CN112199893B - 一种电磁执行器计算优化方法 - Google Patents

一种电磁执行器计算优化方法 Download PDF

Info

Publication number
CN112199893B
CN112199893B CN202011095651.5A CN202011095651A CN112199893B CN 112199893 B CN112199893 B CN 112199893B CN 202011095651 A CN202011095651 A CN 202011095651A CN 112199893 B CN112199893 B CN 112199893B
Authority
CN
China
Prior art keywords
optimization
electromagnetic actuator
peak
population
target characteristics
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
Application number
CN202011095651.5A
Other languages
English (en)
Other versions
CN112199893A (zh
Inventor
赵建辉
卢相东
赵术男
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202011095651.5A priority Critical patent/CN112199893B/zh
Publication of CN112199893A publication Critical patent/CN112199893A/zh
Application granted granted Critical
Publication of CN112199893B publication Critical patent/CN112199893B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Valve Device For Special Equipments (AREA)

Abstract

本发明的目的在于提供一种电磁执行器计算优化方法，包括如下步骤：设定电磁执行器的优化目标特性、优化自变量；建立电磁执行器的磁场模型，获得优化的目标特性和自变量之间的传递函数；第一部分优化以开启响应时间和能量转化效率为优化目标特性，以峰值阶段中的峰值电压、峰值电流、峰值阶段持续时间为优化目标特性的自变量；第二部分优化以进一步提高能量转换效率和关闭响应时间为优化目标特性，以保持电流为优化目标特性的自变量。本发明解决了电磁执行器追求高动态响应时无法同时满足高的能量转化效率的问题，能够实现对电磁执行器高响应低能耗目标特性的参数优化，提高电磁执行器的可靠性和延长使用寿命。

Description

一种电磁执行器计算优化方法
技术领域
本发明涉及的是一种电磁执行器，具体地说是柴油机喷油器电磁执行器优化方法。
背景技术
电控高压共轨***是现代化柴油机的核心关键***，而高速电磁执行器则是共轨喷油器的核心控制部件。当电磁执行器开启响应时间较长时,共轨***燃油喷射时刻的精度将大幅度下降，这导致多缸柴油机各缸喷射一致性的恶化。当电磁执行器关闭响应时间较长时，喷油器针阀关闭过缓，这使得喷射后期燃油雾化较差，大颗粒的燃油使得柴油机碳烟增大，恶化其排放特性。因此，电磁执行器的高动态响应特性直接影响柴油机的经济性和排放性。在追求高响应特性时，不得不采用更大的驱动电流来实现，但这使得电磁执行器的能量损耗增大，高频快速使得电磁执行器内部温升增加，这会极大降低电磁执行器的使用寿命。
发明内容
本发明的目的在于提供能实现电磁执行器的高动态响应和低能耗的一种电磁执行器计算优化方法。
本发明的目的是这样实现的：
本发明一种电磁执行器计算优化方法，其特征是：
(1)设定电磁执行器的开启响应时间、关闭响应时间和能量转化效率为优化的目标特性，电磁执行器的峰值电压、峰值电流、峰值阶段持续时间和保持电流为优化自变量；根据电磁执行器结构参数，建立电磁执行器的磁场模型，获得优化的目标特性和自变量之间的传递函数；
(2)第一部分优化以开启响应时间和能量转化效率为优化目标特性，以峰值阶段中的峰值电压、峰值电流、峰值阶段持续时间为优化目标特性的自变量，判断开启响应时间和能量转化效率这两个目标特性的数量级和单位的差距，赋予更大的比例给比重大的目标特性的父代为选择标准，使更高概率使拥有高比重大的目标特性的个体拥有优先权；
(3)第二部分优化以进一步提高能量转换效率和关闭响应时间为优化目标特性，以保持电流为优化目标特性的自变量。
本发明还可以包括：
1、第一部分优化具体为：
a)设置电磁执行器的驱动电路的输入参数，将峰值阶段的输入参数转化为编码参数形式的染色体，生成初始化的初代自变量种群；
b)进行种群适应度计算，个体的适应度取为由目标特性构造的适应度函数值，输出被选中的个体；
c)对获得繁殖后代权利的被选中个体之间进行基本的交叉繁殖过程，并设置一个变异的概率，随机对部分子代个体的基因引起改变，部分最高适应度个体不参与交叉与变异运算，用其替代子代中经过交叉、变异后得到的等量最低适应度个体，防止种群陷入局部最优，输出具有父代双亲的编码特征的后代和变异的后代；
d)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致的衔铁无法抬升、无法抬升至最大升程的两种情况的个体；
e)返回步骤b)，进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出兼顾开启响应时间和能量转化效率的最优个体参数值。
2、ⅰ)将第一部分优化最终输出的最优个体峰值参数值设置为电磁执行器驱动电路峰值阶段的输入参数，将未优化的保持电流转化为编码参数形式的染色体，生成初始化初代自变量种群；
ⅱ)重复第一部分优化中的步骤b)；
ⅲ)重复第一部分优化中的步骤c)；
ⅳ)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致抬升至最大升程后无法在保持电流期间一直处于抬升状态、关闭信号发出后无法关闭的两种情况的个体；
ⅴ)返回ⅱ)进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出最终最优个体参数，即优化后的峰值电压、峰值电流、峰值持续时间和保持电流参数，完成电磁执行器开启响应时间、关闭响应时间和能量转化效率的优化。
本发明的优势在于：本发明解决了电磁执行器追求高动态响应时无法同时满足高的能量转化效率的问题，能够实现对电磁执行器高响应低能耗目标特性的参数优化，提高电磁执行器的可靠性和延长使用寿命。
附图说明
图1为本发明的流程图；
图2为第一部分峰值阶段优化的目标特性演化图；
图3为第二部分保持阶段优化的各代能量转化效率图。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-3，本发明的优化流程如图1所示，具体包括：
(1)设定电磁执行器的开启响应时间、关闭响应时间和能量转化效率为优化的目标特性，电磁执行器的峰值电压、峰值电流、峰值阶段持续时间和保持电流为优化自变量。根据电磁执行器基本结构参数，建立电磁执行器的磁场模型，获得优化的目标特性和自变量之间的传递函数。
(2)第一部分优化以开启响应时间和能量转化效率为优化目标特性，以峰值阶段中的峰值电压、峰值电流、峰值阶段持续时间为优化目标特性的自变量。判断开启响应时间和能量转化效率这两个目标特性的数量级和单位的差距，赋予更大的比例给比重大的目标特性的父代为选择标准，使更高概率使拥有高比重大的目标特性的个体拥有优先权。第一部分优化具体为：
a)设置电磁执行器的驱动电路的输入参数，将峰值阶段的输入参数转化为编码参数形式的染色体，生成初始化的初代自变量种群；
b)进行种群适应度计算，个体的适应度取为由目标特性构造的适应度函数值，适应度高的个体优先被选中，适应度低的个体被选中的概率降低，但以两个目标特性作为标准时筛选不能相互影响，输出被选中的个体；
c)对获得繁殖后代权利的被选中个体之间进行基本的交叉繁殖过程，并设置一个变异的概率，随机对部分子代个体的基因引起一定程度的改变，但一定量的最高适应度个体不参与交叉与变异运算，而是用其替代子代中经过交叉、变异后得到的等量最低适应度个体，防止种群陷入局部最优，输出具有父代双亲的编码特征的后代和变异的后代；
d)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致的衔铁无法抬升、无法抬升至最大升程的两种情况的个体；
e)返回b)进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出兼顾开启响应时间和能量转化效率的最优个体参数值。
第一部分优化的最终代收敛在了图2中线框的范围内，挑选线框内对应机械能转化率为8％，开启响应时间0.0465ms的个体作为峰值阶段的最终优化结果，该个体的峰值阶段驱动参数为峰值阶段持续时间0.2144ms，峰值电压66.623V，峰值电流22.963A。
(3)第二部分优化：以进一步提高能量转换效率和关闭响应时间为优化目标特性，以保持电流为优化目标特性的自变量。
a)将步骤(2)最终输出的最优个体峰值参数值设置为电磁执行器驱动电路峰值阶段的输入参数，将未优化的保持电流转化为编码参数形式的染色体，生成初始化初代自变量种群；
b)重复步骤(2)中的b)；
c)重复步骤(2)中的c)；
d)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致抬升至最大升程后无法在保持电流期间一直处于抬升状态、关闭信号发出后无法关闭的两种情况的个体；
e)返回b)进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出最终最优个体参数，即优化后的峰值电压、峰值电流、峰值持续时间和保持电流参数，完成电磁执行器开启响应时间、关闭响应时间和能量转化效率的优化。
第二部分优化的各代保持电流和对应的能量转化效率如图3所示，最低保持电流越小关闭响应越快，在满足参数限制条件下线框内为最终优化的最优个体，该个体的关闭响应时间为0.056ms，能量转化效率进一步提高为8.4％，保持阶段驱动参数为4.1A。
表1优化前后全部参数对比表
Figure BDA0002723627730000051

Claims (1)

1.一种电磁执行器计算优化方法，其特征是：
(1)设定电磁执行器的开启响应时间、关闭响应时间和能量转化效率为优化的目标特性，电磁执行器的峰值电压、峰值电流、峰值阶段持续时间和保持电流为优化自变量；根据电磁执行器结构参数，建立电磁执行器的磁场模型，获得优化的目标特性和自变量之间的传递函数；
(2)第一部分优化以开启响应时间和能量转化效率为优化目标特性，以峰值阶段中的峰值电压、峰值电流、峰值阶段持续时间为优化目标特性的自变量，判断开启响应时间和能量转化效率这两个目标特性的数量级和单位的差距，赋予更大的比例给比重大的目标特性的父代为选择标准，使更高概率使拥有高比重大的目标特性的个体拥有优先权；
(3)第二部分优化以进一步提高能量转换效率和关闭响应时间为优化目标特性，以保持电流为优化目标特性的自变量；
第一部分优化具体为：
a)设置电磁执行器的驱动电路的输入参数，将峰值阶段的输入参数转化为编码参数形式的染色体，生成初始化的初代自变量种群；
b)进行种群适应度计算，个体的适应度取为由目标特性构造的适应度函数值，输出被选中的个体；
c)对获得繁殖后代权利的被选中个体之间进行交叉繁殖过程，并设置一个变异的概率，随机对部分子代个体的基因引起改变，部分最高适应度个体不参与交叉与变异运算，用其替代子代中经过交叉、变异后得到的等量最低适应度个体，防止种群陷入局部最优，输出具有父代双亲的编码特征的后代和变异的后代；
d)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致的衔铁无法抬升、无法抬升至最大升程的两种情况的个体；
e)返回步骤b)，进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出兼顾开启响应时间和能量转化效率的最优个体参数值；
ⅰ)将第一部分优化最终输出的最优个体峰值参数值设置为电磁执行器驱动电路峰值阶段的输入参数，将未优化的保持电流转化为编码参数形式的染色体，生成初始化初代自变量种群；
ⅱ)重复第一部分优化中的步骤b)；
ⅲ)重复第一部分优化中的步骤c)；
ⅳ)对新一代种群解码，筛选并淘汰超出参数限制范围的个体，以及由于自变量不合格而导致衔铁抬升至最大升程后无法在保持电流期间一直处于抬升状态、关闭信号发出后无法关闭的两种情况的个体；
ⅴ)返回ⅱ)进行下一代种群的计算，直至达到10次种群迭代，分析最终代的种群数据，输出最终最优个体参数，即优化后的峰值电压、峰值电流、峰值持续时间和保持电流参数，完成电磁执行器开启响应时间、关闭响应时间和能量转化效率的优化。
CN202011095651.5A 2020-10-14 2020-10-14 一种电磁执行器计算优化方法 Active CN112199893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011095651.5A CN112199893B (zh) 2020-10-14 2020-10-14 一种电磁执行器计算优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011095651.5A CN112199893B (zh) 2020-10-14 2020-10-14 一种电磁执行器计算优化方法

Publications (2)

Publication Number Publication Date
CN112199893A CN112199893A (zh) 2021-01-08
CN112199893B true CN112199893B (zh) 2022-06-17

Family

ID=74009658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011095651.5A Active CN112199893B (zh) 2020-10-14 2020-10-14 一种电磁执行器计算优化方法

Country Status (1)

Country Link
CN (1) CN112199893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036407B (zh) * 2024-04-11 2024-07-02 华中科技大学 一种平板式音圈电磁式力控执行器设计与优化方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITGE20020101A1 (it) * 2002-10-30 2004-04-30 Ali Spa Metodo per il controllo e l'ottimizzazione del ciclo
CN102777302A (zh) * 2012-07-23 2012-11-14 中国兵器工业集团第七0研究所 一种高压共轨高速电磁阀驱动参数优化试验方法
CN106089524B (zh) * 2016-06-14 2019-03-19 吉林大学 基于遗传算法的高压共轨***及参数优化方法
CN109190241B (zh) * 2018-08-30 2022-07-12 哈尔滨工业大学 电磁机构静态特性优化方法
CN110287636A (zh) * 2019-07-03 2019-09-27 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种高速电磁阀动态响应特性多目标优化方法

Also Published As

Publication number Publication date
CN112199893A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112199893B (zh) 一种电磁执行器计算优化方法
CN110729765A (zh) 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN102337979A (zh) 一种基于遗传算法的发动机自动标定参数优化方法
CN110287636A (zh) 一种高速电磁阀动态响应特性多目标优化方法
Gao et al. Optimization design of switched reluctance motor based on particle swarm optimization
CN115021325B (zh) 基于ddpg算法的光伏逆变器多目标优化方法
CN113688488B (zh) 基于改进的人工鱼群算法的电网线路规划方法
Lei et al. Multilevel robust design optimization of a superconducting magnetic energy storage based on a benchmark study
CN116885796B (zh) 电力***智能调节方法及***
CN111027251B (zh) 一种基于偏好集的电磁继电器稳健性优化设计方法
Wibowo et al. Unit commitment with non-smooth generation cost function using binary particle swarm optimization
CN115221787A (zh) 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和***
CN115859518A (zh) 基于改进海鸥优化算法的立体卷铁心变压器优化设计方法
Chen et al. Research on adaptive genetic algorithm based on multi-population elite selection strategy
CN114066280A (zh) 一种基于改进蜜獾优化的电力经济排放调度方法
CN113591370A (zh) 一种核电站发电功率调节方法及***
CN115720341A (zh) 一种用于5g通道关断的方法、介质及装置
CN111815023A (zh) 一种基于改进灰狼优化算法的校园电采暖软启动方法
Huang et al. Multi-objective preference optimization method of permanent magnet assisted reluctance motor
CN111783988B (zh) 求解环境经济调度问题的多目标灰色预测演化方法及***
CN117526374B (zh) 匹配波动电源实时出力的新能源制氢***控制方法及装置
CN112928751B (zh) 一种基于鲁棒优化的新能源电网并网装备配置方法
CN112085291A (zh) 一种用于配电网规划优化的遗传算法、***及装置
CN116013648A (zh) 一种用于储能的差共模集成电感
CN115310364A (zh) 含永磁体的电磁执行器多目标优化方法

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