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

1.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：

2.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。
3.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，学习多输入输出系统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。


技术实现要素：

4.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。
5.本发明为解决上述技术问题所采取的技术方案是：
6.一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：
7.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；
8.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；
9.利用获得的建模数据建立若干个定值转速对应的子模型；
10.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。
11.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。
12.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。
13.进一步地，所述步骤二的具体过程为：
14.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；
15.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。
16.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。
17.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。
18.进一步地，所述阶跃信号的持续时间为2s。
19.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 分激励系统，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。
20.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。
21.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：
22.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。
23.y＝fa·
h1 fb·
h224.其中：
[0025][0026][0027]
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。
[0028]
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：
[0029]
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；
[0030]
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；
[0031]
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。
[0032]
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。
[0033]
本发明的有益效果是：
[0034]
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。
[0035]
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
[0036]
图1为本发明方法的流程图；
[0037]
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；
[0038]
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；
[0039]
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；
[0040]
图3为本发明的gt-power仿真模型的输入激励信号图；
[0041]
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；
[0042]
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；
[0043]
图6为本发明的柴油机燃烧性能智能预测模型示意图；
[0044]
模型在simulink中实现；
[0045]
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；
[0046]
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；
[0047]
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；
[0048]
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；
[0049]
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；
[0050]
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；
[0051]
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：
[0052][0053]
其中，为参数归一化后的值；x
min
为参数的最小值；x
max
为参数的最大值。
具体实施方式
[0054]
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。
[0055]
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：
[0056]
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。
[0057]
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。
[0058]
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％]。
[0059]
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，同时为了充分激励系统，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。
[0060]
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。
[0061]
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。
[0062]
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。
[0063]
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。
[0064][0065][0066][0067]
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。
[0068]
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：
[0069]
表1不同工况神经网络模型
[0070][0071]
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：
[0072]
表2不同负荷工况误差分析
[0073]
[0074][0075]
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，系统空间被细分 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。
[0076]
模糊神经网络的输出可以表示为：
[0077][0078][0079][0080][0081]
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 c
ij
为中心点，un为区间内的不同转速值，σ
ij
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。
[0082]
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：
[0083]
y＝fa·
h1 fb·
h2[0084]
其中：
[0085][0086][0087]
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。
[0088]
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。
[0089]
所以根据高斯函数，当θ＝0时，
[0090][0091]
如果x＝3δ：
[0092]
f(x)＝e-4.5
≈0
[0093]
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。
[0094]
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。
[0095]
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。
[0096][0097]
其中：n
p-螺旋桨所吸收的功率；k
n-功率系数；n
o-螺旋桨的转速；m-指数，m＝3。
[0098]
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：
[0099]
表3全工况模型不同工况数据验证效果
[0100][0101][0102]
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。
[0103]
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。
[0104]
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。