CN116822325B - 一种总体构型约束下的柴油机性能优化设计方法及系统 - Google Patents

Abstract

本发明提供一种总体构型约束下的柴油机性能优化设计方法及系统，属于人工智能技术领域。所述方法包括步骤1:通过第一深度学习神经网络模型确定柴油机基本构型参数；步骤2:通过第二深度学习神经网络模型进行安装空间约束验证。本发明能够在初期设计阶段通过第一深度学习神经网络快速确定基本构型参数；直接给出了目标参数与优化变量之间的映射关系，简化了性能设计的流程；通过第二深度学习神经网络确定体积的函数关系式，在性能设计阶段就可以进行安装空间约束验证。

Description

一种总体构型约束下的柴油机性能优化设计方法及系统

技术领域

本发明涉及一种总体构型约束下的柴油机性能优化设计方法，属于人工智能技术领域。

背景技术

柴油机作为一种被广泛应用的动力装置，其正向设计过程早已系统化和规模化，国内外也有很多柴油机设计方面的专著可供参考，既有通用的内燃机设计书籍也有针对某些特殊机型例如二冲程低速柴油机的专著，所描述的设计流程均是首先讲解柴油机的理论工作过程，之后对柴油机的不同系统和零部件设计规程和经验参数进行分章详解，最终得到满足基本工作需求的柴油机设计方案。

在柴油机设计初期并不需要针对零部件进行设计校核，仅需要通过调整缸径、冲程、缸数等基本构型参数来确定功率、扭矩等性能，之后再具体设计零部件，在规定安装空间和基本构型的条件下，按照现有的设计方法设计并优化性能参数太过繁琐，不适合在确定性能设计目标时使用，而且性能参数与缸径、冲程等基本构型参数的映射关系不够明确，包含了很多在设计初期阶段不需要考虑的参数，对于安装空间约束验证则需要在之后的零部件具体设计阶段来满足，在性能设计阶段无法校核，因此需要一种快速优化基本构型参数进而得到最优柴油机性能设计方案的设计决策方法。

传统技术提供方法存在如下缺点：柴油机设计初期仅为性能设计，不涉及具体结构和零部件外形设计，传统正向设计流程过于详细，不适合在确定性能设计目标时使用；传统正向设计流程对于柴油机每个参数都有相应的公式或者经验值，但是功率、效率等性能参数与缸径、冲程等基本构型参数的映射关系不够明确，包含了很多在设计初期阶段不需要考虑的参数；传统正向设计流程对于安装空间约束验证需要在之后的零部件具体设计阶段来满足要求，而在性能设计阶段无法校核。

发明内容

本发明的发明目的是提供一种总体构型约束下的柴油机性能优化设计方法及系统，本发明能够在初期设计阶段通过第一深度学习神经网络快速确定基本构型参数；直接给出了目标参数与优化变量之间的映射关系，简化了性能设计的流程；通过第二深度学习神经网络确定体积的函数关系式，在性能设计阶段就可以进行安装空间约束验证。

为实现所述发明目的，本发明一方面提供一种总体构型约束下的柴油机性能优化设计方法，其包括如下步骤

步骤1:通过第一深度学习神经网络模型确定柴油机基本构型参数，第一深度学习神经网络模型包括第一输入层、第一函数层、第一判断层、第一输出层和第一反馈层，所述第一输入层各神经元输入柴油机目标性能参数；第一输出层各神经元输出基本构型参数；第一反馈层被配置为对第一输出层各神经元输出基本构型参数进行调整并输入到第一函数层各神经元；第一判断层被配置为对第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数分别进行比较，若第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数相减的绝对值均小于等于设定值，则使第一输出层输出基本构型参数；若相减的绝对值有任何一个大于设定值，则使第一输出层输出的基本构型参数输入到第一反馈层；

步骤2:通过第二深度学习神经网络模型进行安装空间约束验证，所述第二深度学习神经网络模型包括第二输入层、第二函数层、第二判断层、第二输出层和第二反馈层，所述第二输入层各神经元输入规定的安装长、宽、高以及第一深度学习神经网络模型输出层输出的基本构型参数；第二输出层各神经元输出柴油机的体积参数；第二反馈层被配置为对第二输出层各神经元输出的柴油机的体积参数进行调整并输入到第二函数层各神经元；第二判断层被配置为对第二函数层的输出结果与第二输入层的各神经元输入的规定安装空间的长、宽和高分别进行比较，若第二函数层的输出结果与第二输入层的各神经元输入规定安装空间的长、宽和高相减的绝对值均小于等于设定值，则使第二输出层输出柴油机的体积参数；若相减的绝对值有任何一个大于设定值，则使第二输出层输出的柴油机的体积参数输入到第二反馈层。

优选地，第一输入层输入柴油机目标性能参数包括目标有效功率P_e0、目标有效效率和目标扭矩T_tq0；

第一输出层各神经元输出基本构型参数包括缸数i、转速n、缸径D和冲程s；

第一函数层的函数关系包括：

式中，P_e为有效功率，T_tq为扭矩，为有效效率，ρ_s为实际进气状态密度，α为无量纲参数表示空燃比，H_u为柴油热值，Er为排气损失，η_m为机械效率，K₁和K₂为可调系数；τ为冲程系数；

第一判断层用于将P_e和P_e0进行比较、将T_tq和T_tq0进行比较、将和/>进行比较；

第一反馈层对输出层的基本构型参数用对输出层的基本构型参数进行调整，式中θ表示i、n、D和s任一量，J(θ)表示优化的损失函数，δ表示判断层的比较次数。

优选地，第二输入层输入柴油机安装空间的长、宽、高以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃

第二函数层的函数关系包括：

W_V＝2[(0.5+r_{r_s})·s+h₁+h₂+f]·sinα_V+(D+2d_w)·cosα_V

式中，α_V为V型柴油机两列气缸轴线夹角的d_l为预留长度、d_w为预留宽度、d_h为预留高度、f为常数；

第二判断层用于将L_V和柴油机安装空间的长进行比较；将W_V和柴油机安装空间的宽进行比较，将H_V和柴油机安装空间的高进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

优选地，第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃；

第二函数层的函数关系包括：

V_L＝(i·C·D+2d_l)·(D+2d_w)·[h₃+d_l+s+r_{r_s}·s+h₁+h₂+f]

式中，f为常数、d_l为预留长度、d_w为预留宽度、d_h为预留高度；

第二判断层用于将V_L和柴油机安装空间体积V进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

优选地，第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃

第二函数层的函数关系包括：

W_oc＝2[(0.5+r_{r_s})·s+h₁+h₂+f]

H_oc＝D+2d_w+d_h+d₃

式中，f为常数；d_l为预留长度、d_w为预留宽度、d_h为预留高度；d₃为人设定数据。

第二判断层用于将将L_oc和柴油机安装空间的长进行比较；将W_oc和柴油机安装空间的宽进行比较，将H_oc和柴油机安装空间的高进行比较；第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

为实现所述发明目的，本发明还提供一种系统，其包括存储介质和处理器，所述存储器用于存储计算机程序代码，处理器能够执行该程序代码以实施上述的方法。

与现有技术相比，本发明的优点在于：

1、本发明能够在初期设计阶段通过第一深度学习神经网络快速通过基本构型参数。

2、本发明能够直接给出计目标参数与优化变量之间的耦合关系，通过直接关联参数构建性能设计目标参数与优化变量之间的映射关系，简化了性能设计的流程。

3、本发明通过基本构型参数和根据柴油机设计的经验公式和推荐取值，并通过第二深度学习神经网络确定体积的函数关系式，在性能设计阶段就可以进行安装空间约束验证。

附图说明

图1是本发明提供的第一神经网络的组成框图；

图2是本发明提供的第二神经网络的组成框图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

第一实施例

本发明第一实施例提供一种总体构型约束下的柴油机性能优化设计方法，其包括如下步骤：

步骤1:通过第一深度学习神经网络模型确定柴油机基本构型参数；步骤2:通过第二深度学习神经网络模型进行安装空间约束验证。

图1是本发明提供的第一神经网络的组成框图，如图1所示，第一深度学习神经网络模型包括第一输入层、第一函数层、第一判断层、第一输出层和第一反馈层，所述第一输入层各神经元输入柴油机目标性能参数；第一输出层各神经元输出基本构型参数；第一反馈层被配置为对第一输出层各神经元输出基本构型参数进行调整并输入到第一函数层各神经元；第一判断层被配置为对第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数分别进行比较，若第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数相减的绝对值均小于等于设定值，则使第一输出层输出基本构型参数；若相减的绝对值有任何一个大于设定值，则使第一输出层输出的基本构型参数输入到第一反馈层。

第一实施例中，第一输入层输入柴油机目标性能参数包括目标有效功率P_e0、目标有效效率和目标扭矩T_tq0；

第一输出层各神经元输出基本构型参数包括缸数i、转速n、缸径D和冲程s；

第一函数层的函数关系包括：

式中，P_e为有效功率，T_tq为扭矩，为有效效率，ρ_s为实际进气状态密度，α为无量纲参数表示空燃比，H_u为柴油热值，Er为排气损失，η_m为机械效率，K₁和K₂为可调系数；τ为冲程系数；

第一判断层用于将P_e和P_e0进行比较、将T_tq和T_tq0进行比较、将和/>进行比较；

第一反馈层对输出层的基本构型参数用对输出层的基本构型参数进行调整，式中θ表示i、n、D和s任一量，J(θ)表示优化的损失函数，δ表示判断层的比较次数。

图2是本发明提供的第二神经网络的组成框图，如图2所示，所述第二深度学习神经网络模型包括第二输入层、第二函数层、第二判断层、第二输出层和第二反馈层，所述第二输入层各神经元输入规定安装空间的长、宽、高以及第一深度学习神经网络模型输出层输出的基本构型参数；第二输出层各神经元输出柴油机的体积参数；第二反馈层被配置为对第二输出层各神经元输出的柴油机的体积参数进行调整并输入到第二函数层各神经元；第二判断层被配置为对第二函数层的输出结果与第二输入层的各神经元输入的规定安装空间的长、宽和高分别进行比较，若第二函数层的输出结果与第二输入层的各神经元输入规定安装空间的长、宽和高相减的绝对值均小于或者等于设定值，则使第二输出层输出柴油机的体积参数；若相减的绝对值有任何一个大于设定值，则使第二输出层输出的柴油机的体积参数输入到第二反馈层。

第一实施例中，第二输入层输入柴油机安装空间的长、宽、高以及第一输出层各神经元最后输出的i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃；

第二函数层的函数关系包括：

W_V＝2[(0.5+r_{r_s})·s+h₁+h₂+f]·sinα_V+(D+2d_w)·cosα_V

式中，α_V为V型柴油机两列气缸轴线夹角的d_l为预留长度、d_w为预留宽度、d_h为预留高度、f为常数；

第二判断层用于将L_V和柴油机安装空间的长进行比较；将W_V和柴油机安装空间的宽进行比较，将H_V和柴油机安装空间的高进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

可选地，第第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃；

第二函数层的函数关系包括：

V_L＝(i·C·D+2d_l)·(D+2d_w)·[h₃+d_l+s+r_{r_s}*s+h₁+h₂+f]

式中，f为常数、d_l为预留长度、d_w为预留宽度、d_h为预留高度；

第二判断层用于将V_L和柴油机安装空间体积V进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

可选地，第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃；

第二函数层的函数关系包括：

W_oc＝2[(0.5+r_{r_s})·s+h₁+h₂+f]

H_oc＝D+2d_w+d_h+d₃

式中，f为常数；d_l为预留长度、d_w为预留宽度、d_h为预留高度；d₃为人设定数据。

第二判断层用于将将L_oc和柴油机安装空间的长进行比较；将W_oc和柴油机安装空间的宽进行比较，将H_oc和柴油机安装空间的高进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

第二实施例

本发明第二实施例提供一种系统，其包括存储介质和处理器，所述存储器用于存储计算机程序代码，处理器能够执行该程序代码以实施第一实施例的方法。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种总体构型约束下的柴油机性能优化设计方法，其特征在于，包括如下步骤

步骤1:通过第一深度学习神经网络模型确定柴油机基本构型参数，第一深度学习神经网络模型包括第一输入层、第一函数层、第一判断层、第一输出层和第一反馈层，所述第一输入层各神经元输入柴油机目标性能参数；第一输出层各神经元输出基本构型参数；第一反馈层被配置为对第一输出层各神经元输出基本构型参数进行调整并输入到第一函数层各神经元；第一判断层被配置为对第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数分别进行比较，若第一函数层的输出结果与第一输入层的各神经元输入的柴油机目标性能参数相减的绝对值均小于等于设定值，则使第一输出层输出基本构型参数；若相减的绝对值有任何一个大于设定值，则使第一输出层输出的基本构型参数输入到第一反馈层；

步骤2:通过第二深度学习神经网络模型进行安装空间约束验证，所述第二深度学习神经网络模型包括第二输入层、第二函数层、第二判断层、第二输出层和第二反馈层，所述第二输入层各神经元输入规定的安装长、宽、高以及第一深度学习神经网络模型输出层输出的基本构型参数；第二输出层各神经元输出柴油机的体积参数；第二反馈层被配置为对第二输出层各神经元输出的柴油机的体积参数进行调整并输入到第二函数层各神经元；第二判断层被配置为对第二函数层的输出结果与第二输入层的各神经元输入的规定安装空间的长、宽和高分别进行比较，若第二函数层的输出结果与第二输入层的各神经元输入规定安装空间的长、宽和高相减的绝对值均小于等于设定值，则使第二输出层输出柴油机的体积参数；若相减的绝对值有任何一个大于设定值，则使第二输出层输出的柴油机的体积参数输入到第二反馈层；

其中，第一输入层输入柴油机目标性能参数包括目标有效功率P_e0、目标有效效率η_et0和目标扭矩T_tq0；

第一输出层各神经元输出基本构型参数包括缸数i、转速n、缸径D和冲程s；

第一函数层的函数关系包括：

式中，P_e为有效功率，T_tq为扭矩，η_et为有效效率，ρ_s为实际进气状态密度，α为无量纲参数表示空燃比，H_u为柴油热值，Er为排气损失，η_m为机械效率，K₁和K₂为可调系数；τ为冲程系数；

第一判断层用于将P_e和P_e0进行比较、将T_tq和T_tq0进行比较、将η_et和η_et0进行比较；

第一反馈层对输出层的基本构型参数用对输出层的基本构型参数进行调整，式中θ表示i、n、D和s任一量，J(θ)表示优化的损失函数，δ表示判断层的比较次数。

2.根据权利要求1所述的总体构型约束下的柴油机性能优化设计方法，其特征在于，

第二输入层输入柴油机安装空间的长、宽、高以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃

第二函数层的函数关系包括：

W_V＝2[(0.5+r_{r_s})·s+h₁+h₂+f]·sinα_V+(D+2d_w)·cosα_V

式中，α_V为V型柴油机两列气缸轴线夹角的d_l为预留长度、d_w为预留宽度、d_h为预留高度、f为常数；

第二判断层用于将L_V和柴油机安装空间的长进行比较；将W_V和柴油机安装空间的宽进行比较，将H_V和柴油机安装空间的高进行比较；第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

3.根据权利要求1所述的总体构型约束下的柴油机性能优化设计方法，其特征在于，第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃；

第二函数层的函数关系包括：

V_L＝(i•C·D+2d_l)·(D+2d_w)·[h₃+d_l+s+r_{r_s}·s+h₁+h₂+f]式中，f为常数、d_l为预留长度、d_w为预留宽度、d_h为预留高度；第二判断层用于将V_L和柴油机安装空间体积V进行比较；

第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

4.根据权利要求1所述的总体构型约束下的柴油机性能优化设计方法，其特征在于，第二输入层输入柴油机安装空间V以及第一输出层各神经元最后输出的缸数i、缸径D、冲程s；

第二输出层输出柴油机缸心距C、连杆冲程比r_{r_s}、气缸盖高度h₁、气缸盖罩高度h₂、油底壳高度h₃

第二函数层的函数关系包括：

W_oc＝2[(0.5+r_{r_s})·s+h₁+h₂+f]

H_oc＝D+2d_w+d_h+d₃

式中，f为常数；d_l为预留长度、d_w为预留宽度、d_h为预留高度；d₃为人设定数据；

第二判断层用于将将L_oc和柴油机安装空间的长进行比较；将W_oc和柴油机安装空间的宽进行比较，将H_oc和柴油机安装空间的高进行比较；第二反馈层对输出层的柴油机的体积参数用对输出层的基本构型参数进行调整，式中ε表示C、r_{r_s}、h₁、h₂、h₃中任一量，J(ε)表示优化的损失函数，γ表示第二判断层的比较次数。

5.一种系统，其包括存储介质和处理器，所述存储介质用于存储计算机程序代码，处理器能够执行该程序代码以实施权利要求1-4任一所述的方法。