本发明涉及柴油发动机
技术领域：
：，特别涉及一种dpf碳加载计算方法。
背景技术：
：：与国v技术相比，国ⅵ标准对柴油机排放限制更加严苛，后处理方面除了国v主流技术scronly的基础上，增加了新的doc、dpf以及asc载体，用于控制尾气中的碳颗粒排放。对于dpf而言，碳加载ecu计算模型的精度尤为重要，如果实际碳载量大于模型碳载量，则触发dpf再生时存在dpf超温风险；如果实际碳载量小于模型碳载量，会导致dpf再生过于频繁，进而导致实际油耗偏高并且影响实际驾驶性。dpf碳加载ecu模型的标定是国ⅵ标准车辆标定的重要一环，但单纯靠整车试验来修正dpf碳加载计算方法消耗的人员、时间和费用巨大。matlabdpf碳加载计算方法使离线完善dpf碳加载计算方法成为了可能，即可以当天采集数据并通过该模型修正标定参数，使ecu计算模型和实际载碳量相符合。因此，如何快速而准确的优化ecudpf碳加载计算方法是本领域技术人员需要解决的技术问题。技术实现要素：为了实现上述发明目的，本发明提供一种碳加载计算方法，其特征在于，包括s1、对实际发动机运行数据进行采集；s2、将s1的数据与dpf的称重结果进行对比；s3、根据s1的数据放入计算模型中进行模拟计算；计算模型包括：发动机模块、doc模块及dpf模块；发动机模块包括碳流量矩阵及修正曲线，碳流量矩阵和碳流量修正曲线由发动机台架设备测量所得，并填入ecu相应位置所得，根据s1的实际数据对发动机产生的出口碳颗粒流量模拟，计算不同发动机工况下产生的废气中的碳颗粒流量，并通过不同的标定量来标定与硬件系统相匹配的进气系统的动态修正参数、egr修正参数以及环境修正参数；doc模块计算doc催化器对废气组成成分的影响，对dpf碳加载有关的主要为no的氧化反应，以及与之反应的o2含量的变化：2no+o2→2no2；dpf模块进行碳加载模拟，对碳颗粒流量进行积分，并考虑到不同dpf温度、no2含量、废气流量以及现有碳载量的条件下的被动再生修正，以及废气氧含量对dpf碳加载的修正：no2+c→co+no；2c+o2→2co；2co+o2→2co2；s4、根据s2的结果修改标定矩阵和标定曲线，标定矩阵和曲线包括除碳流量矩阵和碳流量修正曲线外的其他修正参数，包括：碳积累量修正、dpf温度修正以及废气流量修正等标定参数，并在s3建立的计算模型中模拟计算；如果计算结果合理，则再次进行路试对模型进行验证；如果计算结果不合理可以再次修改标定矩阵并再次在matlab模型中进行模拟计算，直至得到一个较为精确的碳载量模型值；s5、使用s4的碳载量模型优化后的标定矩阵和标定曲线修改进入ecu程序中，进行道路验证，看优化后的标定参数是否能够达到预期目标；以此完成对ecudpf碳加载计算的优化，并进一步优化整车dpf再生策略。优选为，所述s3中发动机模块对发动机产生的出口碳颗粒流量模拟，包括不同工况下的原机碳流量、egr以及lambda修正；其中，原机碳流量以2d-looktable形式存在；lambda修正以多个1d-looktable形式存在。优选为，所述s3中doc模块，基于doc作用模拟，包括以不同温度和废气流量下no至no2的转化效率、以及废气中o2的含量变化；其中no至no2的转化效率以2d-looktable形式存在。优选为，所述s3中，dpf模块的dpf碳加载模拟，包括：以条件初始化的integrator形式存在的原始碳加载模拟、不同dpf温度以及废气流量对被动再生的影响系数、不同碳载量对被动再生的影响系数、不同no2含量对被动再生的影响系数以及不同o2含量对被动再生的影响系数；其中不同dpf温度以及废气流量对被动再生的影响系数以2d-looktable形式存在；不同碳载量对被动再生的影响系数以1d-looktable形式存在；不同no2含量对被动再生的影响系数以1d-looktable形式存在；不同o2含量对被动再生的影响系数以1d-looktable形式存在。优选为，所述s3中的计算模型基于matlab建立。优选为，所述s4中的对模型进行验证修正，其方法为，将s4中获得计算结果与ecu计算模型的计算结果进行比对，偏差不超过1％；对比所述s4中的模型计算值和实际碳载量称重值、并分析记录数据后，手动修改所述s3模型中相应区域中的标定参数，并进行模拟计算，再次通过s3建立的模型进行计算并比对，直到所述s4中的模型计算值和实际碳载量称重值数值相近，从而获得优化后的、适合当前发动机运行工况以及车辆载荷的标定参数。本发明实施例提供的技术方案带来的有益效果是：只需要进行少量实际台架试验和道路试验并在试验时记录计算所需数据；通过计算模型，实现离线模拟计算，同时对dpf碳载量标定参数进行无需发动机系统实体的离线优化；通过该模型和标定方法，可以节省多至95％的路试时间、人员费用以及燃油消耗，大幅缩减dpf产品的研发和标定成本。附图说明图1为本发明实施例的计算模型的概要图。图2为本发明实施例的原始dpfecu模型标定流程。图3为本发明实施例的使用matlab模型进行dpfecu模型的标定流程。图4为本发明实施例的matlab模型模拟结果与ecu计算结果对比示意图。图5-1为本发明实施例的发动机模块的示意简图。图5-2为本发明实施例的doc模块的示意简图。图5-3为本发明实施例的dpf模块的示意简图。图6为本发明实施例的优化实例对比曲线图。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，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。实施例1参见图1至图6，本发明提供一种dpf碳加载计算方法，碳颗粒主要由发动机在燃烧过程中未完全燃烧的柴油产生，之后在dpf中被捕集并聚集在dpf中，这个过程统称为dpf的碳加载过程。此过程的速率以及碳载量受到废气中的no2，o2以及dpf温度、废气流量的影响，本专利模型就是为了模拟该过程而搭建的。msot＝∫(dmsot-dmrgn)dt公式1；dmrgn＝msot*effno2*effo2*efft-m公式2；dpf模型基于公式1和公式2搭建，其中dmsot为发动机模块的输出碳流量，dmrgn为dpf中碳的no2以及o2被动再生流量其具体值由公式2计算所得。公式2中no2对碳载量的作用、o2对碳载量的作用以及dpf温度和废气流量对碳载量的作用分别以系数的形式存在，并可以后期在fac_regn_no2_2_t_矩阵、fac_reg_o2_2_t_矩阵以及fac_reg_t_2_mf_矩阵中进行标定、优化以实现不同dpf涂层、上载量对碳载量被动再生的影响。此外，还提供主动再生重置功能，主动再生效率由dpf到达期望再生效率的时间进行计算获得，该功能由主动再生状态regeration_state触发。dpf模型示意简图在图5-3中给出。ratno2dpfus＝ratno2docus+etano2nox*ratnox公式3ratnodpfus＝ratnodocus-etano2nox*ratnox公式4rato2dpfus＝rato2docus-etano2nox*ratnox/2公式5图5-2为doc模型基于公式3，公式4和公式5搭建，用于计算进入dpf的废气的成分状态。dpf入口的no2含量ratno2dpfus为doc前no2含量ratno2docus与在doc中氧化的no含量之和公式3。dpf入口的no含量ratnodpfus为doc前no含量ratnodocus与在doc中被氧化的no含量之差公式4。dpf入口的o2含量rato2dpfus为doc前o2含量rato2docus与在doc中被用于氧化的o2之差公式5。dmsot＝dmsotbas*fact_cor*facenvp_cor+dmegr*facegr_cor+dmlam_cor公式6图5-1发动机模型基于公式6搭建而成，其主要参数为发动机在不同工况下产生的基础碳流量dmsotbas、发动机冷却液温度修正fact_cor、环境压力修正facenvp_cor、egr修正facegr_cor以及空燃比修正dmlam_cor组成。最终发动机出口的碳流量dmsot由基础碳流量与环境温度修正和环境压力修正并加上egr产生的碳流量以及不同空燃比多产生的碳流量计算所得。本专利模型的运用：在实际整车ecu的dpf模型优化当中，如图3所示，需要通过本专利提供的inca实验环境(.exp文件)对实际行驶的数据进行收集：包括发动机转速、喷油量、冷却液温度、环境压力、egr率以及实际空燃比，作为本专利模型的输入量；并对发动机后处理系统中的dpf进行加热和称重，得到实际碳载量msot_meas。将此测量所得的碳载量与inca模型计算所得的碳载量msot_inca进行对比(msot_meas和msot_inca均为实际测量数据)，得出ecu模型的实际偏差mdvt。mdvt＝msot_meas-msot_inca公式7；之后使用测量所得的实际行驶数据作为本专利模型的输入量，并使用本专利中编写的.m文件和本专利中搭建的.slx模型进行模拟计算获得计算值msot_matlab。如图4中所示，本专利模型的模拟结果与ecu计算模型的计算结果的偏差不超过1％。对比实际称重值msot_meas和本专利的模型计算值msot_matlab后,修改本专利模型中的标定矩阵和曲线进行优化，再次进行计算。如此往复优化，使msot_matlab与msot_meas尽可能相近，获得优化后的矩阵和曲线。之后将经本专利模型优化后的标定矩阵和曲线修改进入ecu程序中，再次进行道路验证，看优化后的标定参数是否能够达到预期目标。最终完成对ecu、dpf碳加载计算的优化，并进一步优化整车dpf再生策略。通过此优化方式，可以节省大量路试时间、人员费用以及燃油消耗，缩减dpf产品的研发和标定成本。图6中为一优化实例：实例中，使用发动机硬件和台架设备运行一个循环的实际燃油消耗为a，运行时间为b。第一次测试时，使用本专利提供的实验环境进行数据采集，通过试验实际称重结果和ecu计算的对比显示：使用现有标定参数下，ecu的碳量积累计算与实际称重的碳量存在74％的偏差，需对标定参数进行优化。实例中，总共进行了6次优化，并且使用s3中的模拟模型进行模拟计算，将碳量的偏差值从74％降至-0.2％，最后对优化结果进行验证，验证结果显示实际偏差为-0.5％。以此完成该标定参数的优化，实际过程中仅进行了2个循环的实际测试，其余过程均在pc端进行优化，实际燃油总消耗为2a，时间消耗为3b(2b为测试时间，1b为优化消耗时间)。反之，如果使用传统优化手段，每次进行标定优化后，均需要进行一次实际测试，那么该过程徐通过6次优化、1次循环测试以及1次验证完成，总燃油消耗为8a，时间消耗为8b。该实例显示，通过使用本专利中的优化方式，可以节省6a的燃油消耗和5b的时间消耗，即节省实际总消耗的75％和62.5％，以此达到降低标定成本和标定周期的目的。实际标定中，碳加载模拟通过多个标定参数以及标定矩阵共同完成，实际标定消耗和周期由标定人员的工作经验所决定，所以使用本专利中的优化方式，可节省至多约95％的实际消耗及时间。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12