基于遗传及神经网络算法的内燃机进气道模型设计方法
【专利摘要】本发明公开了一种基于遗传及神经网络算法的内燃机进气道模型设计方法，具体涉及到：切向气道模板构建、神经网络训练、切向气道的设计及优化。在进行气道模板构建时，考虑了与气道设计布置相关的各个方面，以便达到结构及性能要求的整体目标，针对切向气道的特点确定出18个尺寸参数对气道的结构和性能进行控制。由于气道结构复杂，性能难以控制，导致设计困难且开发周期长的缺陷，本发明在构建切向气道模板和完成神经网络训练的基础上，设计同一类型的切向气道时，不需要对气道模型重新构建和优化，只需将气道模板中的参数更换为采用遗传及神经网络算法优化后的气道参数组，即可完成切向气道的设计和优化，有效节省了开发周期和成本。
【专利说明】
基于遗传及神经网络算法的内燃机进气道模型设计方法
技术领域
[0001] 本发明属于内燃机构件设计，具体涉及一种采用计算方法对柴油机气道模型进行 设计和优化的方法。
【背景技术】
[0002] 内燃机气道的形状直接影响到缸内气体流动和燃烧的优劣，从而在很大程度上影 响着发动机的动力性、经济性和排放特性。进气道因为具有复杂的空间曲面结构，而且受气 体流动性质、空间结构、铸造加工等条件限制从对燃烧状况产生影响。流量系数与涡流强度 是衡量气道性能的两个重要评价参数，这两个参数呈此消彼长关系，导致气道的流动性能 难以有效的控制，需要数值模拟或实验反复进行调整。所以内燃机气道的优化设计一直是 内燃机技术开发的重点与难点之一。进气道开发设计一是依靠经验，加工制作后通过试验 进行鉴定，这种方法通常依靠有经验的技师完成，设计周期长且效果较差。部分欧美国家依 赖经验和数据库对气道进行造型设计，即使这样仍然缺乏科学的定量性。因此，本发明的提 出可有助于快速、定量对内燃机进气道进行设计开发。
【发明内容】
[0003] 本发明的目的是，提供一种基于遗传及神经网络算法的内燃机进气道模型设计方 法，可以大幅度缩短内燃机气道的开发周期和成本，同时可以满足内燃机高效清洁燃烧的 要求。
[0004] 基于遗传及神经网络算法的内燃机进气道模型设计，包括三个部分：切向气道模 板构建、神经网络训练、以及切向气道的设计及优化。
[0005] (1)切向气道模板构建
[0006] 通过18项参数确定切向气道的形状结构，其中参数1是气缸直径;参数2是进气道 出口外径;参数3是气缸中心和进气道出口中心连线与进气道入口方向的夹角；参数4是进 气道出口与缸盖底面的距离；参数5是气缸中心至进气道出口中心的距离；参数6是进气道 长度;参数7是进气道入口中心至气缸中心的距离;参数8是进气道入口宽度;参数9是进气 道入口高度;参数10是进气道入口中心至缸盖底面的距离;参数11是进气道入口圆角;参数 12是整个气道沿分型线的拔模斜度;参数13是气道凸台高度;参数14是气道凸台直径;参数 15是进气道出口上方壁面与缸盖底平面的夹角；参数16是进气道出口下方壁面与缸盖底平 面的夹角；参数17是气缸中心和进气道出口中心连线与进气道出口中心线的水平夹角；参 数18是进气道出口上方壁面的垂直段高度。以所述18个气道参数为基础数据，对切向气道 进行参数化建模，通过改变18个参数的具体数值即可获得不同尺寸的切向气道三维模型。
[0007] 参数1至参数14主要用于控制气道的空间结构，参数15至参数18用于控制气道的 性能。
[0008] (2)神经网络训练
[0009] 将参数15进气道出口上方壁面与缸盖底平面的夹角、参数16进气道出口下方壁面 与缸盖底平面的夹角、参数17气缸中心和进气道出口中心连线与进气道出口中心线的水平 夹角、以及参数18进气道出口上方壁面的垂直段高度，进行无量纲化。将这四个参数运用正 交试验的方法选取至少41个参数组，其中：4因素5水平正交实验表共25个参数组;4因素4水 平正交实验表共16个参数组。将41个参数组的数值输入到气道模板中分别生成41个对应的 气道三维模型。
[0010] 计算每个参数组对应气道三维模型最大气门升程的流量系数Cf及涡流强度NR。从 上述41个数据中随机选取36组数据对神经网络进行训练，训练完成后，再以其余5组数据作 为验证数据，验证神经网络的预测模型准确性。其中流量系数Cf，神经网络预测值与模拟值 的偏差应小于1%;涡流强度NR神经网络预测值与模拟值的偏差应小于2%。若不满足要求， 则重新对神经网络进行训练，直至满足要求为止。由此建立以四个性能参数为输入变量、以 流量系数Cf及涡流强度NR为输出变量的三层人工神经网络预测模型。
[0011] (3)切向气道的设计及优化
[0012]根据对流量系数Cf及涡流强度NR的要求，将四个性能参数从神经网络训练中的36 组数据中选出涡流强度变化差异最大的两组，输入到气道模板中形成新的两个切向气道。 然后在最大气门升程状态，分别对两个气道进行稳流状态数值模拟计算，将计算结果与神 经网络预测结果进行对比。然后利用线性插值的方法对设计目标进行修正，根据修正后的 目标采用遗传算法耦合神经网络对气道参数进行优化，最终得到一组最优的气道参数，将 该组参数对气道模板中的参数进行替换，获得最终气道三维模型。在采用遗传算法优化参 数过程中，性能系数Cp将作为目标函数对气道参数进行筛选。
[0013]目标函数如式1所示，式1是对流量系数和涡流强度的一个综合加权的结果。
[0015] 其中：B为缸径;D为气门内座圈直径;n为打开的气门数;L为气门升程;Nr为祸流强 度，&为流量系数，Nr和C f两个评价指标均由进气道性能参数决定。
[0016] 本发明的特点及产生的有益效果是，与传统的设计方法相比，本发明的特点是在 构建切向气道模板和完成神经网络训练的基础上，设计同一类型的切向气道时，不需要对 气道模型进行重新构建和优化，只需将气道模板中的参数更换为采用遗传算法耦合神经网 络优化后的气道参数组即可完成切向气道的设计和优化，有效节省了开发周期和成本。
【附图说明】
[0017]图1是气道端面方向所对应的参数。
[0018] 图2是气道主视方向所对应的参数。
[0019] 图3是用于本发明中的神经网络结构。
[0020] 图4是切向气道设计方法流程。
[0021 ]图5是遗传算法优化流程。
【具体实施方式】
[0022]以下结合图1至图4并通过具体实施例对本发明的方法过程做进一步的解释和说 明。
[0023]基于遗传及神经网络算法的内燃机进气道模型设计方法，包括三个部分:切向气 道模板构建、神经网络训练、以及切向气道的设计及优化。
[0024] (1)切向气道模板构建
[0025] 在进行气道模板构建时，必须考虑与气道设计布置相关的各个方面，包括缸盖设 计、在缸盖上安装的附属机构、铸造工艺、结构强度等各个方面，以便达到结构及性能要求 的整体目标。此外，该模板应满足大部分切向气道的通用特征。因此针对切向气道的特点确 定出18个尺寸参数对气道的结构和性能进行控制(如图1、2所示）。
[0026] 其中参数1是气缸直径;参数2是进气道出口外径;参数3是气缸中心和进气道出口 中心连线与进气道入口方向的夹角；参数4是进气道出口与缸盖底面的距离;参数5是气缸 中心至进气道出口中心的距离;参数6是进气道长度;参数7是进气道入口中心至气缸中心 的距离;参数8是进气道入口宽度;参数9是进气道入口高度;参数10是进气道入口中心至缸 盖底面的距离;参数11是进气道入口圆角;参数12是整个气道沿分型线的拔模斜度;参数13 是气道凸台高度;参数14是气道凸台直径;参数15是进气道出口上方壁面与缸盖底平面的 夹角；参数16是进气道出口下方壁面与缸盖底平面的夹角；参数17是气缸中心和进气道出 口中心连线与进气道出口中心线的水平夹角；参数18是进气道出口上方壁面的垂直段高 度。
[0027] 参数1至参数14主要用于控制气道的结构;参数15至参数18为性能参数，主要用于 控制气道的性能。以任意相似结构柴油机切向气道的边界条件限制（如气道及附属件布置 空间、铸造工艺、结构强度)为依据，根据上述18个气道结构参数利用目前的三维软件进行 参数化建模，建模完成后可以获取切向气道的三维模板，该模板包含大部分柴油机切向气 道的结构特征。在切向气道模板中，只需改变这18个参数的具体数值即可获得不同尺寸的 切向气道三维模型。
[0028] (2)神经网络训练
[0029] 由于气道形状比较复杂，它其与控制参数之间不存在显性的函数关系，即不能用 一个数学模型来精确描述尺寸参数与涡流强度及流量系数之间的对应关系，为此采用人工 神经网络来预测不同性能参数气道模型的流量系数及涡流强度。
[0030] 将参数15进气道出口上方壁面与缸盖底平面的夹角、参数16进气道出口下方壁面 与缸盖底平面的夹角、参数17气缸中心和进气道出口中心连线与进气道出口中心线的水平 夹角、以及参数18进气道出口上方壁面的垂直段高度，进行无量纲化处理(参数15至参数17 分别除以90°，参数18除以气门座圈内径）。将这四个参数运用正交试验的方法选取至少41 个参数组，其中：4因素5水平正交实验表共25个参数组;4因素4水平正交实验表共16个参数 组。将41个参数组的数值输入到气道模板中分别生成41个对应的气道三维模型。切向气道 模板中的结构参数1至参数14的具体数值并保持不变。
[0031] 计算每个参数组对应气道三维模型最大气门升程的流量系数Cf及涡流强度Nr。从 上述41个数据中随机选取36组数据对神经网络进行训练，（表1为训练神经网络参数组中涡 流强度变化差异最大的2个参数组），当神经网络预测精度满足要求时，训练过程停止。 [0032] 训练完成后，再以其余5组数据(37组至41组)作为验证数据，验证神经网络的预测 模型准确性(表2为神经网络验证参数组的2个示例）。其中流量系数C f，神经网络预测值与 模拟值的偏差应小于1%;涡流强度Nr神经网络预测值与模拟值的偏差应小于2%。若不满 足要求，则重新对神经网络进行训练，直至满足要求为止。由此建立以四个性能参数为输入 变量、以流量系数Cf及涡流强度Nr为输出变量的三层人工神经网络预测模型。
[0033] 表1:神经网络训练数据
[0035] 表2:神经网络预测值验证
[0037]本实施例的三层前馈网络，隐含层节点数为10,如图4所示。
[0038] (3)切向气道的设计及优化
[0039] 在完成切向气道模板构建与神经网络训练的基础上，展开相同结构切向气道的设 计及优化。参数1至参数14主要用于控制气道的空间结构，参数15至参数18用于控制气道的 性能，神经网络的作用主要是对(对应参数15至参数18)气道性能进行预测，遗传算法是对 气道的参数进行寻优，切向气道模板的作用是利用优化后的气道参数对气道三维模型进行 重构。
[0040] 以某柴油机切向气道为例展开该气道的设计及优化，具体参数见表3。
[0041 ]表3:柴油机参数表
[0043] 对于柴油机气道通常的要求是在满足一定涡流强度的基础上流量系数越大越好， 因此设定设计目标为:最大气门升程的涡流强度为〇. 25，流量系数取最大值。
[0044] 如图5所示，设计目标确定后，接着是进行目标修正。根据对流量系数Cf及涡流强 度Nr的要求，将四个性能参数(参数15至参数18)从神经网络训练中的36组数据中选出涡流 强度变化差异最大的两组(按照涡流强度变化差异最大原则选取如表一所示两个参数组）， 输入到气道模板中形成新的两个切向气道模板中。并对切向气道模板中的参数1至参数14 进行替换重新生成两个新的切向气道三维模型，然后在最大气门升程状态，分别对两个气 道进行稳流状态数值模拟计算，将计算结果与神经网络预测结果进行对比（如图表4所示）。 然后利用线性插值的方法对设计目标进行修正，最终得到一组最优的气道参数，将该组参 数对气道模板中的参数进行替换，获得最终气道三维模型。
[0045]表4:数值模拟结果与神经网络预测结果对比
[0048] 与切向气道模板相比，该柴油机的边界限制条件(气道及附属件布置空间、铸造工 艺、结构强度）以及缸径、冲程、气门座圈内径、升程等发生了变化，所以神经网络预测结果 不可能和数值模拟结果保持一致。但由于该柴油机气道和气道模板几何相似，所以神经网 络预测结果和数值模拟结果存在对应的线性关系，因此可以对设计目标修正(将该柴油机 的设计目标转化为气道模板中的设计目标）。根据线性差分转化后，其最大气门升程的涡流 强度目标为〇. 223，流量系数取最大值。
[0049] 根据该目标，运用遗传算法进行求解。首先随机生成40组气道参数数组并导入人 工神经网络进行计算，根据计算结果分配各组数据的适应度大小，即计算结果越接近优化 目标其适应度越大(性能系数Cp将作为目标函数对气道参数进行筛选），被留下作为下一代 数据母本的概率就越大。然后对该40组数组进行格雷编码、选择、基因交叉、基因突变，从而 得到新的40组格雷码。然后再对其进行解码得到40组气道参数组，并导入人工神经网络中 进行计算。若人工神经网络计算结果满足优化目标则优化过程停止，输出相应的气道参数； 若计算结果不能满足优化目标，则重复上述过程，直至满足目标为止。优化后的参数组如表 5所示。
[0050] 表5:遗传算法耦合神经网络输出结果
[0052]如图5所示，在采用遗传算法优化参数过程中，性能系数Cp将作为目标函数对气道 参数进行筛选，目标函数如式1所示，式1是对流量系数和涡流强度的一个综合加权的结果。 其值越大，气道综合性能越好。
[0054] 根据表3 :B = 105mm;D = 32 ? 5mm;n = 2 ;L = 9 ? 97mm。
[0055] 将优化后的参数组进行量纲处理，将其数值替换到切向气道中即可获取满足该柴 油机边界条件下的性能最优切向气道。数值模拟验证结果如表6所示，较好的达了涡流强度 0.25的设计目标。
[0056]表6:数值模拟验证结果
【主权项】
1.基于遗传及神经网络算法的内燃机进气道模型设计方法，其特征是进气道模型设计 包括三个部分:切向气道模板构建、神经网络训练、以及切向气道的设计及优化， (1) 切向气道模板构建 通过18项参数确定切向气道的形状结构，其中：参数1是气缸直径;参数2是进气道出口 外径;参数3是气缸中心和进气道出口中心连线与进气道入口方向的夹角；参数4是进气道 出口与缸盖底面的距离;参数5是气缸中心至进气道出口中心的距离;参数6是进气道长度； 参数7是进气道入口中心至气缸中心的距离;参数8是进气道入口宽度;参数9是进气道入口 高度;参数10是进气道入口中心至缸盖底面的距离;参数11是进气道入口圆角;参数12是整 个气道沿分型线的拔模斜度;参数13是气道凸台高度;参数14是气道凸台直径;参数15是进 气道出口上方壁面与缸盖底平面的夹角;参数16是进气道出口下方壁面与缸盖底平面的夹 角；参数17是气缸中心和进气道出口中心连线与进气道出口中心线的水平夹角；参数18是 进气道出口上方壁面的垂直段高度，以所述18个气道参数为基础数据，对切向气道进行参 数化建模，通过改变18个参数的具体数值即可获得不同尺寸的切向气道三维模型； (2) 神经网络训练 将参数15进气道出口上方壁面与缸盖底平面的夹角、参数16进气道出口下方壁面与缸 盖底平面的夹角、参数17气缸中心和进气道出口中心连线与进气道出口中心线的水平夹 角、以及参数18进气道出口上方壁面的垂直段高度，进行无量纲化，将这四个参数运用正交 试验的方法选取至少41个参数组，其中4因素5水平正交实验表共25个参数组;4因素4水平 正交实验表共16个参数组，将41个参数组的数值输入到气道模板中分别生成41个对应的气 道三维模型， 计算每个参数组对应气道三维模型最大气门升程的流量系数Cf及涡流强度Nr，从该41 个数据中随机选取36组数据对神经网络进行训练，训练完成后，再以其余5组数据作为验证 数据，验证神经网络的预测模型准确性，其中流量系数C f，神经网络预测值与模拟值的偏差 应小于1% ;涡流强度Nr神经网络预测值与模拟值的偏差应小于2%，若不满足要求，则重新 对神经网络进行训练，直至满足要求为止，由此建立以四个性能参数为输入变量、以流量系 数&及涡流强度Nr为输出变量的三层人工神经网络预测模型， (3) 切向气道的设计及优化 根据对流量系数&及涡流强度Nr的要求，将四个性能参数从神经网络训练中的36组数 据中选出涡流强度变化差异最大的两组，输入到气道模板中形成新的两个切向气道，然后 在最大气门升程状态，分别对所述两个气道进行稳流状态数值模拟计算，将计算结果与神 经网络预测结果进行对比，然后利用线性插值的方法对设计目标进行修正，根据修正后的 目标采用遗传算法耦合神经网络对气道参数进行优化，最终得到一组最优的气道参数，将 该组参数对气道模板中的参数进行替换，获得最终气道三维模型， 在采用遗传算法优化参数过程中，性能系数Cp将作为目标函数对气道参数进行筛选， 目标函数如式1所示，式1是对流量系数和涡流强度的一个综合加权的结果，其中：B为缸径;D为气门内座圈直径;η为打开的气门数;L为气门升程;Nr为祸流强度，Cf 为流量系数，Nr和Cf两个评价指标均由进气道性能参数决定。
【文档编号】G06N3/12GK105930574SQ201610239541
【公开日】2016年9月7日
【申请日】2016年4月15日
【发明人】鲁祯, 王天友, 王利民
【申请人】天津大学