不同强化程度柴油机进排气门直径参数化设计方法

1.本发明涉及一种参数化设计方法，具体涉及一种柴油机进排气门直径参数化设计方法，属于柴油发动机优化设计技术领域。


背景技术：

2.近年来柴油发动机(简称“柴油机”)不断朝着高功率密度的方向发展，除了改善柴油机的结构参数外，提高平均有效压力和增加柴油机的转速成为提高升功率的主要技术途径和措施，但无论采取哪种措施，高充量系数都是必要条件。高充量系数可以使柴油机进更多的气，每个循环喷更多的燃油，发出更大的功率。
3.气门的大小是影响充量系数的重要因素。当柴油机的强化程度改变时，最佳的进排气直径也会发生变化，因此在改变柴油机的强化程度后，优化其进排气门的直径成为气门设计的首要工作。目前国内外优化进排气门直径的研究方法主要分为实验研究和计算机仿真两种方法。实验研究使用的工具主要是稳流气道试验台，基于稳流气道实验台架，对不同进排气门面积的进排气道的流量系数、涡流比和涡流强度、阻力特征等参数进行测量并用相关评价方法对气道特性进行评价。这些方法虽然比较接近实际情况，但技术要求较高，并且费用较大，不便推广。采用计算机仿真的方法可以大幅降低产品开发成本，缩短产品的开发周期。目前采用计算机仿真进行气门优化设计，都是通过手动调节仿真模型中进排气门直径，每次改变进排气门直径后，进行仿真计算，重复进行多次来获得最佳的进排气门直径。调整进排气门直径是一项比较耗时的步骤，对于进排气门直径，其微调单位达到0.1毫米级，工作量很大，不仅需要人工干预进行参数调整，对于最终计算结果也需要人工进行对比。
4.综上，现有技术在优化柴油机进排气门直径时存在费用大、技术要求高，采用计算机仿真手段进行优化时需要人工干预且耗时、费力的缺陷。


技术实现要素：

5.有鉴于此，本发明提供一种不同强化程度柴油机进排气门直径参数化设计方法，通过该方法自动计算最佳的进排气门直径，整个过程无需人工干涉，从而大大提高了设计效率。
6.不同强化程度下柴油机进排气门直径参数化设计方法，该方法用于在柴油机强化程度发生改变时，设计在对应强化程度下的最佳进排气门直径；
7.步骤1：建立柴油机的仿真计算模型；
8.步骤2：设定进排气门直径的优化范围；
9.步骤3：在步骤2设定的进排气门直径的优化范围内选取多个样本点，得到样本集；其中每个样本点包括两个参数，分别为进气门直径和排气门直径；
10.步骤4：选定优化目标为柴油机功率；即适应度函数f为柴油机功率p关于进气门直径d1和排气门直径d2的函数：p＝f(d1，d2)；
11.步骤5：优化进排气门直径：
12.采用最优化方法在步骤2所设定的进排气门直径范围内搜索使适应度函数值最大的进排气门直径作为对应强化程度下的最佳进排气门直径。
13.作为本发明的一种优选方式，所述步骤1中，利用ricardo wave建立柴油机的仿真计算模型；
14.所述步骤5中，优化时采取matlab与ricardo wave联合仿真的形式：在matlab中建立优化计算模型，将步骤1中在ricardo wave中建立的模型作为适应度计算模型，matlab通过ricardo wave提供的接口，向ricardo wave中的适应度计算模型传输进排气门直径值，ricardo wave根据接收到的进排气门直径值计算适应度值，并传输给matlab中的优化计算模型，用于下一轮的优化迭代。
15.作为本发明的一种优选方式，所述步骤1中，建立柴油机的仿真计算模型后，并根据实机的运行数据进行仿真计算模型的标定。
16.作为本发明的一种优选方式，所述步骤2中，进气门直径的优化范围为(0.42～0.48)d，排气门直径的优化范围为(0.34～0.41)d；其中d为柴油机的缸径。
17.作为本发明的一种优选方式，所述步骤3中，采用拉丁超立方法选取样本点；采用所述拉丁超立方法选取样本点时，以mtalab软件为平台，选用lhsdesign函数，样本空间的维度为2，样本空间的分层数设置为4，所选取的样本点的数量不低于10个。
18.作为本发明的一种优选方式，所述步骤5中，最优化方法采用改进的粒子群优化算法。
19.采用改进的粒子群优化算法进行进排气门直径优化的步骤为：
20.401：初始化群微粒，包括初始位置和速度
21.步骤3中已经完成了粒子初始位置的选取，令粒子i在二维空间中位置表示为矢量xi＝(d1,d2)，i＝1，2，
……
，n，n为步骤3中样本点的个数，d1为进气门直径，d2为进气门直径；初始化粒子i的速度vi为：vi＝0.1
·
xi；
22.402：计算每一粒子的适应度值
23.将每个粒子的位置代入到步骤1建立的柴油机仿真计算模型中，计算每个进排气直径组合下的柴油机功率，即计算每一粒子的适应度值；
24.403：计算个体极值和群体极值
25.对于每一个粒子，将其目前所在位置作为该粒子的最优位置pbi；选择全体粒子中适应度值最高的粒子的位置作为群体的最优位置gb；
26.404：根据每一粒子及其对应的适应度值更新粒子的位置和速度
27.vi＝ω
·
vi+c1·
rand()
·
(pb
i-xi)+c2·
rand()
·
(gb-xi)(1)
28.xi＝xi+vi(2)
29.式(1)和式(2)中，i＝1，2，
……
，n；xi为第i个粒子的位置；vi为第i个粒子的速度；rand()：产生(0，1)之间的随机数；c1、c2为学习因子，设置为c1＝c2＝2；gb为迄今为止整个粒子群中所有粒子发现的最优位置；pbi为第i个粒子迄今为止搜索到的局部最优位置；ω为惯性因子；
30.405：计算位置更新后每个粒子的适应度值；
31.406：更新个体极值和群体极值：
32.将每个粒子当前位置的适应度值与其以前经历过的最好位置的适应度值进行比较，如果较好，则更新pbi；将每个粒子当前位置的适应度值与全体粒子所经历过最好位置的适应度值进行比较，如果较高，则更新gb；
33.407：判断是否满足设定的迭代终止条件，若满足，则迭代结束，否则返回步骤404；
34.终止条件为达到设定的最大迭代次数或全局最优适应度值已经不再变化。
35.作为本发明的一种优选方式：采用动态的惯性因子，即在更新粒子的位置和速度前，先采用下式更新惯性因子ω：
[0036][0037]
ω
max
、ω
min
为设定的ω的最大值和最小值，t为当前迭代步数，t
max
为最大迭代次数。
[0038]
有益效果：
[0039]
(1)传统的关于柴油机进气门直径的研究，重点在机理研究，即进排气门直径是如何影响发动机功率，得到影响规律后，进而得到最优的进排气门直径。具体的步骤是，在不同的强化程度下，通过手调进排气门直径，计算每一直径组合下的发动机规律，再通过人工对比结果，得到最优的进排气门直径。本发明直接通过智能优化算法，实现了在柴油机强化程度发生改变时，最佳进排气门直径的自动搜索，整个过程无需人工干预，大大提高了设计效率，实现了气门直径设计的自动化。
[0040]
(2)优化时所采取的手段是利用matlab与ricardo wave联合仿真的形式，通过联合仿真的形式解决了ricardo wave软件无法自动进行发动机性能优化的缺陷。
[0041]
(3)采用拉丁超立方法选取初始样本点，此方法基于分层抽样的思想，可以有效避免抽取的样本点过于近邻的情况，保证了抽样结果的全面性。
[0042]
(4)建立柴油机的仿真计算模型后，根据实机的运行数据进行仿真计算模型的标定，能够提高仿真计算模型的仿真精度。
[0043]
(5)在采用改进的粒子群优化算法进寻优时，动态的惯性因子，相比固定值更好的寻优结果。
附图说明
[0044]
图1为本发明的设计方法的流程图；
[0045]
图2为采用改进的粒子群优化算法进行寻优的流程图。
具体实施方式
[0046]
下面结合附图和实施例，对本发明做进一步的详细说明。
[0047]
本实施例提供一种能够提高优化效率、减少人工干预的柴油机进排气门直径参数化设计方法，所述的进排气门包括进气门和排气门；该方法用于在柴油机强化程度发生改变时，设计在对应强化程度下的最佳进排气门直径。
[0048]
本例以两气门(包括一个进气门和一个排气门)柴油机为例进行说明，如图1所示，该优化设计方法的具体方案为：
[0049]
步骤一：建立柴油机的仿真计算模型，并对仿真计算模型进行标定
[0050]
本例中利用ricardo wave建立某型增压柴油机的仿真计算模型，并根据实机的运行数据对仿真计算模型进行标定。
[0051]
步骤二：给定进排气门直径的优化范围
[0052]
根据该增压柴油机的缸径d，根据经验值预设进排气门直径范围：进气门直径为(0.42～0.48)d，排气门直径为(0.34～0.41)d，在此范围内进行进排气门直径的优化。
[0053]
步骤三：在步骤二预设的进排气门直径范围内选取多个样本点，得到样本集；其中每个样本点包括两个参数，分别为进气门直径和排气门直径；样本集应尽量保证样本点布满设计变量(设计变量即为进气门直径和排气门直径)所在空间。
[0054]
本例中样本点采用拉丁超立方法选取，该方法的思想是分层抽样，可以有效避免抽样点过于邻近的情况。以mtalab软件为平台，选用lhsdesign函数，样本空间的维度为2，样本空间的分层数设置为4，样本点分层数越大，所选取的样本点就越多，精确度会越高，但是计算的复杂度也会相应的增加，分层数的选取根据需要，但是总的样本点的个数应不低于10个。
[0055]
步骤四：选定优化目标：
[0056]
当柴油机的强化程度(包括增压压力、压缩比等)改变时，发动机最佳的进排气门直径也会发生变化，评价进排气门直径好坏的标准为发动机功率。因此选定优化目标为柴油机功率；即适应度函数f为柴油机功率p关于进气门直径d1和排气门直径d2的函数：p＝f(d1，d2)，适应度值是将进排气门直径代入步骤一所建立的柴油机仿真计算模型中得到的柴油机功率。
[0057]
步骤五：优化进排气门直径：
[0058]
采用最优化方法在预设的进排气门直径范围内搜索最佳的进排气门直径作为优化后的进排气门直径，即适应度值最大的进排气门直径即为优化后的进排气门直径。
[0059]
优化时所采取的手段是利用matlab与ricardo wave联合仿真的形式，即优化计算模型(优化算法)在matlab中建立，适应度计算模型即步骤一在ricardo wave中建立的仿真计算模型，通过ricardo wave提供的接口，matlab向ricardo wave传输进排气门直径值，ricardo wave根据该值计算适应度值(即对应进排气门直径值下的柴油机功率)并传输给matlab，matlab根据适应度值来进行下一轮的优化迭代，如此反复。
[0060]
采用ricardo wave和matlab的联合仿真优化模型，通过联合仿真的形式解决了ricardo wave软件无法自动进行发动机性能优化的缺陷。
[0061]
下面对优化计算模型(优化算法)进行详细描述：
[0062]
本例中，最优化方法采用改进的粒子群优化算法，如图2所示，具体包括以下步骤：
[0063]
401：初始化群微粒，包括初始位置和速度：
[0064]
步骤三中已经完成了各粒子初始位置的选取(即各样本点的初始值)，令粒子i在二维空间中位置表示为矢量xi＝(d1,d2)，i＝1，2，
……
，n，n为步骤三中选取的样本点的个数，d1为进气门直径，d2为排气门直径；初始化粒子i的速度vi为：vi＝0.1
·
xi；
[0065]
402：计算每一粒子的适应度值
[0066]
将每个粒子的位置(相当于进排气门直径)代入到步骤一建立的柴油机仿真计算模型中，计算每个进排气直径组合下的柴油机功率，即计算每一个粒子的适应度值。
[0067]
403：计算个体极值和群体极值
[0068]
对于每一个粒子，将其目前所在位置作为该粒子的最优位置pbi；将每一个粒子的适应度值与全体粒子的适应度值进行比较，选出适应度值最高的粒子的位置作为群体的最优位置gb(即选择全体粒子中适应度值最高的粒子的位置作为群体的最优位置gb)。
[0069]
404：更新惯性因子
[0070]
惯性因子ω，其值非负，控制前一速度对当前速度的影响，其值较大全局搜索能力强，其值较小局部搜索能力强。动态的惯性因子ω有比固定值更好的寻优结果，设置惯性因子ω在整个搜索过程中线性变化，采用线性递减权值策略：
[0071][0072]
ω
max
、ω
min
分别为ω的最大值和最小值，t为当前迭代步数，t
max
为最大迭代步数，设置ω
max
＝0.9，ω
min
＝0.4。
[0073]
405：根据每一粒子及其对应的适应度值更新粒子的位置和速度
[0074]
vi＝ω
·
vi+c1·
rand()
·
(pb
i-xi)+c2·
rand()
·
(gb-xi)
ꢀꢀ
(3)
[0075]
xi＝xi+viꢀꢀ
(4)
[0076]
式(1)和式(2)中，i＝1，2，
……
，n；xi为第i个粒子的位置；vi为第i个粒子的速度；rand()：产生(0，1)之间的随机数；c1、c2为学习因子，设置为c1＝c2＝2；gb为迄今为止整个粒子群中所有粒子发现的最优位置；pbi为第i个粒子迄今为止搜索到的局部最优位置。
[0077]
406：计算位置更新后每个粒子的适应度值。
[0078]
即将每个粒子更新后的位置(相当于进排气门直径)重新代入到步骤一建立的柴油机仿真计算模型中，计算每个进排气直径组合下的柴油机功率，即位置更新后每个粒子的适应度值。
[0079]
407：更新个体极值和群体极值。
[0080]
将每个粒子当前位置的适应度值与其以前经历过的最好位置的适应度值进行比较，如果较好，则将其当前位置作为该粒子的pbi；将每个粒子当前位置的适应度值与全体粒子所经历过最好位置的适应度值进行比较，如果较高，则更新gb。
[0081]
408：检查是否满足迭代终止条件。
[0082]
检查是否达到最大迭代次数(本例中，迭代次数设置为1000次)或全局最优适应度值已经停止不再变化，如果满足其一，迭代结束，否则返回步骤404。
[0083]
与现有气门直径设计的技术相比，通过优化方法自动计算最佳的进排气门直径，整个过程无需人工干涉，从而大大提高了设计效率。
[0084]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。