柴油机Urea-SCR系统氨喷射量和氨覆盖率同步优化方法与流程

本发明属于发动机领域，具体涉及一种柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法。

技术背景

严重的空气污染问题以及排放法规的要求日益严格，迫使人们越来越重视先进的汽车尾气排放控制技术。选择性催化还原(scr)技术因其高效率、高选择性、高经济性及耐硫等优点，被广泛用于中重型柴油车nox排放控制。2018年6月最新发布的《重型柴油车污染物排放限值及测量方法(中国第六阶段)》(简称国六)排放法规要求采用新的测试循环——世界统一稳态循环(worldwideharmonizedsteadycycle,whsc)和世界统一瞬态循环(whtc)，whsc和whtc测试循环下的nox限值分别为0.4g/kw·h和0.46g/kw·h，同时要求氨泄漏限值不超过10ppm，面临如此严苛的排放法规要求，需要urea-scr系统发挥最大的nox还原潜力且同时满足氨泄漏限值约束，解决这一问题的有效方法是对urea-scr系统性能进行优化。由于发动机工况的复杂性以及nox转化效率与氨泄漏的“trade-off”关系，柴油机尿素喷射优化及控制仍然是当前研究的一大挑战。

传统的方法通过大量稳态工况试验来制定柴油机优化的尿素供给率map，以建立优化供给率与转化效率、发动机温度、空速的关系。但是试验方法需要采集大量的试验数据，既耗时，成本也高。

对比传统的方法通过大量台架试验的方式获得详细的发动机全工况优化map，数值仿真方法由于低成本和低时耗，同时得到的优化结果具有一定的可靠性，误差精度可在接受的水平，成为进行发动机优化设计的有效手段。当前的一些研究通过nsga-ii算法对柴油机urea-scr系统进行优化普遍采用基于数据的建模方法，如采用支持向量机和遗传算法的建模方法，由于目前氨覆盖率/氨存储量尚无设备或传感器直接测量，这种基于数据的建模方法不能建立优化的氨覆盖率/氨存储量与发动机工况的关联。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种基于物理-化学模型(简称基于模型)的nsga-ii算法的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，能够在满足国六排放标准对氨泄漏限值为10ppm的约束下实现最大的nox转化效率，并且还能同时得到优化的氨覆盖率与氨存储量，为研究优化的urea-scr系统尿素供给率与转化效率、氨覆盖率、氨存储量等性能参数与发动机工况之间的关系提供依据。本发明为了实现上述目的，采用了以下方案：

本发明提供一种柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，其特征在于，包括以下步骤：

步骤1.建立urea-scr系统模型，包括：

步骤1-1.基于四个主要化学反应及反应速率方程建立urea-scr系统三状态模型，用于预测催化器内部的nox浓度、nh3浓度及氨覆盖率三个状态量：

上式中，和分别是催化器入口nh3和nox气体浓度；和分别是催化器出口nh3和nox气体浓度；是氨覆盖率；是氨存储能力；定义i＝ads,des,red,oxi；f是废气流速(体积流速)；v是催化器体积；

步骤1-2.将urea-scr系统内部nox和nh3浓度变化视作准稳态，仅氨覆盖率动态性作为唯一状态，建立一状态降阶模型：

步骤2.模型参数辨识：在matlab中采用遗传算法使模型中关于催化器出口尾气中nox和nh3浓度的预测值与实际测量数据误差最小，来辨识得到模型参数；

步骤3.将辨识得到的模型参数用于nsga-ii算法的优化过程，根据排放规定限值要求选择最佳的pareto优化解(例如，国六排放法规要求氨泄漏≤10ppm，采用该值作为排放规定限值)，得到优化的尿素供给率和氨覆盖率、最大nox转化效率、氨存储量；

步骤4.在matlab中对本发明的基于模型的nsga-ii算法进行仿真，建立尿素供给率、转化效率、氨覆盖率、氨存储量优化值与温度和空速的关系，进而建立发动机全工况优化map。

本发明提供的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，还可以具有以下特征：在步骤2中，需要从建立的urea-scr系统模型中辨识确定10个参数s1,s2,ki,ei,i＝ads,des,red,oxi，在matlab中采用遗传算法使模型预测值与实际测量数据误差最小，目的是找到模型参数(s1,s2,ki,ei,i＝ads,des,red,oxi)使下列误差成本函数最小：

式中，和分别表示催化器出口nox和nh3气体浓度模型预测值，和分别表示催化器出口nox和nh3气体浓度测量值。

本发明提供的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，还可以具有以下特征：在步骤2中还对模型的准确性进行验证，如果模型预测值与测量值误差较大(例如，误差>10％)，首先检查试验数据是否准确，若试验数据准确，则调整遗传算法的参数(包括种群大小、代数、模型参数限值范围)重新进行模型拟合。若试验数据不准确，则调整试验方案，校正测量仪器重新进行发动机台架试验。

本发明提供的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法中，步骤3包括：

步骤3-1.将最大的nox转换效率目标等效转换为求最小的nox未转换效率(即催化器出口nox浓度)，使算法中所有目标成本函数都描述为最小化问题；

urea-scr系统的多目标优化问题可以写成：

其中，

式中，α表示尿素供给率，是需优化的变量，用于使带约束的多目标函数最小化；f(α)是目标向量，包含两个需要同时最小化的目标函数；f1(α)和f2(α)分别表示nox未转换效率和氨泄漏；

步骤3-2.对urea-scr系统多目标优化的主要模块进行结构化设计。

本发明提供的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，还可以具有以下特征：进行结构化设计的模块包括：输入模块、输出模块、scr系统模型仿真模块和优化模块，输入模块：将发动机每一工况的测试参数(排气温度、流量、气体浓度)作为输入信息,在matlab在进行优化求解；输出模块：将算法得到的pareto最优解集中氨泄漏量最接近排放规定限值要求(国六法规限定氨泄漏不超过10ppm)的优化解挑选出来，作为最佳优化解；scr系统模型仿真模块和优化模块：scr系统模型仿真模块嵌入到优化模块中，由nsga-ii算法为种群中每个个体随机产生不同的变量，将该变量代入系统模型中计算尾气nox和nh3浓度以及氨覆盖率；根据模型预测结果和目标函数，评价选择、交叉和变异操作，利用nsga-ii对下一代进行计算；重复优化计算过程，直到达到最大迭代次数，终止当前工况点的优化。

本发明提供的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，还可以具有以下特征：在步骤4中，对nsga-ii算法进行仿真并验证优化结果，将三状态非线性模型及一状态降阶模型的优化解进行试验验证和对比，并分析优化解对scr系统模型的敏感性，若一状态模型与三状态模型的误差较大，则选择三状态模型，否则选择一状态模型，然后基于选择额模型建立发动机工况与urea-scr系统优化参数间的关系，进而建立发动机全工况优化map。

发明的作用与效果

(1)本发明基于模型的nsga-ii算法对柴油机urea-scr系统进行优化，不仅可以获得优化的尿素供给率及优化的nox转化效率，还能同时得到相应的不可测量状态氨覆盖率与氨存储量优化值。

(2)本发明的方法可以获得发动机全工况下的最优稳态解，可将其作为查找表或优化map应用于控制系统，同时也可以作为其它控制算法的基准值或参考值。优化过程结合智能算法，可以提供更好的成本效益，耗时更少，可替代试验方法探索同时实现发动机排放和性能优化的双重目标。

(3)本发明可适用于国六排放法规，也可以适用于其他测试循环以及更为严格的排放法规要求。

(4)本发明还可用于scr催化剂性能发生衰减的情况，通过重新辨识老化催化剂的动力学参数修改模型或通过其他方法将动力学参数修正为时间的函数，可得到与催化剂性能变化相适应的优化结果。

附图说明

图1为本发明实施例所涉及的稳态工况测试下发动机转速及转矩的对应关系图；

图2为本发明实施例所涉及的稳态工况测试下scr系统温度和空速的对应关系图；

图3为本发明实施例所涉及的模型参数辨识框架图；

图4为本发明实施例所涉及的urea-scr系统模型值与测量值对比及模型验证图，其中图4(a)涉及urea-scr系统下游nox浓度及绝对误差，图4(b)涉及urea-scr系统下游nh3浓度及绝对误差；

图5为本发明实施例所涉及的urea-scr系统优化模块的结构图；

图6为本发明实施例所涉及的urea-scr系统基于模型的nsga-ii算法优化的流程图；

图7为本发明实施例所涉及的优化解特征曲线图：三状态非线性模型与一状态降阶模型对比(稳态发动机工况条件(1600r/min))，其中，图7(a)涉及优化的尿素供给率，nox转化效率以及氨覆盖率，图7(b)涉及优化的氨存储量；

图8为本发明实施例所涉及的发动机台架试验验证稳态工况1的测试图(@1500r/min，233n·m，252℃，空速19500/h)，其中图8(a)涉及nsga-ii优化解，图8(b)涉及发动机台架试验scr入口条件，图8(c)涉及发动机台架试验scr出口测量值；

图9为本发明实施例所涉及的发动机台架试验验证稳态工况2的测试图(@2100r/min，567n·m，352℃，空速37000/h)，其中图9(a)涉及nsga-ii优化解，图9(b)涉及发动机台架试验scr入口条件，图9(c)涉及发动机台架试验scr出口测量值；

图10为本发明实施例所涉及的发动机稳态工况优化map，其中图10(a)为发动机尿素供给率优化map，图10(b)为nox转化效率优化map，图10(c)为氨覆盖率优化map，图10(d)为氨存储量优化map。

具体实施方式

以下结合附图对本发明涉及的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法的具体实施方案进行详细地说明。

<实施例>

本实例基于模型的nsga-ii算法的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法，具体包括如下步骤：

步骤1.建立scr系统模型，包括：

步骤1-1.基于scr系统内部四个主要化学反应及反应速率方程建立urea-scr系统三状态模型，用于预测催化器内部的nox浓度、nh3浓度及氨覆盖率三个状态量。

urea-scr系统催化反应机理：车用urea-scr系统通常采用32.5％的尿素水溶液(添蓝)作为还原剂与废气中的nox发生反应以降低排放，主要考虑尿素转化、氨的吸附与脱附、scr还原反应、氨的氧化反应。

尿素水溶液的转化：

nh2-co-nh2(aq)+h2o(g)→2nh3(g)+co2(g)(1)

最佳的尿素供给率定义：

urea-scr系统还原nox的量主要取决于尿素供给率(α)，定义为nh3摩尔质量流率与发动机的nox摩尔质量流率的比值，或尿素摩尔质量流率与发动机的nox摩尔质量流率比值的两倍。根据国六排放法规规定，最佳的尿素供给率(αod)定义为，任意的发动机工况，在满足氨泄漏小于10ppm的约束下，最大限度地减少尾气中nox所对应的尿素供给率。

假定尿素在scr催化器前端100％转化为nh3。相应的尿素水溶液计算。

nh3吸附和脱附：

催化剂表面的吸附和脱附速率公式如下：

nox还原反应：

scr反应速率公式如下：

nh3氧化反应：

nh3氧化的反应速率公式如下：

基于以上内容，根据质量和能量守恒定律建立urea-scr系统模型。

根据连续搅拌釜反应原理，并考虑主要的化学反应(公式(4)–(10))和质量守恒定律，建立了基于控制的三状态非线性模型(公式(11))，用于预测催化器内部的三个状态量，即nox浓度、nh3浓度及氨覆盖率。

将上述公式进一步整理写成以下形式：

式中：和分别是催化器入口nh3和nox气体浓度；和分别是催化器出口nh3和nox气体浓度；是氨覆盖率；是氨存储能力；定义i＝ads,des,red,oxi；f是废气流速(体积流速)；v是催化器体积。

步骤1-2.模型简化：将urea-scr系统内部nox和nh3浓度变化视作准稳态，仅氨覆盖率动态性作为唯一状态，建立一状态降阶模型。

对urea-scr系统的优化及控制来说，三状态模型仍有较大的计算量。urea-scr系统内部气相的动态性通常具有较快的时间尺度(nox和nh3浓度动态性时间常数比氨存储约小100倍)，因而可将urea-scr系统内部nox和nh3浓度变化视作准稳态，以进一步减小模型计算量。基于这些考虑，建立了一状态降阶模型(公式(13))，其中仅氨覆盖率动态性作为唯一状态，nox和nh3浓度均视作准稳态变量，用代数公式计算。

步骤1-3.在发动机台架上进行一系列稳态工况试验，试验数据应覆盖发动机大部分工况范围。测试数据中一部分样本数据用于建立系统模型，剩余的样本数据用于验证模型的准确性。在本实施例中，具体是在发动机台架上进行了180个稳态工况测试。发动机转速和转矩测试数据如图1所示，转速由900增加到2600r/min，增幅100r/min；转矩由10％增加到100％，增幅为10％。对应的空速和温度如图2所示。由图1和图2可看到测试数据覆盖发动机大部分工况范围。

稳态工况下催化剂温度按上、下游温度传感器的平均值计算，空速(sv)按国标中的定义计算，并按照标定的转速和负荷的对应关系调整温度和空速。

发动机工况稳定后转速波动范围应不超过设定值的±30r/min，转矩波动范围应不超过设定值的±2％。各测量仪器至少在发动机稳定运行5分钟后才开始正式釆集记录测试数据。

步骤2.设计遗传算法进行模型参数辨识和模型验证，并分析模型值与测量值误差。

步骤2-1.模型参数辨识

建立的urea-scr系统模型中共有10个参数(s1,s2,ki,ei,i＝ads，,des，,red,oxi)需要确定。在matlab中采用遗传算法使模型预测值(催化器出口尾气中的nox和nh3浓度)与实际测量数据误差最小来辨识得到模型参数。用于参数辨识的优化问题框架如图3所示，目的是找到模型参数(s1,s2,ki,ei,i＝ads,des,red,oxi)使误差成本函数(公式(13))最小。

步骤2-2.模型验证

通过步骤1-3中发动机台架试验的180个稳态工况样本数据以及步骤2-1的模型参数辨识方法进行模型验证，matlab仿真结果如图4所示。图4中前150个稳态样本数据用于模型参数辨识，后30个样本数据用于模型验证。如果模型值与测量值误差较大，首先需检查发动机台架试验数据是否准确，若试验数据准确，则调整遗传算法的参数(包括种群大小、代数、模型参数限值范围等)重新进行模型拟合；若试验数据不准确，则调整试验方案，校正测量仪器重新进行发动机台架试验。

图4(a)和(b)分别显示urea-scr系统下游nox浓度与nh3浓度的模型值与测量值对比及二者的绝对误差，该误差定义为测量值减去模型值。由图4(a)和(b)可看到在整个样本空间urea-scr系统下游nox浓度与nh3浓度的模型值与测量值整体均吻合较好。

步骤2-3.模型误差分析

下表1列举了模型预测值与测量值的常见几种误差类型以衡量本实施例中模型的准确性。

表1

由上表1可看到，下游nox浓度的平均绝对百分比误差(mape)均在10％以内，表明模型值能较好的吻合测量值；需注意的是，由于尿素喷射温度阙值在200℃，低于此温度将无尿素量喷射，此时下游的氨泄漏值将为0，在计算下游氨泄漏的平均绝对百分比误差(mape)时，当实际测量的氨泄漏值为0时，将导致计算的mape无穷大，这在数学上是无意义的，因此，表1中未列举氨泄漏的平均绝对百分比误差(mape)。另外，下游nox浓度平均绝对误差(mad)整体小于10ppm，均方根误差(rmse)整体小于15ppm；氨泄漏的平均绝对误差以及均方根误差均整体小于5ppm；下游nox浓度与氨泄漏误差均在可接受水平。误差分析结果表明本文的模型预测值与测量值非常匹配，所建立的模型具有较高的精度，可用于urea-scr系统尿素喷射量优化及控制策略研究。

步骤3.将辨识得到的模型参数用于nsga-ii算法的优化过程，根据排放规定限值要求选择最佳的pareto优化解，得到优化的尿素供给率和氨覆盖率、最大nox转化效率、氨存储量。

步骤3-1.设计基于模型的nsga-ii算法获得满足国六排放法规氨泄漏限值要求的最优尿素供给率和氨覆盖率、最大nox转化效率。本实施例中将最大的nox转换效率目标等效转换为求最小的nox未转换效率(即催化器下游的nox浓度)，使算法中所有目标成本函数都描述为最小化问题，便于求解。

urea-scr系统多目标优化问题可以写成：

其中，

这里α表示尿素供给率，是需优化的变量，用于使带约束的多目标函数最小化；f(α)是目标向量，包含两个需要同时最小化的目标函数；f1(α)和f2(α)分别表示nox未转换效率和氨泄漏；表示催化剂上游的nox浓度；和分别表示催化器下游的nox和nh3浓度，由系统模型公式计算得到。

步骤3-2.对urea-scr系统多目标优化的主要模块进行结构化设计。本实施例中，urea-scr系统多目标优化的主要模块化设计结构如图5所示，包括4个部分：输入模块、输出模块、优化模块和scr系统模型仿真模块。

urea-scr系统的优化问题涉及到两个相互冲突的目标函数，它必须同时优化满足约束的边界(公式(16))。优化过程如图6所示，在给定的约束范围内找到最佳尿素供给率(αod)，使f(α)在整个发动机测试循环内每一工况下均达到最小化。此外，如果尿素喷射量是最优的，由于相互耦合关系，那么氨覆盖率也是最优的。

首先，发动机每一工况点的测试参数(排气温度、流量、气体浓度等)作为nsga-ii算法的输入，由nsga-ii算法为种群中每个个体随机产生不同的变量(尿素供给率)，将该变量代入系统模型中计算尾气nox和nh3浓度以及氨覆盖率。根据模型预测结果和目标函数，评价选择、交叉和变异操作，利用nsga-ii对下一代进行计算。选择过程被用来寻找高绩效的个体，以非支配的等级形成下一代，这使得每个个体沿着最优的pareto前沿前进，同时保持pareto解的多样性。重复优化计算过程，直到达到最大迭代次数，终止当前工况点的优化。

在两个目标的情况下，pareto前沿的集合是平面曲线。一旦得到pareto最优解集，就必须从它们之间选择一个最终最优解。将pareto最优解集中氨泄漏量最接近国六排放标准(10ppm)的优化解挑选出来，即为所要找的最佳解。利用该优化流程，可以获得整个发动机测试循环的最佳解，直至完成所有发动机工况点的优化过程。

步骤4.在matlab中对nsga-ii算法进行仿真和验证，建立尿素供给率、转化效率、氨覆盖率、氨存储量优化值与温度和空速的关系，进而建立发动机全工况优化map。

步骤4-1.对三状态非线性模型及一状态降阶模型的优化解进行对比，并分析优化解对scr系统模型的敏感性。

如图7所示，对发动机转速为1600r/min，负荷从10％变化到100％(步长10％)的10个稳态工况下的三状态非线性模型及一状态降阶模型的优化解进行对比，分析了优化解对scr系统模型的敏感性；选取两个不同稳态工况对nsga-ii优化结果进行发动机台架试验验证。由图7可见，一状态降阶模型的优化解基本上与三状态非线性模型的优化解一致，除了高温下最佳尿素供给率之间略有差异。造成这种差异的主要原因是在一状态降阶模型中没有考虑nox和nh3浓度的动态性，而将其当做准稳态在平衡方程中通过代数计算得到。但这两种模型的最佳尿素供给率平均误差仅为2.2％，这在柴油机urea-scr系统的nox还原优化中是可以接受的。因此，一状态降阶模型可以用来获得高精度的最优解。通常，多单元多状态模型可以更接近实际的urea-scr系统，但是，系统建模和参数辨识将更加复杂，同时，由于模型状态量更多，计算量也更大，在仿真过程中需要更多的时间。权衡模型精度和计算负荷，本实施例的优化方法采用公式(12)的一状态降阶模型。

如果经对比分析三状态非线性模型与一状态降阶模型的优化解的误差较大(若超过10％)，则需采用三状态非线性模型进行urea-scr系统优化。

本实施例中，选取了两个不同稳态工况对nsga-ii优化结果进行发动机台架试验验证，如图8和图9所示，对应的发动机转速和转矩分别为1500r/min，233n·m和2100r/min，567n·m。

由图8(a)，发动机稳态工况1的nsga-ii最佳尿素供给率为0.81，对应的最佳nox转化效率为76.24％，最佳氨覆盖率约0.63，此时氨泄漏9.98ppm。发动机台架试验的scr催化器入口条件如图8(b)所示，催化器平均温度约526k，上游nox平均浓度和废气平均流速分别为670ppm和383kg/h，发动机稳态运行120s后开始喷入尿素，尿素喷射平均速率570g/h，换算成尿素供给率约为0.8，试验测量的下游nox浓度和氨泄漏如图8(c)，稳定后试验测得的nox转化效率平均值约70％，略低于优化值76.24％；试验测得的稳态氨泄漏约8.5ppm，也略低于优化值9.98ppm。原因可能在于催化剂温度在250℃左右尿素将发生不完全分解(有研究表明尿素分解速率在350℃左右才达到最大)，但是优化建模中假设尿素100％转化为nh3，将导致实际nox转化效率和氨泄漏略低于优化值。考虑到发动机的实际运行情况，在稳态工况1发动机台架试验结果与优化结果误差在可接受水平。

另一稳态工况2的nsga-ii优化结果及发动机台架试验结果如图9所示。由图9(a)，nsga-ii得到的最佳尿素供给率约0.896，对应的最佳nox转化效率为80％，最佳氨覆盖率约0.21，此时氨泄漏9.78ppm。由图9(b)发动机台架试验的scr催化器平均温度约625k，上游nox平均浓度和废气平均流速分别为943ppm和777kg/h，发动机稳态运行120s后开始喷入尿素，尿素喷射平均速率2075g/h，换算成尿素供给率约为0.9，试验测量的下游nox浓度和氨泄漏如图9(c)，稳定后试验测得的nox转化效率平均值约89％，略高于优化值80％；由于高转速高负荷下发动机的温度较高，尿素喷射速率波动较大，同时scr反应速率较快，试验测量中氨泄漏有一定波动，但是其平均值约5.7ppm，峰值约9ppm，略低于优化值9.78ppm。分析其原因可能是高温下scr反应速率较快，催化器内部原先存储的一部分nh3参与反应，使实际nox转化效率略高于优化值。同样考虑到发动机的实际运行情况，在稳态工况2发动机台架试验结果与优化结果误差在可接受水平。

通过比较分析稳态工况1和稳态工况2的试验结果与优化结果，可认为本实施例提出的基于模型的nsga-ii算法得到的优化结果是可靠的。

步骤4-2.通过matlab建立发动机全工况优化map。

发动机需要在不同工况下优化运行参数以获得更好的性能，对给定的催化器温度和空速，应用本实施例设计的方法可实现发动机每一工况下最大的nox转化效率和法规允许的氨泄漏(≤10ppm)。本实施例通过matlab建立尿素供给率、转化效率、氨覆盖率、氨存储量优化值与温度和空速的关系，得到发动机全工况优化map，如图10所示，由图可看出发动机优化map覆盖的温度范围为210～530℃，空速范围为1.1×10⁴～5×10⁴/h，该发动机优化map可以作为查找表或优化map应用于控制系统，同时也可以作为其它控制算法的基准值或参考值。

以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的柴油机urea-scr系统氨喷射量和氨覆盖率同步优化方法并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

【附】

主要符号说明表

下标说明表