特征在于，所述方法包括：
根据燃油喷射系统对先导阀响应特性的要求，建立所述电磁阀的响应模型；
选取优化目标和优化参数，所述优化目标包括所述电磁阀的释放响应时间和吸合响应时间，所述优化参数包括所述电磁阀的残余气隙、线圈匝数、所述弹簧预紧力，并确定所述优化参数的选取范围，优化参数的特性区间服从3σ原则；
对设计向量和不确定向量进行采样，所述设计向量包括所述优化参数，所述不确定向量包括除所述优化参数外的电磁阀的其他影响因素；
在所述响应模型的基础上，对所述电磁阀的吸合响应时间以及释放响应时间与维持所述电磁阀吸合的电磁力进行一定约束，进而建立电磁阀的鲁棒性优化模型；
结合采样数据构造所述鲁棒性优化模型中的近似模型；
采用优化算法进行所述近似模型的整合及计算；以及
验证得到的全局优化解的有效性，分别对优化前后的参数，根据响应时间波动情况，进行稳健性评估。
2.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，在所述整合及计算之前，获取近似模型的近似响应值和所述鲁棒性优化模型的真实响应值，以验证所述近似模型的精度，若精度不满足要求，则对构造所述近似模型的步骤和验证所述近似模型精度的步骤进行循环，在循环过程中调节所述近似模型，直到所述近似模型的精度满足要求。
3.如权利要求2所述的喷油器先导阀优化设计方法，其特征在于，所述循环还包括对设计向量和不确定向量进行采样的循环，在循环过程中同时调节所述采样。
4.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，所述约束包括：
Figure FDA0003418177140000021
其中，Ta为吸合响应时间，Tb为释放响应时间；Fmag为维持阶段的电磁力；RAG为残余气隙、F0为弹簧预紧力，N为线圈匝数；μ、σ为考虑误差因素时各变量及目标响应的均值和标准差；下标min表示最小值，下标max表示最大值，下标U表示上限，下标L表示下限；公式(1)、(2)中的min表示优化方向为越小越好。
5.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，所述采样方法为最优拉丁超立方采样。
6.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，所述近似模型为Kriging近似模型。
7.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，所述优化算法为遗传算法。
8.如权利要求7所述的喷油器先导阀优化设计方法，其特征在于，在遗传算法执行后的结果中综合考虑选择由所述优化目标构成的二维Pareto前沿中离原点最近的点为最优解。
9.如权利要求1所述的喷油器先导阀优化设计方法，其特征在于，在所述稳健性评估的步骤中，采用蒙特卡罗描述性抽样在优化前后各优化参数值的附近随机抽取样本点。
CN202111552516.3A 2021-12-17 2021-12-17 喷油器先导阀优化设计方法 Active CN114201921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111552516.3A CN114201921B (zh) 2021-12-17 2021-12-17 喷油器先导阀优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111552516.3A CN114201921B (zh) 2021-12-17 2021-12-17 喷油器先导阀优化设计方法

Publications (2)

Publication Number Publication Date
CN114201921A true CN114201921A (zh) 2022-03-18
CN114201921B CN114201921B (zh) 2023-03-03

Family

ID=80654926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111552516.3A Active CN114201921B (zh) 2021-12-17 2021-12-17 喷油器先导阀优化设计方法

Country Status (1)

Country Link
CN (1) CN114201921B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN113202669A (zh) * 2021-06-10 2021-08-03 哈尔滨工程大学 一种电控喷油器性能的多目标优化方法
CN113673129A (zh) * 2021-08-25 2021-11-19 合肥工业大学 一种超超高效感应电机的多目标鲁棒优化设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN113202669A (zh) * 2021-06-10 2021-08-03 哈尔滨工程大学 一种电控喷油器性能的多目标优化方法
CN113673129A (zh) * 2021-08-25 2021-11-19 合肥工业大学 一种超超高效感应电机的多目标鲁棒优化设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张干锋等: "基于分区间泛化Kriging近似模型的船舶局部结构形状优化", 《海洋工程》 *
李小刚等: "基于双层更新Kriging模型的机械结构动态特性稳健优化设计", 《机械工程学报》 *

Also Published As

Publication number Publication date
CN114201921B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
Wang et al. Modeling and control of electromechanical valve actuator
CN113255189B (zh) 一种用于高速开关阀电磁铁优化的多场耦合电磁仿真方法
Passarini et al. Development of a high-speed solenoid valve: an investigation of the importance of the armature mass on the dynamic response
CN110929437B (zh) 基于响应面的动铁式比例电磁铁恒力预测方法
Jambor et al. Using control theory for stable and efficient recommender systems
CN110287636A (zh) 一种高速电磁阀动态响应特性多目标优化方法
CN114201921B (zh) 喷油器先导阀优化设计方法
Chung et al. Modelling and injection rate estimation of common-rail injectors for direct-injection diesel engines
CN108181812A (zh) 一种基于bp神经网络的阀门定位器pi参数整定方法
Yun et al. New approach to design control cone for electro-magnetic proportional solenoid actuator
Karam et al. Design of active fractional PID controller based on whale's optimization algorithm for stabilizing a quarter vehicle suspension system
CN106777661B (zh) 一种基于寿命理论计算的柴油机电控喷油器加速因子区间确定方法
Mohan et al. Iterative learning control design for a non-linear multivariable system
Meng et al. The optimisation of a proportional solenoid valve design for heavy vehicle active suspension system
CN106407509B (zh) 一种负荷开关电磁机构电磁特性的建模方法及计算方法
Tripathy et al. A Machine Learning Based Numerical Approach for Valve Seating Velocity Control in an Electromagnetic Camless System
CN113202669B (zh) 一种电控喷油器性能的多目标优化方法
Subic et al. Virtual design and development of compact fast-acting fuel injector solenoid actuator
Garrappa et al. Model optimization and flow rate prediction in electro-injectors of diesel injection systems
Bogodorova et al. Bayesian parameter estimation of power system primary frequency controls under modeling uncertainties
Nyberg Optimizing PID parameters with machine learning
Lee Design improvement of a linear control solenoid valve using mul-tiphysics simulation
Moya-Lasheras et al. A novel algorithm based on Bayesian optimization for run-to-run control of short-stroke reluctance actuators
CN113153553B (zh) 电控喷油器喷油量线性特性优化方法
Gladkikh et al. Processing Method for Complex Characteristics of Electromagnetic Devices

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201108 Shanghai city Minhang District Huaning Road No. 3111

Applicant after: The 711 Research Institute of China Shipbuilding Corp.

Address before: 201108 Shanghai city Minhang District Huaning Road No. 3111

Applicant before: Shanghai Marine Diesel Engine Research Institute

GR01 Patent grant
GR01 Patent grant