一种高精度柴油机实时仿真计算模型构建方法与流程

本发明涉及柴油机技术，尤其涉及一种高精度柴油机实时仿真计算模型构建方法。

背景技术：

1、基于仿真模型的柴油机控制系统开发和标定方法可以提升开发效率并降低成本，将控制系统的校准工作转向早期开发阶段，使用具体的控制器驱动虚拟的发动机模型，根据测试结果检验控制器的优劣，从而减少在实际台架上的测试工作，降低成本和测试时间，这种方法也称为硬件在环仿真。但是硬件在环仿真对柴油机仿真模型有更严格的要求，不仅需要满足一定的精度，还需要满足面向控制的要求，也就是要实现快速计算，满足实时性约束。因此构建高精度柴油机实时仿真计算模型是一项有重要工程意义的研究课题。

技术实现思路

1、本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种高精度柴油机实时仿真计算模型构建方法。

2、本发明解决其技术问题所采用的技术方案是：一种高精度柴油机实时仿真计算模型构建方法，包括以下步骤：

3、1)采用仿真和试验结合的方法获取训练样本；

4、在柴油机上分别开展稳态和瞬态性能试验，获取稳态工况和瞬态工况的试验数据作为训练样本；

5、利用数据标定基于一维非定常流动模型的仿真模型，利用模型获取更多训练样本；

6、2)以训练样本的转速、喷油量、喷油时刻以及喷油量随时间变化率作为输入层，增压压力、缸内最大燃烧压力、涡前排温、有效燃油消耗率以及输出扭矩作为输出层，构建grnn神经网络；

7、3)对训练样本数据进行归一化处理；

8、4)选择粒子群算法(pso算法)确定grnn神经网络的平滑因子的最优值；

9、4.1)利用核密度估计估算概率密度函数f(x,y)，

10、

11、得到y相对于x的期望其中，x为grnn神经网络的输入变量，y为概率最大的输出变量，f(x,y)表示随机变量x和y的概率密度函数，xobs为x的观测值，σ为平滑因子；

12、4.2)采用pso算法不断迭代获得最优平滑因子；

13、粒子群规模设置为50，粒子群算法的最大迭代次数选择100，学习因子c1和c2选择1.5，惯性权重ω选择1；

14、4.3)获得经过pso算法计算后的最优平滑因子值；

15、5)利用构建的模型在simulink软件中进行训练和评估。对于稳态工况，选择决定系数(r2)作为评价标准，对于瞬态工况的测试样本，选择每一时刻预测结果和训练样本的误差曲线作为评判标准，评价增压压力、缸内最大燃烧压力、涡前排温、有效燃油消耗率、输出扭矩的预测效果。

16、本发明产生的有益效果是：

17、1)发明考虑了现有一维非定常流动计算模型计算时间过长，无法满足面向控制的模型对于实时性要求的缺点，提出了一种基于广义回归神经网络的性能模型构建方法，可以在满足计算速度的前提下，实现更高的非线性函数逼近能力，从而提升精度；

18、2)将喷油量变化率作为输入特征，建立能够同时对稳态和瞬态性能进行有效预测的通用神经网络模型。

技术特征：

1.一种高精度柴油机实时仿真计算模型构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的高精度柴油机实时仿真计算模型构建方法，其特征在于，所述步骤4)，具体如下：

3.根据权利要求2所述的高精度柴油机实时仿真计算模型构建方法，其特征在于，所述步骤4.2)中，粒子群规模设置为50，粒子群算法的最大迭代次数选择100，学习因子c1和c2选择1.5，惯性权重ω选择1。

技术总结
本发明公开了一种高精度柴油机实时仿真计算模型构建方法，包括以下步骤：1)采用仿真和试验结合的方法获取训练样本；2)以训练样本的转速、喷油量、喷油时刻以及喷油量随时间变化率作为输入层，增压压力、缸内最大燃烧压力、涡前排温、有效燃油消耗率以及输出扭矩作为输出层，构建GRNN神经网络；3)对训练样本数据进行归一化处理；4)采用粒子群算法PSO算法确定GRNN神经网络的平滑因子的最优值；5)对构建的模型在Simulink软件中进行训练和评估，获得最终的模型。本发明提出了一种基于广义回归神经网络的性能模型构建方法，可以在满足计算速度的前提下，实现更高的非线性函数逼近能力，从而提升精度。

技术研发人员：陈昊天,杨鹏举,姚尧,周雅杰
受保护的技术使用者：中国舰船研究设计中心
技术研发日：
技术公布日：2024/2/21