CN114934848B - 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 - Google Patents
一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 Download PDFInfo
- Publication number
- CN114934848B CN114934848B CN202210686148.XA CN202210686148A CN114934848B CN 114934848 B CN114934848 B CN 114934848B CN 202210686148 A CN202210686148 A CN 202210686148A CN 114934848 B CN114934848 B CN 114934848B
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- data
- rotating speed
- neural network
- model
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000002347 injection Methods 0.000 claims description 35
- 239000007924 injection Substances 0.000 claims description 35
- 230000005284 excitation Effects 0.000 claims description 24
- 239000000446 fuel Substances 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 239000003921 oil Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 239000010724 circulating oil Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000005474 detonation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003225 biodiesel Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0002—Controlling intake air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/30—Controlling fuel injection
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0002—Controlling intake air
- F02D2041/0022—Controlling intake air for diesel engines by throttle control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,它属于柴油机燃烧过程建模领域。本发明解决了柴油机台架试验阶段的数据不能对柴油机全转速工况范围进行采样,导致对柴油机全运行工况的神经网络建模困难的问题。本发明的主要技术方案为:步骤一、根据面向柴油机燃烧性能控制目标,选择柴油机仿真模型的输入参数和输出参数;步骤二、利用输入参数数据激励柴油机仿真模型获取输出参数数据,将输入参数数据和输出参数数据作为建模数据;利用获得的建模数据建立若干个定值转速对应的子模型;步骤三、将相邻转速对应的子模型按有效性函数进行加权,获得全转速范围下的预测模型。本发明方法可以应用于柴油机数据驱动建模与燃烧性能优化控制。
Description
技术领域
本发明属于柴油机燃烧过程建模领域,具体涉及一种面向柴油机燃烧性能优化控制的 模糊神经网络建模方法。
背景技术
为了实现对柴油机性能排放预测,进一步实现燃烧优化,减小台架试验的次数与成本, 发展了柴油机数值仿真模型。按照发展进程可分为:零维模型、准维模型与多维模型,零 维模型依据热力学中的能量和质量守恒定律将缸内视为均匀场,但其结果无法准确预测柴油机排放性能指标;准维模型将燃烧室划分为多个区域,并对区域内温度、浓度等参数建 立随时间变化的关系式,避免了对燃烧过程的过度简化且计算量适中,具有一定的性能预 测能力,是目前应用较多的模型,如油滴蒸发燃烧模型;多维模型以最基本的物理量为基 础用控制方程表达缸内燃烧过程,并通过数值方法求解,但其计算量巨大。
而随着智能算法的发展、人工神经网络的提出,利用大量试验数据学习并预测复杂机 理的黑箱模型也广泛应用在柴油机性能预测领域。柴油机燃烧过程复杂,多个参数之间存 在耦合等关系,而人工神经网络依据大量数据,学习多输入输出***之间复杂的非线性关系并进行预测,因此,人工神经网络可以很好地适应柴油机燃烧过程。2014年HadiTaghavifar等人对生物柴油机以燃油蒸发量与柴油质量百分比等参数为输入、以NOx与Soot为输出建立人工神经网络模型,其预测准确率高达99%。但拟合神经网络模型对 数据有较高的要求,期望数据具有遍历性、致密性和相容性,而柴油机台架试验阶段的数 据通常不能对柴油机全转速工况范围进行采样,对柴油机全运行工况的神经网络建模造成困难。因此需要改进神经网络模型建模方式,利用较少数据构建全转速工况范围内柴油机 燃烧过程模型,为进一步实现柴油机燃烧性能优化作出良好基础。
发明内容
本发明的目的是为解决柴油机台架试验阶段的数据不能对柴油机全转速工况范围进 行采样,导致对柴油机全运行工况的神经网络建模困难的问题,而提出的一种面向柴油机 燃烧性能优化控制的模糊神经网络建模方法。
本发明为解决上述技术问题所采取的技术方案是:
一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,所述方法具体包括以下 步骤:
步骤一、根据面向柴油机燃烧性能控制目标,选择柴油机仿真模型的输入参数和输出 参数;
步骤二、确定输入参数的数据幅值变化范围及作用的时间间隔,利用输入参数数据激 励柴油机仿真模型(所述柴油机仿真模型为GT-Power仿真模型)获取输出参数数据,将 输入参数数据和输出参数数据作为建模数据;
利用获得的建模数据建立若干个定值转速对应的子模型;
步骤三、分别为步骤二中的各个子模型设计有效性函数,将相邻转速对应的子模型按 有效性函数进行加权,获得全转速范围下的预测模型。
进一步地,所述步骤一中,根据柴油机降低油耗减少排放要求的目标,选择柴油机仿 真模型建模的输出参数为柴油机输出功率、燃油消耗率、NOx生成量、空燃比以及爆压;再根据输出参数与柴油机燃油喷射以及进气可调参数之间的关系,选择柴油机仿真模型建模的输入参数为喷油时刻、进气门开启时刻、喷油压力与循环喷油量。
选择上述输入输出参数的目的是为优化控制建立良好的模型基础,进一步优化燃烧减 少排放。
进一步地,所述步骤二的具体过程为:
选取4个定值转速,且在每个定值转速下,均在当前转速推进工况所对应的标准循环 喷油量上下调整循环喷油量的值以及其他输入参数的值,利用输入参数数据激励柴油机仿 真模型获取输出参数数据;
将每个定值转速下的输入参数数据以及输出参数数据分别作为对应定值转速下的建 模数据,再利用建模数据建立对应定值转速下的子模型,即分别获得了4个定值转速对应 的子模型。
通过调整输入参数的幅值变化范围,使柴油机输出功率在不同转速工况的功率实现相 邻转速段的功率覆盖。根据输出参数对输入参数变化的响应速度,确定用于获取建模数据 的各个输入参数作用的时间间隔。
进一步地,所述柴油机仿真模型的输入参数激励信号为阶跃信号。
进一步地,所述阶跃信号的持续时间为2s。
各输入参数激励信号的持续时间的长短依据仿真模型实际情况确定,其原则为既要充 分激励***,体现不同信号的差别,又要考虑到计算时间的长短,保证较高的效率。选择 与仿真采样模型稳态数据趋势相同、具体数值接近时的时间间隔,本发明方法选择2s作为信号最小时间间隔。
进一步地,所述步骤二中,分别获得对应定值转速下的建模数据后,利用BP神经网络分别建立各定值转速对应的子模型,所述子模型用于表征输入输出参数关系。
进一步地,所述将相邻转速对应的子模型按有效性函数进行加权,获得全转速范围下 的预测模型;其具体过程为:
本发明令不同定值转速工况的神经网络子模型在相邻转速区间内两两加权插值,即两 个相邻的定值转速工况神经网络子模型的转速区间内,只有这两个子模型起作用,其余子 模型转速不在此有效性函数的覆盖范围内,权重为0。
y=fa·h1+fb·h2
其中:
其中,fa为输入参数数据经过子模型1得到的输出,fb为输入参数数据经过子模型2得到的输出;h1为fa的权重;h2为fb的权重;x为当前时刻的转速值;e为自然对数的底数;为子模型1的有效性函数;c1为子模型1的中心点,即子模型1的定值转速值;σ1为 子模型1的标准方差。
进一步地,所述方法还包括步骤四,所述步骤四的具体过程为:
确定柴油机仿真模型在一个新的工况的标准转速,并通过DOE寻优获得新的工况的 喷油时刻与循环喷油量;通过修改转速、喷油时刻与循环喷油量分别建立不同螺旋桨曲线 对应负荷的新工况;
再设计输入参数激励信号,基于设计的输入参数激励信号获得预测模型的验证数据;
将预测模型的预测输出与柴油机仿真模型的实际输出进行对比,完成对预测模型的验 证。
进一步地,所述输入参数激励信号为给定转速变扭矩信号或变转速变扭矩信号。
本发明的有益效果是:
本发明提出了一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,局部子模 型采用人工神经网络的方法建立柴油机性能参数预测模型,能够更快地根据柴油机输入得 到期望的柴油机性能参数,相较于运行速度较慢的柴油机GT-Power仿真模型,神经网络 模型更适应于控制方法设计时需要多次迭代计算的场景。提出人工神经网络与T-S模糊原 理结合的方法,使用有效性函数对不同转速工况的神经网络子模型进行模糊加权插值,得 到中间工况的预测参数,解决了全转速范围下神经网络模型建模困难、预测精度低的问题,而且所建立的神经网络模型泛化效果好,能够对柴油机燃烧性能参数及排放进行精确预测。
并且将预测结果与仿真结果进行比较,其平均相对误差百分比较小,表明预测数据与 仿真数据具有很好的一致性,所建立的柴油机燃烧性能预测模型具有良好的预测泛化能力。
附图说明
图1为本发明方法的流程图;
图2a为本发明对于输入采样时激励信号不同持续时间仿真数据结果图一;
图2b为本发明对于输入采样时激励信号不同持续时间仿真数据结果图二;
图2c为本发明对于输入采样时激励信号不同持续时间仿真数据结果图三;
图3为本发明的GT-Power仿真模型的输入激励信号图;
图4为本发明GT-Power仿真模型与Simulink耦合输入采样模型的示意图;
图5为本发明全负荷工况下不同负荷工况的神经网络模型有效性函数示意图;
图6为本发明的柴油机燃烧性能智能预测模型示意图;
模型在Simulink中实现;
图7为本发明验证数据类型为定转速变扭距的仿真模型激励信号图;
图8为本发明验证数据类型为变转速变扭距的仿真模型激励信号图;
图9a为本发明全工况燃烧预测模型燃烧参数预测精度验证结果图一;
图9b为本发明全工况燃烧预测模型燃烧参数预测精度验证结果图二;
图9c为本发明全工况燃烧预测模型燃烧参数预测精度验证结果图三;
图9d为本发明全工况燃烧预测模型燃烧参数预测精度验证结果图四;
注:附图中柴油机循环喷油量、转速以及其他柴油机性能参数都是经如下公式归一化 后的结果:
其中,为参数归一化后的值;xmin为参数的最小值;xmax为参数的最大值。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明进行进 一步详细说明。本发明采用如下技术方案:首先根据面向柴油机燃烧性能控制目标,确定 模型的输入与输出参数,确定输入信号,并以转速为特征的不同工况改变循环喷油量以实现相邻转速工况间的功率覆盖,对GT-Power仿真模型进行激励获取建模数据,使用数据 分别建立各转速对应的神经网络子模型,将子模型基于T-S模糊原理结合成为全转速范围 模型,对建立的全工况柴油机燃烧性能智能预测模型验证。
图1为基于T-S模糊神经网络的柴油机燃烧过程建模方法的流程图。其具体步骤如下:
1、根据面向控制柴油机燃烧性能控制的目标,确定模型的输入输出参数。为了满足 优化燃烧减少排放的需求,本发明选取柴油机性能参数:柴油机输出功率、燃油消耗率、NOx生成量,以及燃烧过程约束参数:空燃比及爆压,共五个量作为模型的输出参数;选取喷油正时、进气门开启时刻,喷油压力以及循环喷油量作为输入参数。
2.1、以转速为特征的不同工况功率覆盖:为使得柴油机在任意给定转速下,通过本 发明方法所得到的模型进行优化控制,需要对所建立的若干定值转速对应的子模型满足相 邻转速的子模型间功率相互覆盖。在各转速推进工况所对应的标准喷油量上下调整循环喷油量及其他输入参数改变柴油机输出功率,使得功率在一定范围变化,并且不同转速工况 的功率实现相邻转速段的功率覆盖。在GT-Power仿真模型中进行数据采集。已知某船用 柴油机的额定功率为1,对应的标准转速与标准循环喷油量分别为A、a,75%、50%、25% 负荷工况的功率分别为0.75、0.5、0.25,其按照螺旋桨推进特性曲线所对应的转速分别为 B、C、D,对应的标准循环喷油量分别为b、c、d。
固定定值转速工况的转速为标准转速A、B、C、D,在每个工况标准循环喷油量左右,改变喷油量使其输出功率改变,最终在A转速为特征的负荷工况下,功率变化为[85%,110%];在B转速为特征的负荷工况下,功率变化为[60%,85%];在C转速为特征的 负荷工况下,功率变化为[35%,60%];在D转速为特征的负荷工况下,功率变化为 [10%,35%]。
2.2、确定仿真模型激励信号的类型与信号变化时间间隔。选取阶跃信号作为模型辨 识的激励信号,同时为了充分激励***,输入信号要尽可能持续较长时间,但在实际仿真 中,过长时间的激励会导致过长的计算时间,且得到的数据对模型辨识的结果精度没有太大的帮助,所以对激励信号需要选择合适的持续时间。选择阶跃信号持续时间分别为1s,2s与达到稳态,其归一化后的GT-Power仿真结果如图2a至图2c所示。
由图2a至图2c可以看出,当信号持续时间为2s时,与稳态数据数值的变化趋势两方面都非常接近,此时既能体现不同信号对仿真模型的激励作用又可以减小采样时间,所以选择阶跃信号的持续时间为2s。
以100%负荷工况为例,GT-Power模型的激励信号如图3所示,Simulink与GT-Power 仿真模型耦合的Simulink模型如图4所示。
3.1、建立定值转速工况的神经网络子模型。将通过GT-Power仿真模型采样得到的每 个定值转速工况的330个数据分为训练数据与验证数据,随机抽取10%作为验证数据,其余作为训练数据。
所有的训练数据按一定的比例在每次训练前随机分组(70%、15%、15%)依次用于 模型训练时的训练、验证和测试,用均方差MSE与拟合优度R2判定神经网络训练效果。采样结束后抽取的10%的验证数据将作为完全不同于训练数据的一组数据,用训练好的神经网络模型进行拟合,并将得到的数据与原数据对比进行误差分析,用平均相对误差百分比MAPE判断模型泛化效果。
其中:yi为数据实际值,f(xi)为模型预测值,为数据实际值的平均数。
训练时使用MATLAB神经网络工具箱,训练算法选择Levenberg-Marquardt算法,不同负荷工况的神经网络隐含层结构及其误差分析指标如表1所示:
表1不同工况神经网络模型
将随机选取的10%与训练数据不同的验证数据代入到建立好的单一工况神经网络模 型中,并通过平均相对误差百分比MAPE对其进行评价,MAPE越小,神经网络模型的预测泛化能力越强。各个工况下验证数据输出参数与拟合输出参数的平均相对误差百分比MAPE如表2所示:
表2不同负荷工况误差分析
3.2、建立定值转速的神经网络子模型后,通过Takagi-Sugeno模糊神经网络原理,进 行结合,使得局部子模型结合成为全转速范围的模型。T-S模糊神经网络即为 Takagi-Sugeno模糊模型,属于层次模型。其基本原则是一种分治策略,***空间被细分 为多个更小的子空间,并使用单个子模型进行识别。所以复杂的问题被细分为多个更简单 的问题,然后使用更简单的模型来识别这些问题。
模糊神经网络的输出可以表示为:
其中,y表示全转速范围内的模型预测输出,是所有局部子模型f(·)的加权和;有效 性函势用来确定被加权子模型的权值系数,模型使用的有效性函数为高斯函数cij为中心点,un为区间内的不同转速值,σij为标准方差,设计的原则为1)2)根据子模型的转速作用域,确定中参数。
本发明方法令不同定值转速工况的神经网络子模型在相邻转速区间内两两加权插值, 即两个相邻的定值转速工况神经网络子模型的转速区间内,只有这两个子模型起作用,其 余子模型转速不在此有效性函数的覆盖范围内,权重为0。故式可 以化简为:
y=fa·h1+fb·h2
其中:
其中,fa等于输入数据经过神经网络子模型1拟合得到的输出;fb等于输入数据经过 神经网络子模型2拟合得到的输出;h1为fa的权重;h2为fb的权重;c1为神经网络子模型 1的中心点,即为神经网络子模型1的定值转速值;σ1为神经网络子模型1的标准方差。
根据不同定值转速工况间的数据特性,当h1=1时,输出y等于神经网络子模型1的拟 合的输出,当h1=0时,输出y等于神经网络子模型2的拟合输出。即在一个加权区间内,区间的左端点h1=1,右端点h1=0。
所以根据高斯函数,当θ=0时,
如果x=3δ:
f(x)=e-4.5≈0
故当区间的半宽长等于三倍的标准差时,可以实现区间的左端点h1=1,右端点h1=0。 不同定值转速工况间的有效性函数即模糊加权函数如图5所示。
得到的全转速工况范围基于T-S模糊的柴油机燃烧性能智能预测模型如图6所示,不 同定值转速工况的神经网络子模型通过有效性函数进行模糊加权最终得到智能预测模型 的拟合输出结果。
4、设计新的仿真模型工况并对其采样,将采样得到的数据作为全转速范围柴油机燃 烧过程模型的验证数据并代入其中验证建模效果。根据船用柴油机螺旋桨特性公式,确定 一个新的工况的转速,并将喷油时刻与循环喷油量通过DOE寻优,得到最佳参数。
其中:NP-螺旋桨所吸收的功率;KN-功率系数;no-螺旋桨的转速;m-指数,m=3。
在GT-Power中修改转速、喷油时刻、循环喷油量及边界条件(包括:进气压力、排气压力与排气温度),建立85%、65%、35%三个不同螺旋桨曲线对应负荷的新工况,激 励信号设计为两种:一种为给定转速变扭矩信号,激励仍然为最小时间间隔为2s的阶跃 信号,如图7所示;一种为变转速变扭矩信号,激励仍然为最小时间间隔为2s的阶跃信 号,并且转速也产生阶跃变化,激励信号如图8所示,将不同输入在仿真模型中采样,得 到仿真输出数据,并将同样的输入代入到全转速工况智能预测模型中,得到拟合数据,对 比拟合数据与仿真数据并计算其平均相对误差。85%工况的仿真验证数据与智能预测模型 拟合数据对比如图9a至图9d所示,不同新建工况的仿真验证数据与拟合数据对比得到的 具体验证效果MAPE如表3所示:
表3全工况模型不同工况数据验证效果
从图9a至图9d可以看出,验证工况的拟合数据误差基本符合精度要求,高工况拟合 误差很小,拟合数据预测精确,低工况由于燃烧恶化和本身的性能参数较小,所以平均相 对误差变大,但数据误差在合理范围内。全工况智能预测模型能较好的预测未知工况的燃 烧性能参数,有较好的预测泛化能力。
通过区别于训练工况的完全未知工况数据的验证,柴油机全转速工况燃烧智能预测模 型即面向柴油机燃烧优化控制的模糊神经网络模型有着良好的预测泛化能力。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明 的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出 其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技 术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述方法具体包括以下步骤:
步骤一、根据面向柴油机燃烧性能控制目标,选择柴油机仿真模型的输入参数和输出参数;
步骤二、确定输入参数的数据幅值变化范围及作用的时间间隔,利用输入参数数据激励柴油机仿真模型获取输出参数数据,将输入参数数据和输出参数数据作为建模数据;
利用获得的建模数据建立若干个定值转速对应的子模型;
选取4个定值转速,且在每个定值转速下,均在当前转速推进工况所对应的标准循环喷油量上下调整循环喷油量的值以及其他输入参数的值,利用输入参数数据激励柴油机仿真模型获取输出参数数据;
将每个定值转速下的输入参数数据以及输出参数数据分别作为对应定值转速下的建模数据,再利用建模数据建立对应定值转速下的子模型,即分别获得了4个定值转速对应的子模型;
步骤三、分别为步骤二中的各个子模型设计有效性函数,将相邻转速对应的子模型按有效性函数进行加权,获得全转速范围下的预测模型;
令不同定值转速工况的神经网络子模型在相邻转速区间内两两加权插值,具体过程为:
y=fa·h1+fb·h2
其中:
2.根据权利要求1所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述步骤一中,选择柴油机仿真模型建模的输出参数为柴油机输出功率、燃油消耗率、NOx生成量、空燃比以及爆压;选择柴油机仿真模型建模的输入参数为喷油时刻、进气门开启时刻、喷油压力与循环喷油量。
3.根据权利要求1所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述柴油机仿真模型的输入参数激励信号为阶跃信号。
4.根据权利要求3所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述阶跃信号的持续时间为2s。
5.根据权利要求4所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述步骤二中,分别获得对应定值转速下的建模数据后,利用BP神经网络分别建立各定值转速对应的子模型,所述子模型用于表征输入输出参数关系。
6.根据权利要求1所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述方法还包括步骤四,所述步骤四的具体过程为:
确定柴油机仿真模型在一个新的工况的标准转速,并通过DOE寻优获得新的工况的喷油时刻与循环喷油量;通过修改转速、喷油时刻与循环喷油量分别建立不同螺旋桨曲线对应负荷的新工况;
再设计输入参数激励信号,基于设计的输入参数激励信号获得预测模型的验证数据;
将预测模型的预测输出与柴油机仿真模型的实际输出进行对比,完成对预测模型的验证。
7.根据权利要求6所述的一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法,其特征在于,所述输入参数激励信号为给定转速变扭矩信号或变转速变扭矩信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686148.XA CN114934848B (zh) | 2022-06-16 | 2022-06-16 | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686148.XA CN114934848B (zh) | 2022-06-16 | 2022-06-16 | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114934848A CN114934848A (zh) | 2022-08-23 |
CN114934848B true CN114934848B (zh) | 2023-04-07 |
Family
ID=82869322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686148.XA Active CN114934848B (zh) | 2022-06-16 | 2022-06-16 | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114934848B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236086B (zh) * | 2023-11-16 | 2024-01-19 | 北京理工大学 | 一种不同缸径柴油机最高强化程度的预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6941289B2 (en) * | 2001-04-06 | 2005-09-06 | Sas Institute Inc. | Hybrid neural network generation system and method |
DE102010028266A1 (de) * | 2010-04-27 | 2011-10-27 | Robert Bosch Gmbh | Steuergerät und Verfahren zur Berechnung einer Ausgangsgröße für eine Steuerung |
CN107269408B (zh) * | 2017-05-15 | 2022-08-05 | 吉林大学 | 柴油机优化燃烧控制器及对仿真模型控制方法 |
US10634081B2 (en) * | 2018-02-05 | 2020-04-28 | Toyota Jidosha Kabushiki Kaisha | Control device of internal combustion engine |
JP7231144B2 (ja) * | 2019-07-17 | 2023-03-01 | 株式会社トランストロン | エンジン制御装置及びそれが有するニューラルネットワークプログラム |
JP2021032116A (ja) * | 2019-08-22 | 2021-03-01 | トヨタ自動車株式会社 | 車両用制御装置、車両用学習システム、および車両用学習装置 |
WO2021059791A1 (ja) * | 2019-09-26 | 2021-04-01 | 日立Astemo株式会社 | 内燃機関の制御装置 |
CN113804446A (zh) * | 2020-06-11 | 2021-12-17 | 卓品智能科技无锡有限公司 | 一种基于卷积神经网络的柴油机性能预测方法 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计*** |
CN112597658B (zh) * | 2020-12-28 | 2022-02-18 | 哈尔滨工程大学 | 一种基于工况识别的船用柴油机多模型故障诊断方法 |
CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
-
2022
- 2022-06-16 CN CN202210686148.XA patent/CN114934848B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114934848A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zareei et al. | Optimization and study of performance parameters in an engine fueled with hydrogen | |
CN113572206B (zh) | 一种风电出力区间预测方法 | |
CN104102781A (zh) | 一种基于多目标优化的发动机性能优化方法 | |
CN106066606B (zh) | 基于l-m神经网络的氢内燃机点火正时标定优化***及其优化方法 | |
Nikzadfar et al. | Investigating a new model-based calibration procedure for optimizing the emissions and performance of a turbocharged diesel engine | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及*** | |
CN114934848B (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 | |
Alcan et al. | Estimating soot emission in diesel engines using gated recurrent unit networks | |
CN107476903A (zh) | 一种增压柴油机egr性能评估及最佳egr率确定方法 | |
CN109344492A (zh) | 一种基于k-均值聚类与粒子群核极限学习机的航空发动机推力估计方法 | |
Wang et al. | Combining GA-SVM and NSGA-Ⅲ multi-objective optimization to reduce the emission and fuel consumption of high-pressure common-rail diesel engine | |
CN105116730A (zh) | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化***及其优化方法 | |
Martínez-Morales et al. | Modeling engine fuel consumption and NOx with RBF neural network and MOPSO algorithm | |
CN108563844A (zh) | 一种增压柴油机最佳egr率确定方法 | |
CN113392574A (zh) | 一种基于神经网络模型的汽油机次充模型进气量估算方法 | |
CN114961985B (zh) | 一种氢燃料航空转子发动机性能智能预测方法及*** | |
CN112782974B (zh) | 一种控制参数标定方法 | |
CN114861126A (zh) | 一种燃气轮机燃烧调整过程中稳定性的预测方法及*** | |
CN114370348A (zh) | 一种用于发动机转速控制***的控制参数整定方法 | |
CN113807024B (zh) | 一种基于代理模型的燃气轮机最优动态工作点选择方法 | |
Jian et al. | Application of improved grey-least squares combined forecasting model in gasoline engine intake air mass flow | |
CN115434802B (zh) | 氨-氢双燃料航空转子发动机多目标优化控制策略及*** | |
Sui et al. | Modelling and simulation research of vehicle engines based on computational intelligence methods | |
Chan et al. | Artificial Neural Network for Predicting a Turbocharged Engine Performance: An Empirical Study | |
Maki | ANN Technique to Predict Performances of Diesel Engine Runs by Butanol-Diesel Blends |
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 |