[发明专利]基于一维模型模式切换和ANN的涡轮增压汽油机标定方法

说明书

本发明涉及一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法，包括：对涡轮增压汽油机进行全工况采样；根据采样数据，采用GT‑Power分别建立第一仿真模型和第二仿真模型，采用预设的模式切换方法控制第一仿真模型和第二仿真模型的运行，采用第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测，并构建样本集；构建初始的人工神经网络，采用样本集进行训练；利用遗传算法对人工神经网络进行各工况下的多参数寻优，得到涡轮增压汽油机的最佳性能及对应的参数，完成标定。与现有技术相比，本发明解决了一维模型针对涡轮增压汽油机性能预测的局限性，通过少量汽油机台架试验数据便能实现涡轮增压汽油机全工况下的优化标定。

技术领域

本发明涉及涡轮增压汽油机标定方法领域，尤其是涉及基于一维模型模式切换和ANN的涡轮增压汽油机标定方法。

背景技术

随着当今汽油机可变气门正时、可变压缩比等先进技术的迅速发展，汽油机控制参数出现“维数爆炸”的问题。因此，如何精确并高效地对汽油机进行标定是目前发动机的研究重点。传统汽油机标定往往通过扫点的方式对汽油机各控制参数逐一进行优化标定，随着控制参数的增加，越来越费时费力。

授权公告号为CN100520339的发明公开了一种电控天然气发动机标定系统和控制方法，其通过将ECU与PC机相连，在台架试验阶段通过GUI界面手动调整控制参数，寻找出经济性优良的标定结果；

公开号为CN108664732A的发明公开了一种基于界面化的核电厂备用柴油发电机组的仿真建模方法，其通过GT-Power建立柴油机一维仿真模型，实现柴油发电机组的性能仿真和预测。

随着发动机一维模型的兴起，在给定工况下，基于燃烧等相关理论模型的多参数优化标定缩减了可观的时间和成本，但发动机一维模型基于台架数据构建，也受台架数据的限制，在转速及负荷维度的拓展较为困难，难以实现对汽油机全工况下的标定。

对于涡轮增压发动机而言，发动机的负荷需求首先通过增大节气门开度实现，当节气门达到全开时，通过减小废气旁通阀开度以增大涡轮增压器的介入程度，从而继续提高负荷，发动机的负荷变化复杂，普通的发动机一维模型难以适用于涡轮增压发动机。

发明内容

本发明的目的就是为了克服上述现有技术存在涡轮增压汽油机负荷变化复杂，普通的汽油机一维模型难以适用，并且汽油机一维模型在转速及负荷维度的拓展较为困难的缺陷而提供一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法。

本发明的目的可以通过以下技术方案来实现：

一种基于一维模型模式切换和ANN的涡轮增压汽油机标定方法，所述涡轮增压汽油机还连接有测功机、汽油机控制单元和燃烧分析仪，所述方法包括以下步骤：

根据所述测功机、汽油机控制单元和燃烧分析仪，对所述涡轮增压汽油机进行全工况采样，该全工况采样获取有涡轮增压汽油机在不同工况下，且处于稳定状态时的控制参数和性能参数；

根据所述全工况采样获取的数据，采用GT-Power分别建立第一仿真模型和第二仿真模型，采用预设的模式切换方法控制所述第一仿真模型和第二仿真模型的运行，采用所述第一仿真模型和第二仿真模型中的燃烧模型进行涡轮增压汽油机性能预测，并构建样本集；

所述第一仿真模型用于仿真基于节气门开度控制负荷时的所述涡轮增压汽油机，所述第二仿真模型用于仿真基于废气旁通阀开度控制负荷时的所述涡轮增压汽油机；

构建初始的人工神经网络，采用所述样本集对该人工神经网络进行训练；

利用遗传算法对训练后的所述人工神经网络进行各工况下的多参数寻优，得到所述涡轮增压汽油机的最佳性能及对应的参数，完成涡轮增压汽油机的全工况优化标定。

进一步地，所述模式切换方法具体为：