论文部分内容阅读
GDI(Gasoline Direct Injection)涡轮增压发动机作为一个复杂的非线性系统,从单因素或者传统方法出发对发动机性能进行预测及优化所达到的效果不是特别好。因此,本文首先从多因素出发,使用田口方法研究分析了多参数对发动机性能的影响情况;然后使用广义回归神经网络(Generalized Regression Neural Network,GRNN)和支持向量机(Support Vector Machine,SVM)对发动机性能进行多参数建模;最后使用NSGA-Ⅱ(Non-dominated Sorting Genetic Algorithm-II,带精英策略的非支配排序的遗传算法)对发动机性能进行优化。研究发现:田口方法能有效分析多参数对发动机性能的影响情况;联合机器学习和智能优化算法对发动机进行优化,能快速优化发动机性能并大幅度降低试验成本。本文立足于重庆市重点产业共性关键技术创新专项项目“增压器设计与控制关键技术研究及应用”(项目编号:CSTC2015ZDCY-ZTZX60014)。研究内容如下:首先,基于某款发动机试验台架数据及发动机实际物理尺寸,应用发动机专业仿真软件GT-POWER建立了发动机外特性仿真模型。仿真结果表明,模拟值与试验值的相对误差在5%以内,建立的仿真模型能用来做发动机外特性工况的研究。然后,利用田口方法中的信噪比分析和方差分析,基于发动机仿真模型,着重分析了发动机IVVT(Intake Variable Valve Timing)、EVVT(Exhaust Variable Valve Timing)、喷油时刻(Start of Injection,SOI)、CA50(Crank Angle 50,表征发动机的点火时刻)和发动机进排气歧管长度和直径对发动机扭矩、燃油消耗率及排气温度的影响情况。结果表明:田口方法能在多个输入中,有效分析出输入对输出的影响情况,得到发动机IVVT、EVVT、喷油时刻和CA50对发动机性能参数的贡献度较大。进一步,在上述对发动机参数研究的基础上,将IVVT、EVVT、喷油时刻和CA50作为输入,研究了在小样本情况下广义回归神经网络和支持向量机预测发动机性能的情况。结果表明:广义回归神经网络和支持向量机在小样本的情况下,均能很好的预测发动机扭矩、燃油消耗率及排气温度。支持向量机在预测精度及稳定性上略高于广义回归神经网络。最后,联合支持向量机和NSGA-Ⅱ算法对发动机外特性进行了优化。试验结果表明:机器学习算法联合智能优化算法对发动机性能优化,能快速优化发动机性能,并且具有较高的准确性,为发动机设计开发提供一个有利的工具。