CN117094231B - 天然气发动机硬件参数确定方法、装置、设备及存储介质 - Google Patents
天然气发动机硬件参数确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117094231B CN117094231B CN202311340600.8A CN202311340600A CN117094231B CN 117094231 B CN117094231 B CN 117094231B CN 202311340600 A CN202311340600 A CN 202311340600A CN 117094231 B CN117094231 B CN 117094231B
- Authority
- CN
- China
- Prior art keywords
- hardware
- supercharger
- parameter
- value
- parameters
- 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.)
- Active
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000003345 natural gas Substances 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000002737 fuel gas Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000005086 pumping Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000013433 optimization analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02T10/30—Use of alternative fuels, e.g. biofuels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请公开了一种天然气发动机硬件参数确定方法、装置、设备及存储介质,涉及发动机控制技术领域。包括:根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;根据样本数据以及神经网络算法,构建数学代理模型,以性能参数整体最优为目标,以硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;重复上述步骤,计算预先选取的多个工况点对应的硬件参数初始值;基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。通过关键零部件的选型,兼顾低速大负荷EGR获取需求及高速工况低泵气需求,达到发动机整体性能最优。
Description
技术领域
本申请涉及发动机控制技术领域,具体而言,涉及一种天然气发动机硬件参数确定方法、装置、设备及存储介质。
背景技术
天然气作为一种低碳能源受到广泛关注。当量燃烧、废气再循环(EGR)系统配合三元催化后处理(TWC)是行业内普遍使用的技术路线。应用EGR系统,可以有效降低缸内燃烧温度,抑制发动机爆震,对提升天然气发动机经济性及可靠性具有重要作用。
目前,发动机采用固定截面增压器时不同工况下EGR获取能力不同。低速高负荷区域的进气压力往往高于排气压力,即EGR驱动压差为负值,发动机难以获取到EGR,限制了发动机热效率的进一步提升,同时造成排气温度升高,影响发动机可靠性。目前普遍采用的方案是减小增压器流量,通过提升排气压力来提高EGR。而在高转速和部分负荷工况区域,发动机进气压力低于排气压力,即EGR驱动压差为正值,发动机有能力获取到充足的EGR,而此时小流量增压器会造成发动机泵气损失增加、排温升高、燃烧不稳定。因此,如何在低转速大负荷获取更高的EGR与发动机整体性能的平衡存在矛盾,是行业亟待解决的难题。
发明内容
本申请实施例提供了一种天然气发动机硬件参数确定方法、装置、设备及存储介质,以至少解决相关技术中在低转速大负荷工况获取EGR与发动机整体性能平衡存在矛盾的技术问题。
根据本申请实施例的一个方面,提供了一种天然气发动机硬件参数确定方法,包括:
根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;根据所述样本数据以及预设的神经网络算法,构建数学代理模型,以所述性能参数整体最优为目标,以所述硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。
在一个可选地实施例中,根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据,包括:
构建所述发动机仿真模型;确定待计算的硬件参数以及所述硬件参数的取值范围,所述硬件参数包括混合器喉口尺寸、增压器流量、增压器效率、节气门开度、增压器放气阀开度以及EGR阀开度;根据所述硬件参数的取值范围,利用抽样方法抽取样本点,根据所述样本点以及构建的所述发动机仿真模型进行仿真计算,得到所述样本点对应的性能参数;根据所述样本点以及对应的性能参数,得到样本数据。
在一个可选地实施例中,得到整体最优的性能参数值及对应的硬件参数初始值之后,还包括:
将所述硬件参数初始值输入所述发动机仿真模型,得到仿真计算的性能参数值;获取所述仿真计算的性能参数值与所述整体最优的性能参数值的差值;若所述差值小于或等于预设阈值,则确定所述硬件参数初始值符合要求。
在一个可选地实施例中,基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算之前,还包括:
获取预先选取的每个工况点在预设时段内被使用的次数;根据预先选取的每个工况点在预设时段内被使用的次数,与所述预设时段内预先选取的所有工况点的总使用次数的比值,确定预先选取的每个工况点的权重。
在一个可选地实施例中,基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值,包括:
根据预先选取的每个工况点的权重以及每个工况点对应的混合器喉口尺寸、增压器流量、增压器效率,进行加权求和,得到硬件参数值中的混合器喉口尺寸、增压器流量以及增压器效率参数值;根据所述混合器喉口尺寸、增压器流量以及增压器效率参数值,标定所述节气门开度、增压器放气阀开度以及EGR阀开度参数值。
在一个可选地实施例中,根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数之前,还包括:
将发动机系统中的混合器设置为缩口混合器,所述缩口混合器的喉口位置直径小于前后管路直径。
在一个可选地实施例中,将所述发动机系统中的混合器设置为缩口混合器之后,还包括:
将废气再循环系统与所述缩口混合器的喉口位置连接。
根据本申请实施例的另一方面,还提供了一种天然气发动机硬件参数确定装置,包括:
样本空间构建模块,用于根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;优化模块,用于根据所述样本数据以及预设的神经网络算法,构建数学代理模型,以所述性能参数整体最优为目标,以所述硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;计算模块,用于重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;确定模块,用于基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过上述计算机程序执行上述的天然气发动机硬件参数确定方法。
根据本申请实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述天然气发动机硬件参数确定方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的天然气发动机硬件参数确定方法,针对全工况平衡的目标,对发动机硬件参数进行设计,在参数优化过程中,建立参数化仿真模型,同时考虑到计算效率问题,通过提取样本空间结果通过神经网络建立数学模型进行快速优化分析,提升了优化效率。
且提出多工况加权确定优化方案参数的思路,基于各工况关注度为各个工况附权重值,各工况综合权重值最优方案即为最终设计方案。最终确定的硬件参数可以实现平衡天然气发动机全工况需求。兼顾低速大负荷EGR需求及高速工况低泵气需求,达到发动机整体性能最优。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的天然气发动机硬件参数确定方法的应用环境的示意图;
图2是根据本申请实施例的另一种可选的天然气发动机硬件参数确定方法的应用环境的示意图;
图3是根据本申请实施例的一种可选的天然气发动机硬件参数确定方法的流程图;
图4是根据本申请实施例的一种EGR驱动压力分区示意图;
图5是根据本申请实施例的一种天然气发动机系统的结构示意图;
图6是根据本申请实施例的一种缩口混合器的示意图;
图7是根据本申请实施例的一种天然气发动机硬件参数优化过程示意图;
图8是根据本申请实施例的一种天然气发动机硬件参数确定装置的结构示意图;
图9是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面,提供了一种天然气发动机硬件参数确定方法,作为一种可选地实施方式,上述天然气发动机硬件参数确定方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括:与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互,终端设备102中运行有天然气发动机硬件参数确定应用程序。上述终端设备102中包括人机交互屏幕1022,处理器1024及存储器1026。人机交互屏幕1022用于显示发动机仿真模型;处理器1024用于获取发动机仿真模型。存储器1026用于存储上述发动机仿真模型。
此外,服务器106中包括数据库1062及处理引擎1064,数据库1062中用于存储上述发动机仿真模型。处理引擎1064用于:根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;根据样本数据以及预设的神经网络算法,构建数学代理模型,以性能参数整体最优为目标,以硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。
在一个或多个实施例中,本申请上述视频天然气发动机硬件参数确定方法可以应用于图2所示的应用环境中。如图2所示,用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作,计算发动机硬件参数值。
可选地,上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机,车载电子设备,可穿戴设备等终端,上述网络104可以包括但不限于无线网络或有线网络。其中,该无线网络包括:WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
如图4所示,是一种EGR驱动压力分区示意图,EGR驱动压差为负值时,发动机难以获取到EGR,限制了发动机热效率的进一步提升。 EGR驱动压差为正值时,发动机有能力获取到充足的EGR,但是若为了解决负值时的问题,改用小流量增压器,此时小流量增压器会造成发动机泵气损失增加、排温升高、燃烧不稳定。因此,现有技术的缺点主要包括:
1、提升EGR获取能力手段单一,通过减小增压器流量来加大驱动压差,泵气损失大,综合效果差;
2、无法在无驱动压差工况提供EGR率,无法做到EGR率全工况可调,低转速大负荷EGR率上限低;
3、硬件选型无法兼顾多个工况,在选型过程中没有考虑各个控制阀对EGR的影响,适应性差。
基于此,本申请设计了一种天然气发动机平衡全工况需求的EGR关键零部件参数选型方法,并提出一种天然气发动机多阀联动协同控制策略。通过关键零部件的选型,兼顾低速大负荷EGR需求及高速工况低泵气需求,达到发动机整体性能最优。
下面结合附图3对本申请实施例的天然气发动机硬件参数确定方法进行详细介绍,如图3所示,该方法主要包括如下步骤:
S301根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据。
在本申请的一个实施方式中,在进行硬件参数优化之前,还包括将发动机系统中的混合器设置为缩口混合器,缩口混合器的喉口位置直径小于前后管路直径。并将废气再循环系统与缩口混合器的喉口位置连接。
如图5所示,是一种发动机系统的示意图,发动机EGR 获取能力主要取决于排气压力与进气压力的差异,对于增压天然气发动机来说,影响EGR获取的关键零部件主要是增压器,要想获得更高的EGR,一般采取的方案为减小增压器涡轮机流量来获取更高的排气压力。
本申请从减小EGR下游压力出发,将EGR阀下游的混合器设计置为一种缩口混合器,缩口混合器如图6所示,喉口位置直径小于前后管路直径。将 EGR从混合器喉口处引入,由于喉口位置直径小于前后管路,根据伯努利方程,此处流速快、压力低,有利于提升EGR的获取能力。
因此,本申请通过设置一种缩口混合器,可以进一步提升EGR的获取能力。
进一步地,针对全工况平衡的目标,以EGR率、燃气消耗率、功率、爆震系数等关键性能参数为指标,利用一维仿真模型计算软件GT-Power进行优化设计。
具体地,首先构建发动机仿真模型,利用一维仿真模型计算软件GT-Power,搭建发动机一维仿真模型,根据试验结果与计算结果的一致性判断模型标定有效性,作为系统优化前的准备。
进一步地,确定待计算的硬件参数以及硬件参数的取值范围,硬件参数包括混合器喉口尺寸、增压器流量、增压器效率、节气门开度、增压器放气阀开度以及EGR阀开度。
参数的取值范围本申请不做具体限定,可以根据实际情况自行调控。在一种可选地实施方式中,参数混合器喉口尺寸、增压器流量、增压器效率、节气门开度、增压器放气阀开度与EGR获取能力负相关,参数EGR阀开度与EGR获取能力正相关。各参数取值范围可以在发动机原方案基础上扩大范围,混合器喉口尺寸、增压器效率及增压器流量设定为原方案±10%, 节气门、增压器放气阀及EGR阀开度范围均为0-100%。
进一步地,根据硬件参数的取值范围,利用抽样方法抽取样本点,根据样本点以及构建的发动机仿真模型进行仿真计算,得到样本点对应的性能参数。性能参数包括EGR率、燃气消耗率、功率及爆震系数。根据样本点以及对应的性能参数,得到样本数据。
在一种实施方式中,根据各变量取值范围,利用抽样方法建立样本点。可以不用对范围内的全部参数进行计算,通过抽样方法抽取部分样本点即可。抽取的样本点覆盖整个范围空间。然后采用一维仿真软件进行仿真计算。提取计算结果中的EGR率、燃气消耗率、功率及爆震系数等关键参数判断发动机性能结果,形成样本空间。
S302根据样本数据以及预设的神经网络算法,构建数学代理模型,以性能参数整体最优为目标,以硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值。
具体地,根据获取的样本数据,利用神经网络算法建立以EGR率、燃气消耗率、功率及爆震系数为因变量,以硬件参数为自变量的数学代理模型。其中,神经网络算法可以是现有技术中的算法,例如卷积神经网络算法,本申请不做具体限定。
根据数学代理模型以EGR率、燃气消耗率、功率及爆震系数整体最优为目标,以各硬件参数的取值范围为约束条件,利用序列线性规划法进行优化计算,得到各硬件参数初始值。
进一步地,进行优化结果验证。将硬件参数初始值输入发动机仿真模型,得到仿真计算的性能参数值;获取仿真计算的性能参数值与优化的性能参数值的差值;若差值小于或等于预设阈值,则确定硬件参数初始值符合要求。若差值大于预设阈值,则确定硬件参数初始值不符合要求。则重新进行优化设计。其中,预设阈值的取值本申请不做具体限制,例如,若性能偏差小于等于10%,判定为符合一致性要求。则确定现有硬件参数初始值为最优设计,若结果偏差大于10%,则确定不符合要求。验证失败。
如图7所示,参数优化方法包括下述步骤:
首先,搭建发动机仿真模型,进行热力学计算分析,根据试验结果与计算结果的一致性判断是否符合标定吻合范围,若不符合,重新搭建发动机仿真模型,若符合,确定设计参数及取值范围。与EGR获取相关的硬件参数包括1) 混合器喉口a;2)增压器流量b;3)增压器效率c;4)节气门开度d;5)增压器放气阀开度f;6)EGR阀开度e。参数1-5与EGR获取能力负相关,参数6与EGR获取能力正相关。各参数取值范围在发动机原方案基础上扩大范围,混合器喉口尺寸、增压器效率及增压器流量设定为原方案±10%,节气门、增压器放气阀及EGR阀开度范围均为0-100%。
进一步地,构建参数化模型,获取样本空间。根据各变量取值范围,利用抽样方法建立样本点。采用一维仿真软件依次定义各变量取值范围,进行仿真计算。提取计算结果中的EGR率、燃气消耗率、功率及爆震系数等关键参数判断发动机性能结果,形成样本空间。
进一步地,根据样本数据以及神经网络构建数学模型,进行优化,得到优化后的硬件参数初始值。
最后,将优化后的硬件参数初始值带回一维仿真模型进行计算,验证性能参数是否与优化结果一致。若性能偏差小于等于10%,判定为符合一致性要求。则确定现有设计参数值为最优设计,若结果偏差大于10%,检查修正一维模型。
本申请建立设计参数化模型,同时考虑到计算效率问题,通过提取样本空间结果通过神经网络建立数学模型进行快速优化分析,提升了优化效率,以及结果的可靠性。
S303重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值。
上述步骤S301和S302是针对单个工况点计算硬件参数初始值的,重复步骤S301和S302,对预先选取的多个工况点对应的硬件参数初始值进行计算。
为了满足全工况平衡的目标,可以抽取多个工况点,具体抽取的数量本申请不做具体限制。例如,从EGR驱动压差为负值的工况抽取若干个点,从EGR驱动压差为正值的工况抽取若干个点,分别计算抽取的每个工况点下最优的硬件参数初始值。
S304基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。
基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算之前,还包括:获取预先选取的每个工况点在预设时段内被使用的次数;根据预先选取的每个工况点在预设时段内被使用的次数,与预设时段内预先选取的所有工况点的总使用次数的比值,确定预先选取的每个工况点的权重。
在一个示例性场景中,若第一工况点被选择了1次,第二工况点被选择了9次,那么第一工况点的权重就是0.1,第二工况点的权重就是0.9。
进一步地,根据选取的工况点的权重以及选取的每个工况点对应的混合器喉口尺寸、增压器流量、增压器效率,进行加权求和,得到硬件参数值中的混合器喉口尺寸、增压器流量以及增压器效率参数值。
例如,第一工况点的权重0.1,第二工况点的权重0.9,那么全工况混合器喉口尺寸=0.1*第一工况点的混合器喉口尺寸+0.9*第二工况点的混合器喉口尺寸。根据加权求和的方法,得到硬件参数值中的混合器喉口尺寸、增压器流量以及增压器效率参数值。
在本申请实施例中,虽然也可以通过优化得到节气门开度、增压器放气阀开度以及EGR阀开度,但是在全工况下,加权结果并不一定是最优的。而是需要根据求得的硬件参数混合器喉口尺寸、增压器流量以及增压器效率,再标定节气门开度、增压器放气阀开度以及EGR阀开度参数值。
本申请提出了多工况加权确定优化方案参数的思路,硬件选型可以兼顾多个工况,并且在选型过程中考虑各个控制阀对EGR的影响,适应性好。
本申请实施例提供的天然气发动机硬件参数确定方法,具有以下有益效果:
1、变直径混合器设计,EGR从混合器喉口处引入,有利于提升EGR的获取能力。
2、硬件选型过程中考虑多个控制阀控制参数影响,可以实现更高的EGR率,达到更优的综合气耗。
3、建立设计参数化模型,同时考虑到计算效率问题,通过提取样本空间结果通过神经网络建立数学模型进行快速优化分析,提升了优化效率。
4、提出了多工况加权确定优化方案参数的思路,硬件选型可以兼顾多个工况,达到发动机整体性能最优。
根据本申请实施例的另一个方面,还提供了一种用于实施上述天然气发动机硬件参数确定方法的天然气发动机硬件参数确定装置。如图8所示,该装置包括:
样本空间构建模块801,用于根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;
优化模块802,用于根据样本数据以及预设的神经网络算法,构建数学代理模型,以性能参数整体最优为目标,以硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;
计算模块803,用于重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;
确定模块804,用于基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值。
需要说明的是,上述实施例提供的天然气发动机硬件参数确定装置在执行天然气发动机硬件参数确定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的天然气发动机硬件参数确定装置与天然气发动机硬件参数确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
根据本申请实施例的又一个方面,还提供了一种与前述实施例所提供的天然气发动机硬件参数确定方法对应的电子设备,以执行上述天然气发动机硬件参数确定方法。
请参考图9,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图9所示,电子设备包括:处理器900,存储器901,总线902和通信接口903,处理器900、通信接口903和存储器901通过总线902连接;存储器901中存储有可在处理器900上运行的计算机程序,处理器900运行计算机程序时执行本申请前述任一实施例所提供的天然气发动机硬件参数确定方法。
其中,存储器901可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口903(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线902可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器901用于存储程序,处理器900在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的天然气发动机硬件参数确定方法可以应用于处理器900中,或者由处理器900实现。
处理器900可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器900中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器900可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器901,处理器900读取存储器901中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的天然气发动机硬件参数确定方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
根据本申请实施例的又一个方面,还提供一种与前述实施例所提供的天然气发动机硬件参数确定方法对应的计算机可读存储介质,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的天然气发动机硬件参数确定方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的天然气发动机硬件参数确定方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种天然气发动机硬件参数确定方法,其特征在于,包括:
根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;包括:利用一维仿真模型计算软件GT-Power,搭建发动机仿真模型,确定待计算的硬件参数以及所述硬件参数的取值范围,所述硬件参数包括混合器喉口尺寸、增压器流量、增压器效率、节气门开度、增压器放气阀开度以及EGR阀开度;根据所述硬件参数的取值范围,利用抽样方法抽取样本点,根据所述样本点以及构建的所述发动机仿真模型进行仿真计算,得到所述样本点对应的性能参数,性能参数包括EGR率、燃气消耗率、功率及爆震系数,根据所述样本点以及对应的性能参数,得到样本数据;
根据所述样本数据以及预设的神经网络算法,构建数学代理模型,以所述性能参数整体最优为目标,以所述硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;
重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;
基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值,包括:根据预先选取的每个工况点的权重以及每个工况点对应的混合器喉口尺寸、增压器流量、增压器效率,进行加权求和,得到硬件参数值中的混合器喉口尺寸、增压器流量以及增压器效率参数值;根据所述混合器喉口尺寸、增压器流量以及增压器效率参数值,标定节气门开度、增压器放气阀开度以及EGR阀开度参数值。
2.根据权利要求1所述的方法,其特征在于,得到整体最优的性能参数值及对应的硬件参数初始值之后,还包括:
将所述硬件参数初始值输入所述发动机仿真模型,得到仿真计算的性能参数值;
获取所述仿真计算的性能参数值与所述整体最优的性能参数值的差值;
若所述差值小于或等于预设阈值,则确定所述硬件参数初始值符合要求。
3.根据权利要求1所述的方法,其特征在于,基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算之前,还包括:
获取预先选取的每个工况点在预设时段内被使用的次数;
根据预先选取的每个工况点在预设时段内被使用的次数,与所述预设时段内预先选取的所有工况点的总使用次数的比值,确定预先选取的每个工况点的权重。
4.根据权利要求1所述的方法,其特征在于,根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数之前,还包括:
将发动机系统中的混合器设置为缩口混合器,所述缩口混合器的喉口位置直径小于前后管路直径。
5.根据权利要求4所述的方法,其特征在于,将所述发动机系统中的混合器设置为缩口混合器之后,还包括:
将废气再循环系统与所述缩口混合器的喉口位置连接。
6.一种天然气发动机硬件参数确定装置,其特征在于,包括:
样本空间构建模块,用于根据预先构建的发动机仿真模型,计算单个工况点下硬件参数对应的性能参数,得到样本数据;包括:利用一维仿真模型计算软件GT-Power,搭建发动机仿真模型,确定待计算的硬件参数以及所述硬件参数的取值范围,所述硬件参数包括混合器喉口尺寸、增压器流量、增压器效率、节气门开度、增压器放气阀开度以及EGR阀开度;根据所述硬件参数的取值范围,利用抽样方法抽取样本点,根据所述样本点以及构建的所述发动机仿真模型进行仿真计算,得到所述样本点对应的性能参数,性能参数包括EGR率、燃气消耗率、功率及爆震系数,根据所述样本点以及对应的性能参数,得到样本数据;
优化模块,用于根据所述样本数据以及预设的神经网络算法,构建数学代理模型,以所述性能参数整体最优为目标,以所述硬件参数的取值范围为约束条件,进行优化计算,得到整体最优的性能参数值及对应的硬件参数初始值;
计算模块,用于重复上述根据预先构建的发动机仿真模型到得到整体最优的性能参数值及对应的硬件参数初始值的步骤,计算预先选取的多个工况点对应的硬件参数初始值;
确定模块,用于基于预先选取的每个工况点的权重以及每个工况点对应的硬件参数初始值,进行加权计算,得到硬件参数值,包括:根据预先选取的每个工况点的权重以及每个工况点对应的混合器喉口尺寸、增压器流量、增压器效率,进行加权求和,得到硬件参数值中的混合器喉口尺寸、增压器流量以及增压器效率参数值;根据所述混合器喉口尺寸、增压器流量以及增压器效率参数值,标定节气门开度、增压器放气阀开度以及EGR阀开度参数值。
7.一种电子设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至5任一项所述的天然气发动机硬件参数确定方法。
8.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至5任一项所述的一种天然气发动机硬件参数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340600.8A CN117094231B (zh) | 2023-10-17 | 2023-10-17 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340600.8A CN117094231B (zh) | 2023-10-17 | 2023-10-17 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094231A CN117094231A (zh) | 2023-11-21 |
CN117094231B true CN117094231B (zh) | 2024-01-12 |
Family
ID=88775690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340600.8A Active CN117094231B (zh) | 2023-10-17 | 2023-10-17 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094231B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011109914A1 (de) * | 2010-08-24 | 2012-03-01 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | System und Verfahren zur Bestimmung einer Motorabgaszusammensetzung |
CN107203832A (zh) * | 2017-04-07 | 2017-09-26 | 哈尔滨工程大学 | 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法 |
CN107476903A (zh) * | 2017-08-31 | 2017-12-15 | 哈尔滨工程大学 | 一种增压柴油机egr性能评估及最佳egr率确定方法 |
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
CN110529275A (zh) * | 2018-05-23 | 2019-12-03 | 中国人民解放军陆军军事交通学院 | 柴油机双vgt二级可调增压系统与燃油共轨系统变海拔协同控制方法 |
CN113673089A (zh) * | 2021-07-23 | 2021-11-19 | 东风汽车集团股份有限公司 | 一种发动机性能确定方法、装置以及电子设备 |
CN115523043A (zh) * | 2022-10-09 | 2022-12-27 | 一汽解放大连柴油机有限公司 | 一种发动机加权工况点的确定方法、装置、设备及介质 |
-
2023
- 2023-10-17 CN CN202311340600.8A patent/CN117094231B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011109914A1 (de) * | 2010-08-24 | 2012-03-01 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | System und Verfahren zur Bestimmung einer Motorabgaszusammensetzung |
CN107203832A (zh) * | 2017-04-07 | 2017-09-26 | 哈尔滨工程大学 | 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法 |
CN107476903A (zh) * | 2017-08-31 | 2017-12-15 | 哈尔滨工程大学 | 一种增压柴油机egr性能评估及最佳egr率确定方法 |
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
CN110529275A (zh) * | 2018-05-23 | 2019-12-03 | 中国人民解放军陆军军事交通学院 | 柴油机双vgt二级可调增压系统与燃油共轨系统变海拔协同控制方法 |
CN113673089A (zh) * | 2021-07-23 | 2021-11-19 | 东风汽车集团股份有限公司 | 一种发动机性能确定方法、装置以及电子设备 |
CN115523043A (zh) * | 2022-10-09 | 2022-12-27 | 一汽解放大连柴油机有限公司 | 一种发动机加权工况点的确定方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
基于神经网络和PSO算法的双燃料发动机多目标优化标定;王爽;《工程科技Ⅱ辑》;第1-70页 * |
联合GT及Matlab的柴油机虚拟标定;张斌等;《内燃机工程》;第38卷(第4期);第139-150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094231A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7593804B2 (en) | Fixed-point virtual sensor control system and method | |
Wang et al. | Comparison and implementation of machine learning models for predicting the combustion phases of hydrogen-enriched Wankel rotary engines | |
CN111664016B (zh) | 发动机的控制方法及系统、电子设备 | |
CN110555217B (zh) | 离心压气机变海拔全工况通流设计优化方法 | |
CN113673089B (zh) | 一种发动机性能确定方法、装置以及电子设备 | |
CN117094231B (zh) | 天然气发动机硬件参数确定方法、装置、设备及存储介质 | |
CN113283039B (zh) | 一种发动机排气系统优化方法、装置、介质及电子设备 | |
CN113006955B (zh) | Egr阀全关闭控制方法、装置、计算机设备及存储介质 | |
CN111177864B (zh) | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 | |
CN110925106B (zh) | 发动机的节气门的控制方法和装置、电子设备、发动机 | |
CN112761803A (zh) | 燃气喷射瞬态补偿方法、装置、车辆及存储介质 | |
CN114575993B (zh) | 增压器保护控制方法、装置及终端设备 | |
CN113343390B (zh) | 基于神经网络非线性模型的发动机线性化建模方法 | |
CN110276525B (zh) | 基于燃油经济性的发动机关键技术评估方法 | |
CN113239533A (zh) | 发动机排气系统温度模型构建方法、装置及存储介质 | |
CN114707290B (zh) | 一种高效低排放发动机技术参数决策方法 | |
US20210192104A1 (en) | Method and system for internal combustion engine simulation | |
CN111412071B (zh) | 一种egr率的计算方法、装置、车载终端及储存介质 | |
WO2013072986A1 (ja) | パラメータ探索方法およびパラメータ探索システム | |
CN112800591B (zh) | 一种预测发动机性能参数修改量的方法及相关装置 | |
Sheridan et al. | Defining a model-based calibration process for a twin-independent valve timing engine | |
CN116086560B (zh) | 一种多因素耦合下的发动机万有油耗修正方法及系统 | |
CN114757117B (zh) | 柴油机进气道性能评估方法、系统、终端设备及存储介质 | |
CN115326124A (zh) | 一种排气背压传感器的检验方法、装置、存储介质和设备 | |
CN117090702A (zh) | 用于发动机的增压确定方法及增压确定装置 |
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 |