李漫江

(江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院，南京 211168)

基于神經(jīng)網(wǎng)絡(luò)的多功能收割機發(fā)動機性能仿真及優(yōu)化

李漫江

(江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院，南京 211168)

隨著全球經(jīng)濟和工業(yè)的快速發(fā)展，能源危機和環(huán)境保護問題越來越突出，傳統(tǒng)內(nèi)燃式發(fā)動機受到了巨大沖擊，因此研究高效、節(jié)能的發(fā)動機顯得尤為重要。為此，研究一種壓縮比為10.6多功能收割機，并設(shè)計了基于MatLab仿真平臺的GT-Power神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)自動進行仿真和儲存，采用拉丁超立方采樣算法設(shè)計試驗，簡化運算過程提高尋優(yōu)效率。實驗結(jié)果表明：神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)矩、比油耗和溫度等參數(shù)模型預(yù)測誤差很小、精度很高，可用于多功能收割機發(fā)動機的性能預(yù)測，使其各項指標(biāo)參數(shù)最優(yōu)化。

多功能收割機；發(fā)動機；神經(jīng)網(wǎng)絡(luò)；MatLab；GT-Power

0 引言

由于農(nóng)作物收獲期短，秋收時期時間非常緊張，收割機進行作業(yè)時，一片農(nóng)田區(qū)域往往需要在1周之內(nèi)完成收割任務(wù)，收割壓力大，因此對收割機的要求非常高，甚至?xí)霈F(xiàn)收割機不歇駕駛員輪流休息的搶收局面。收割機連續(xù)工作時間長，發(fā)動機油門一拉到底，對發(fā)動機的可靠性要求比較苛刻。為此，本文設(shè)計了基于MatLab仿真平臺的GT-Power神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)自動進行仿真和儲存，采用拉丁超立方采樣算法設(shè)計實驗，簡化運算過程，提高尋優(yōu)效率，使多功能收割機發(fā)動機各項指標(biāo)參數(shù)達到最優(yōu)。

1 發(fā)動機仿真模型的建立

在建立多功能收割機發(fā)動機仿真模型時，假設(shè)是在1臺壓縮比為10.6的Otto發(fā)動機上進行計算仿真，該發(fā)動機包含一套進出氣可獨立操作的雙VVT系統(tǒng)，葉片可操作極限為45℃A。在該發(fā)動機中，具有進氣作用的VVT設(shè)備可以進行LIVC操作調(diào)整機器壓縮比，進行起到控制發(fā)動機負(fù)荷的作用。Otto發(fā)動機如圖1所示，Otto發(fā)動機在GT-Power建立的模型如圖2所示。

Otto發(fā)動機性能指標(biāo)主要包括排量、氣缸數(shù)、缸徑、沖程、連桿長度、壓縮比和燃油類型等參數(shù)。Otto發(fā)動機技術(shù)參數(shù)如表1所示。

圖1 Otto發(fā)動機示意圖Fig.1 Schematic diagram of Otto engine

圖2 Otto發(fā)動機GT-Power模型Fig.2 GT-Power model of Otto engine表1 Otto發(fā)動機技術(shù)參數(shù)Table 1 The technical parameters of Otto engine

參數(shù)單位數(shù)值排量L1.8氣缸數(shù)4缸徑mm80沖程mm89連桿長度mm133.1壓縮比10.6燃油類型MPIVVT范圍CA40IVCCA65～105EVOCA85～125

在進行模型仿真時，Otto或多功能收割機上的發(fā)動機都必須根據(jù)對應(yīng)的燃燒模型計算仿真實際發(fā)動機的缸內(nèi)燃燒熱量釋放量。因此，需要采用一種能夠預(yù)測發(fā)動機氣缸內(nèi)部燃燒時缸內(nèi)氣流運動、氣體成分空燃比和溫度的模型。本文采用準(zhǔn)三維現(xiàn)象學(xué)燃燒模型SITurb計算仿真發(fā)動機缸內(nèi)溫度、廢氣、壓縮比、VVT操作、空燃比及混合氣密度，從而模擬出缸內(nèi)瞬時放熱率。SITurb燃燒模型計算表達式為

(1)

(2)

τo=λ/SL

(3)

其中，Me為發(fā)動機缸內(nèi)混合不完全的氣體質(zhì)量；Mb為缸內(nèi)完全燃燒掉的氣體質(zhì)量；ρu為缸內(nèi)燃燒剩余氣體的密度；ST為缸內(nèi)湍流氣體燃燒速率；SL為缸內(nèi)平流氣體燃燒速率；Ae為氣體燃燒火焰表面積；τ0為時間常數(shù)；λ為泰勒長度。

在應(yīng)用SITurb計算模擬內(nèi)缸發(fā)動機燃燒狀況過程中，一般需要根據(jù)試驗測試數(shù)據(jù)調(diào)整缸內(nèi)湍流氣體燃燒速率，進而控制整個燃燒過程的持續(xù)燃燒時間。優(yōu)化發(fā)動機壓縮比時，為了控制發(fā)動機突然爆燃的現(xiàn)象，可以采用爆燃強度(knock idensity，KI) 預(yù)測模型計算某一具體環(huán)境中壓縮比和點火角時的KI值。模擬計算KI模型的表達式為

(4)

(5)

(6)

其中，τ為氣體燃燒誘導(dǎo)時間常數(shù)；A為時間常數(shù)調(diào)整因子；CH為混合氣體辛烷值；p為發(fā)動機缸內(nèi)瞬時氣壓；Tu為缸內(nèi)未完全燃燒氣體的實時溫度；T為氣體燃燒誘導(dǎo)時間積分；θhkn為發(fā)動機突然爆燃時的曲軸角；θIVC為進氣閥門關(guān)閉時的曲軸角；B為KI因子；fuc為完全燃燒與剩余氣體之比；VTDC為發(fā)動機內(nèi)部容量；VI為爆燃時缸內(nèi)所有氣體的體積；Ta為活化溫度；Tavg為平均氣體燃燒誘導(dǎo)時間積分。

2 試驗設(shè)計

為了計算多功能收割機上發(fā)動機缸內(nèi)實際燃燒熱釋放量，本文采用拉丁超立方采樣(LHS)方法進行仿真實驗，主要對發(fā)動機轉(zhuǎn)速、點火角、進氣閥門關(guān)閉時的曲軸角、排氣閥門關(guān)閉時的曲軸角、空燃比和壓縮比等進行設(shè)計和試驗。其中，試驗參數(shù)變化范圍如下：發(fā)動機轉(zhuǎn)速為1×103～ 5×103r/min，點火角為0°～30°，進氣閥門關(guān)閉時的曲軸角為75°～115°CA，排氣閥門關(guān)閉時的曲軸角下止點為90°～130°CA，空燃比和壓縮比分別為10°～14.7°CA和 11°～15°CA。第1步，在MatLab仿真軟件中采用拉丁超立方采樣方法選擇3 000個訓(xùn)練點進行仿真，將仿真得到的數(shù)據(jù)在GT-Power平臺上進行ANN模型試驗。第2步，選擇280個點繼續(xù)進行仿真，檢驗ANN模型判斷精度。采用GT-Power模型，利用LHS算法將3000訓(xùn)練點和250個試驗點進行仿真試驗，仿真結(jié)束時采集扭矩、比油耗和爆震強度等測試數(shù)據(jù)。

3 神經(jīng)網(wǎng)絡(luò)建模

3.1 神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋式網(wǎng)絡(luò)，其能學(xué)習(xí)和存貯大量的輸入、輸出模式的映射關(guān)系。基本原理為：通過對比輸出值，求出誤差值，并估計其前導(dǎo)層的誤差，再用該誤差推導(dǎo)出更前一層的誤差，最后依次反傳，求出其他各層的誤差估計。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層及輸出層組成，每兩個相鄰層的神經(jīng)元都全部有關(guān)系，但同層之間卻無關(guān)。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of neural network

假設(shè)不包含輸入層，有N0個元，設(shè)某網(wǎng)絡(luò)有L層，輸出為第L層，第L層有NK個元。設(shè)uk(i)表示第k層第i神經(jīng)元所接收的信息，wk(i,j)為從第k-1層第j個元到第k層第i個元的權(quán)，ak(i)為第k層第i個元的輸出，各層之間的神經(jīng)元都有信息交換，則其輸入輸出關(guān)系可以表示為

(7)

神經(jīng)網(wǎng)絡(luò)算法的步驟如下：

第1步：選定學(xué)習(xí)的數(shù)據(jù)，p=1,…,p，隨機確定初始權(quán)矩陣W(0)；

第2步：用學(xué)習(xí)數(shù)據(jù)計算網(wǎng)絡(luò)輸出；

第3步：用式(2)反向修正，直到用完所有的學(xué)習(xí)數(shù)據(jù)。

3.2 建立神經(jīng)網(wǎng)絡(luò)模型

本文采用神經(jīng)網(wǎng)絡(luò)算法對Otto發(fā)動機模型進行仿真試驗時，主要從神經(jīng)元數(shù)、隱層函數(shù)和網(wǎng)絡(luò)訓(xùn)練迭代計算最優(yōu)神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用trainlm，隱層傳遞函數(shù)為tansig，層數(shù)選擇3層，中間層神經(jīng)元個數(shù)分別為4-4，6-6，…， 18-18。候選神經(jīng)網(wǎng)絡(luò)模型如圖4所示。

圖4 候選3層神經(jīng)網(wǎng)絡(luò)模型Fig.4 The candidate three-layer neural network model

該候選神經(jīng)網(wǎng)絡(luò)模型輸出為轉(zhuǎn)矩、比油耗及排氣溫度，因此需要建立4組神經(jīng)網(wǎng)絡(luò)優(yōu)化模型。針對每一種模型，可以利用GT-Power的訓(xùn)練樣本訓(xùn)練76個候選值，并從中選擇最佳進行多功能收割機發(fā)動機性能的優(yōu)化。候選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試控制流程如圖5所示。

圖5 候選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試控制流程圖Fig.5 The training and test control flow chart of candidate

neural network model

測試計算結(jié)束即進行候選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，并將結(jié)果儲存起來。候選模型訓(xùn)練全部結(jié)束后完成后，對每個模型的預(yù)測精度進行檢驗，并以模型輸出和期望輸出二者的相關(guān)度判斷最優(yōu)模型。模型輸出和期望輸出二者的相關(guān)度計算表達式為

(8)

根據(jù)訓(xùn)練和測試結(jié)果，選擇候選神經(jīng)網(wǎng)絡(luò)中相關(guān)度值高的模型分別作為最佳神經(jīng)網(wǎng)絡(luò)優(yōu)化模型。根據(jù)訓(xùn)練和測試的控制流程計算值最終選擇轉(zhuǎn)矩、比油耗和排氣溫度的最佳神經(jīng)網(wǎng)絡(luò)中間兩層的神經(jīng)元為10-10和14-14。

4 實驗結(jié)果分析

本文采用GT-Power仿真軟件訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)模型，可能會出現(xiàn)預(yù)測值和實際值有偏差的情況，因此需要用實驗數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確性進行驗證。神經(jīng)網(wǎng)絡(luò)模型各參數(shù)線性回歸圖如圖6所示。

圖6 神經(jīng)網(wǎng)絡(luò)模型各參數(shù)線性回歸圖Fig.6 The linear regression of the parameters of neural network model

圖6中，轉(zhuǎn)矩、比油耗和排氣溫度的輸出值都是最優(yōu)神經(jīng)網(wǎng)絡(luò)預(yù)測值。模型輸出和期望輸出二者的R越接近1，表明最優(yōu)神經(jīng)網(wǎng)絡(luò)模型泛化能力越強。轉(zhuǎn)矩、比油耗及排氣溫度相關(guān)度值為0.998 3、0.992 5、0.999 4，相關(guān)性非常高，說明最優(yōu)神經(jīng)網(wǎng)絡(luò)預(yù)測誤差小、精度高。采用最優(yōu)神經(jīng)網(wǎng)絡(luò)進行多功能收割機發(fā)動機的設(shè)計和操作變量優(yōu)化，比油耗模型作為目標(biāo)函數(shù)，轉(zhuǎn)矩和溫度模型作為非線性約束條件，設(shè)計和優(yōu)化的多功能收割機發(fā)動機，不僅可以改善燃油經(jīng)濟性，而且可以獲得足夠的動力性。

5 結(jié)論

設(shè)計了基于MatLab仿真平臺的GT-Power神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)自動進行仿真和儲存，采用拉丁超立方采樣算法設(shè)計實驗，簡化了運算過程并提高了尋優(yōu)效率。通過對實驗結(jié)果進行系統(tǒng)的處理和分析后可知：神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)矩、比油耗和溫度等參數(shù)模型預(yù)測誤差很小、精度很高，可用于多功能收割機發(fā)動機的性能預(yù)測，使其各項指標(biāo)參數(shù)最優(yōu)化。

[1] 李明.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的發(fā)動機性能優(yōu)化方法研究[D]. 上海：上海交通大學(xué),2011.

[2] 王帥.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的甲醇柴油雙燃料發(fā)動機噴醇MAP優(yōu)化[D].鎮(zhèn)江：江蘇大學(xué),2016.

[3] 張祖銘.基于BP神經(jīng)網(wǎng)絡(luò)的乙醇汽油發(fā)動機排放分析[D].哈爾濱：東北林業(yè)大學(xué),2012.

[4] 張景然,沈牧文,楊建國. 基于模擬退火遺傳算法優(yōu)化BP網(wǎng)絡(luò)的數(shù)控機床溫度布點優(yōu)化及熱誤差建模[J].機床與液壓,2014(23):1-4,50.

[5] 陶冶,白存儒,由嘉.基于神經(jīng)網(wǎng)絡(luò)的空中交通管制決策支持系統(tǒng)[J]. 交通與計算機,2005(3):90-93.

[6] 石學(xué)輝.基于米勒循環(huán)的天然氣發(fā)動機性能仿真及優(yōu)化分析[D].長春：吉林大學(xué),2014.

[7] 張永江.模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化及系統(tǒng)性能評估研究[D].蘭州：蘭州理工大學(xué),2013.

[8] 楊振中.氫燃料發(fā)動機燃燒與優(yōu)化控制[D].杭州：浙江大學(xué),2001.

[9] 艾芳菊.模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究[D].成都：中國科學(xué)院研究生院(成都計算機應(yīng)用研究所),2006.

[10] 向宇.基于增長剪枝聯(lián)合算法的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[D].重慶：西南交通大學(xué),2009.

[11] 曹鳳才,岳鳳英.基于BP神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷研究[J].中北大學(xué)學(xué)報：自然科學(xué)版,2010(6): 596-599.

[12] 劉峰,張巖.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的汽車故障診斷算法及其優(yōu)化[J].電腦知識與技術(shù),2011(13):3122-3124.

[13] 李俊松.基于神經(jīng)網(wǎng)絡(luò)的混合動力汽車故障診斷研究[D].武漢：武漢理工大學(xué),2003.

[14] 李磊.基于結(jié)構(gòu)完整性分析的固體火箭發(fā)動機藥形改進與優(yōu)化設(shè)計[D].長沙：國防科學(xué)技術(shù)大學(xué),2011.

[15] 趙金星.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的Atkinson循環(huán)發(fā)動機全負(fù)荷范圍性能優(yōu)化研究[D].上海：上海交通大學(xué),2013.

[16] 趙金星,許敏,李明. Atkinson循環(huán)發(fā)動機人工神經(jīng)網(wǎng)絡(luò)模型的研究[J].汽車工程,2013(1):13-17.

[17] 左子農(nóng). Atkinson循環(huán)對汽油機性能影響的試驗研究[D].成都：西華大學(xué),2014.

[18] 李云龍.Otto-Atkinson循環(huán)發(fā)動機的工作過程優(yōu)化及燃油經(jīng)濟性研究[D].天津：天津大學(xué),2014.

[19] 張少哲.Atkinson循環(huán)結(jié)合EGR對汽油機性能影響的試驗研究[D].天津:天津大學(xué),2014.

[20] 楊振中,王麗君,李士雷,等.基于遺傳算法的氫發(fā)動機優(yōu)化控制研究[J].內(nèi)燃機學(xué)報,2008(1):62-68.

[21] 王鋒,鐘虎,冒曉建,等.混合動力汽車發(fā)動機優(yōu)化控制策略研究[J].汽車工程,2008(2):111-116.

[22] 賈維新.發(fā)動機結(jié)構(gòu)噪聲和進氣噪聲的數(shù)字化仿真及優(yōu)化設(shè)計研究[D].杭州：浙江大學(xué),2008.

[23] 王麗君.基于信號處理的氫燃料發(fā)動機優(yōu)化控制[D].鄭州：解放軍信息工程大學(xué),2010.

[24] 段晨.β型菱形傳動斯特林發(fā)動機的優(yōu)化方法及實驗研究[D].武漢：華中科技大學(xué),2014.

[25] 楊廣標(biāo).往復(fù)活塞式壓縮空氣發(fā)動機的仿真優(yōu)化研究[D].南京：南京理工大學(xué),2015.

[26] 張海濤.天然氣發(fā)動機空燃比和點火提前角模擬優(yōu)化研究[J].上海汽車,2012(7):22-26.

[27] 何景軒,田維平,何國強,等.基于遺傳算法的固體火箭發(fā)動機參數(shù)優(yōu)化設(shè)計[J].固體火箭技術(shù),2004(4):250-254.

Performance Simulation and Optimization of Multi - function Harvester Engine Based on Neural Network

Li Manjiang

(Jiangsu Vocational Institute of Commerce,Nanjing 211168,China)

With the rapid development of the global economy and industry, energy crisis and environmental protection has become more and more prominent, the traditional internal combustion engine has been a tremendous impact. Therefore, the research of high efficiency and energy saving of the engine is very important. This paper presents a compression ratio of 10.6 multifunctional harvester, designs a GT-Power neural network model based on MATLAB platform, automatic simulation and storage by using the neural network training and testing data, using the Latin hypercube sampling algorithm design, simplify the operation process and improve the searching efficiency. The experimental results show that the neural network model, the torque is small, fuel consumption ratio parameters and temperature model predictive error precision is high, which can be used to predict the performance of multifunctional harvester engine, the parameters optimization.

multi function harvester; engine; neural network; MatLab; GT-Power

2016-12-05

江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金項目(CX(16)60732)；江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院創(chuàng)新項目(JSJMY015)

李漫江(1967-)，男，黑龍江依安人，副教授，(E-mail)lky536@126.com。

S225；TP183

A

1003-188X(2017)12-0248-05