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(jī)發(fā)動(dòng)機(jī)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(jì)和工業(yè)的快速發(fā)展，能源危機(jī)和環(huán)境保護(hù)問題越來越突出，傳統(tǒng)內(nèi)燃式發(fā)動(dòng)機(jī)受到了巨大沖擊，因此研究高效、節(jié)能的發(fā)動(dòng)機(jī)顯得尤為重要。為此，研究一種壓縮比為10.6多功能收割機(jī)，并設(shè)計(jì)了基于MatLab仿真平臺(tái)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(cè)試的數(shù)據(jù)自動(dòng)進(jìn)行仿真和儲(chǔ)存，采用拉丁超立方采樣算法設(shè)計(jì)試驗(yàn)，簡化運(yùn)算過程提高尋優(yōu)效率。實(shí)驗(yàn)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(cè)誤差很小、精度很高，可用于多功能收割機(jī)發(fā)動(dòng)機(jī)的性能預(yù)測(cè)，使其各項(xiàng)指標(biāo)參數(shù)最優(yōu)化。

多功能收割機(jī)；發(fā)動(dòng)機(jī)；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(shí)期時(shí)間非常緊張，收割機(jī)進(jìn)行作業(yè)時(shí)，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(duì)收割機(jī)的要求非常高，甚至?xí)霈F(xiàn)收割機(jī)不歇駕駛員輪流休息的搶收局面。收割機(jī)連續(xù)工作時(shí)間長，發(fā)動(dòng)機(jī)油門一拉到底，對(duì)發(fā)動(dòng)機(jī)的可靠性要求比較苛刻。為此，本文設(shè)計(jì)了基于MatLab仿真平臺(tái)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(cè)試的數(shù)據(jù)自動(dòng)進(jìn)行仿真和儲(chǔ)存，采用拉丁超立方采樣算法設(shè)計(jì)實(shí)驗(yàn)，簡化運(yùn)算過程，提高尋優(yōu)效率，使多功能收割機(jī)發(fā)動(dòng)機(jī)各項(xiàng)指標(biāo)參數(shù)達(dá)到最優(yōu)。

1 發(fā)動(dòng)機(jī)仿真模型的建立

在建立多功能收割機(jī)發(fā)動(dòng)機(jī)仿真模型時(shí)，假設(shè)是在1臺(tái)壓縮比為10.6的Otto發(fā)動(dòng)機(jī)上進(jìn)行計(jì)算仿真，該發(fā)動(dòng)機(jī)包含一套進(jìn)出氣可獨(dú)立操作的雙VVT系統(tǒng)，葉片可操作極限為45℃A。在該發(fā)動(dòng)機(jī)中，具有進(jìn)氣作用的VVT設(shè)備可以進(jìn)行LIVC操作調(diào)整機(jī)器壓縮比，進(jìn)行起到控制發(fā)動(dòng)機(jī)負(fù)荷的作用。Otto發(fā)動(dòng)機(jī)如圖1所示，Otto發(fā)動(dòng)機(jī)在GT-Power建立的模型如圖2所示。

Otto發(fā)動(dòng)機(jī)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(dòng)機(jī)技術(shù)參數(shù)如表1所示。

圖1 Otto發(fā)動(dòng)機(jī)示意圖Fig.1 Schematic diagram of Otto engine

圖2 Otto發(fā)動(dòng)機(jī)GT-Power模型Fig.2 GT-Power model of Otto engine表1 Otto發(fā)動(dòng)機(jī)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(jìn)行模型仿真時(shí)，Otto或多功能收割機(jī)上的發(fā)動(dòng)機(jī)都必須根據(jù)對(duì)應(yīng)的燃燒模型計(jì)算仿真實(shí)際發(fā)動(dòng)機(jī)的缸內(nèi)燃燒熱量釋放量。因此，需要采用一種能夠預(yù)測(cè)發(fā)動(dòng)機(jī)氣缸內(nèi)部燃燒時(shí)缸內(nèi)氣流運(yùn)動(dòng)、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(jì)算仿真發(fā)動(dòng)機(jī)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(shí)放熱率。SITurb燃燒模型計(jì)算表達(dá)式為

(1)

(2)

τo=λ/SL

(3)

其中，Me為發(fā)動(dòng)機(jī)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(shí)間常數(shù)；λ為泰勒長度。

在應(yīng)用SITurb計(jì)算模擬內(nèi)缸發(fā)動(dòng)機(jī)燃燒狀況過程中，一般需要根據(jù)試驗(yàn)測(cè)試數(shù)據(jù)調(diào)整缸內(nèi)湍流氣體燃燒速率，進(jìn)而控制整個(gè)燃燒過程的持續(xù)燃燒時(shí)間。優(yōu)化發(fā)動(dòng)機(jī)壓縮比時(shí)，為了控制發(fā)動(dòng)機(jī)突然爆燃的現(xiàn)象，可以采用爆燃強(qiáng)度(knock idensity，KI) 預(yù)測(cè)模型計(jì)算某一具體環(huán)境中壓縮比和點(diǎn)火角時(shí)的KI值。模擬計(jì)算KI模型的表達(dá)式為

(4)

(5)

(6)

其中，τ為氣體燃燒誘導(dǎo)時(shí)間常數(shù)；A為時(shí)間常數(shù)調(diào)整因子；CH為混合氣體辛烷值；p為發(fā)動(dòng)機(jī)缸內(nèi)瞬時(shí)氣壓；Tu為缸內(nèi)未完全燃燒氣體的實(shí)時(shí)溫度；T為氣體燃燒誘導(dǎo)時(shí)間積分；θhkn為發(fā)動(dòng)機(jī)突然爆燃時(shí)的曲軸角；θIVC為進(jìn)氣閥門關(guān)閉時(shí)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(dòng)機(jī)內(nèi)部容量；VI為爆燃時(shí)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(shí)間積分。

2 試驗(yàn)設(shè)計(jì)

為了計(jì)算多功能收割機(jī)上發(fā)動(dòng)機(jī)缸內(nèi)實(shí)際燃燒熱釋放量，本文采用拉丁超立方采樣(LHS)方法進(jìn)行仿真實(shí)驗(yàn)，主要對(duì)發(fā)動(dòng)機(jī)轉(zhuǎn)速、點(diǎn)火角、進(jìn)氣閥門關(guān)閉時(shí)的曲軸角、排氣閥門關(guān)閉時(shí)的曲軸角、空燃比和壓縮比等進(jìn)行設(shè)計(jì)和試驗(yàn)。其中，試驗(yàn)參數(shù)變化范圍如下：發(fā)動(dòng)機(jī)轉(zhuǎn)速為1×103～ 5×103r/min，點(diǎn)火角為0°～30°，進(jìn)氣閥門關(guān)閉時(shí)的曲軸角為75°～115°CA，排氣閥門關(guān)閉時(shí)的曲軸角下止點(diǎn)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(gè)訓(xùn)練點(diǎn)進(jìn)行仿真，將仿真得到的數(shù)據(jù)在GT-Power平臺(tái)上進(jìn)行ANN模型試驗(yàn)。第2步，選擇280個(gè)點(diǎn)繼續(xù)進(jìn)行仿真，檢驗(yàn)ANN模型判斷精度。采用GT-Power模型，利用LHS算法將3000訓(xùn)練點(diǎn)和250個(gè)試驗(yàn)點(diǎn)進(jìn)行仿真試驗(yàn)，仿真結(jié)束時(shí)采集扭矩、比油耗和爆震強(qiáng)度等測(cè)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?；驹頌椋和ㄟ^對(duì)比輸出值，求出誤差值，并估計(jì)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(jì)。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(gè)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(gè)元，設(shè)某網(wǎng)絡(luò)有L層，輸出為第L層，第L層有NK個(gè)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(gè)元到第k層第i個(gè)元的權(quán)，ak(i)為第k層第i個(gè)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(jī)確定初始權(quán)矩陣W(0)；

第2步：用學(xué)習(xí)數(shù)據(jù)計(jì)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(duì)Otto發(fā)動(dòng)機(jī)模型進(jìn)行仿真試驗(yàn)時(shí)，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(jì)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(gè)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(duì)每一種模型，可以利用GT-Power的訓(xùn)練樣本訓(xùn)練76個(gè)候選值，并從中選擇最佳進(jìn)行多功能收割機(jī)發(fā)動(dòng)機(jī)性能的優(yōu)化。候選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測(cè)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(cè)試控制流程圖Fig.5 The training and test control flow chart of candidate

neural network model

測(cè)試計(jì)算結(jié)束即進(jìn)行候選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，并將結(jié)果儲(chǔ)存起來。候選模型訓(xùn)練全部結(jié)束后完成后，對(duì)每個(gè)模型的預(yù)測(cè)精度進(jìn)行檢驗(yàn)，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(jì)算表達(dá)式為

(8)

根據(jù)訓(xùn)練和測(cè)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(cè)試的控制流程計(jì)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(shí)驗(yàn)結(jié)果分析

本文采用GT-Power仿真軟件訓(xùn)練和測(cè)試神經(jīng)網(wǎng)絡(luò)模型，可能會(huì)出現(xiàn)預(yù)測(cè)值和實(shí)際值有偏差的情況，因此需要用實(shí)驗(yàn)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確性進(jìn)行驗(yàn)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(cè)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(qiáng)。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(cè)誤差小、精度高。采用最優(yōu)神經(jīng)網(wǎng)絡(luò)進(jìn)行多功能收割機(jī)發(fā)動(dòng)機(jī)的設(shè)計(jì)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(jì)和優(yōu)化的多功能收割機(jī)發(fā)動(dòng)機(jī)，不僅可以改善燃油經(jīng)濟(jì)性，而且可以獲得足夠的動(dòng)力性。

5 結(jié)論

設(shè)計(jì)了基于MatLab仿真平臺(tái)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(cè)試的數(shù)據(jù)自動(dòng)進(jìn)行仿真和儲(chǔ)存，采用拉丁超立方采樣算法設(shè)計(jì)實(shí)驗(yàn)，簡化了運(yùn)算過程并提高了尋優(yōu)效率。通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)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(cè)誤差很小、精度很高，可用于多功能收割機(jī)發(fā)動(dòng)機(jī)的性能預(yù)測(cè)，使其各項(xiàng)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(dòng)機(jī)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(dòng)機(jī)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(dòng)機(jī)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(jī)床溫度布點(diǎn)優(yōu)化及熱誤差建模[J].機(jī)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(jì)算機(jī),2005(3):90-93.

[6] 石學(xué)輝.基于米勒循環(huán)的天然氣發(fā)動(dòng)機(jī)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(píng)估研究[D].蘭州：蘭州理工大學(xué),2013.

[8] 楊振中.氫燃料發(fā)動(dòng)機(jī)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(jì)算機(jī)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(bào)：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(shí)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(dòng)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(dòng)機(jī)藥形改進(jìn)與優(yōu)化設(shè)計(jì)[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(dòng)機(jī)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(dòng)機(jī)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(duì)汽油機(jī)性能影響的試驗(yàn)研究[D].成都：西華大學(xué),2014.

[18] 李云龍.Otto-Atkinson循環(huán)發(fā)動(dòng)機(jī)的工作過程優(yōu)化及燃油經(jīng)濟(jì)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(duì)汽油機(jī)性能影響的試驗(yàn)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(dòng)機(jī)優(yōu)化控制研究[J].內(nèi)燃機(jī)學(xué)報(bào),2008(1):62-68.

[21] 王鋒,鐘虎,冒曉建,等.混合動(dòng)力汽車發(fā)動(dòng)機(jī)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(dòng)機(jī)結(jié)構(gòu)噪聲和進(jìn)氣噪聲的數(shù)字化仿真及優(yōu)化設(shè)計(jì)研究[D].杭州：浙江大學(xué),2008.

[23] 王麗君.基于信號(hào)處理的氫燃料發(fā)動(dòng)機(jī)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(dòng)斯特林發(fā)動(dòng)機(jī)的優(yōu)化方法及實(shí)驗(yàn)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(dòng)機(jī)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(dòng)機(jī)空燃比和點(diǎn)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(qiáng),等.基于遺傳算法的固體火箭發(fā)動(dòng)機(jī)參數(shù)優(yōu)化設(shè)計(jì)[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(xiàng)目(CX(16)60732)；江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院創(chuàng)新項(xiàng)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