基于神经网络的柴油机混合建模方法研究

孙 彬 曾凡明

海军工程大学船舶与动力学院 武汉 430033

基于神经网络的柴油机混合建模方法研究

孙 彬 曾凡明

海军工程大学船舶与动力学院 武汉 430033

针对柴油机性能仿真中的建模问题，分析不同建模方法的特点，提出机理和神经网络相结合的混合建模方法，采用神经网络在线补偿机理模型的误差，提高模型精度，并能够适应柴油机的时变特性。以6PA6型涡轮增压柴油机为例，在Matlab环境下建立机理-神经网络混合模型。仿真分析得出混合建模的一些结论。

柴油机 机理模型 神经网络 混合建模

在船舶动力装置性能仿真中，柴油机模型是核心模块，通常采用机理建模的方法建立。由于机理建模过程中多采用理想的假设和经验公式，不可避免的会产生误差。另外，柴油机具有时变特性，工作一段时间后，性能会发生变化［1］，导致模型的精度降低。如何自适应调整模型输出，提高模型精度是一个值得研究的问题。通过神经网络在线补偿，建立了柴油机的机理-神经网络混合模型。

1 机理-神经网络混合建模方法

机理模型基于建模对象所遵循的物理化学规律，它能反映对象的内部特性，表达比较直观，但对于机理复杂的系统建模，一般要进行简化或采用经验公式，导致模型精度难以保证。神经网络具有很强的学习能力和逼近任意非线性函数的特点，它无需深入了解系统的内部机理，只需通过系统的输入输出数据，设计相应的网络并进行网络训练，便可得到系统模型。但神经网络模型的理论依据还不够完善，且模型对训练数据的依赖性较大［2-4］。

机理-神经网络混合建模方法就是在建模过程中充分发挥神经网络和机理建模各自的优点，从而更好的反映建模对象的规律特性。两者的联接模式主要有两种：一种是并联模式，以机理建模为主，同时采用神经网络对机理模型进行进一步的修正完善，从而得到较为理想的模型，见图1。

图1 并行模型

另一种是串联模式，将系统分解成可描述和未知两部分，针对可描述部分采用机理来建模，而那些机理难以描述的部分采用神经网络来建模，最后按照子系统综合的方式，建立合理的系统整体模型，见图2［5-6］。

文中柴油机混合建模的思想是：用准稳态法建立柴油机的机理模型，用BP网络构建神经网络补偿模型，以补偿机理模型的误差。图3是混合模型的基本原理框图。DE是要辨识的柴油机，NN是神经网络构成的补偿模型，MODEL是机理模型，三者并联。将输入同时加到DE、MODEL和NN上，得到输出分别为实际输出Yd、机理输出Ym和神经网络补偿输出Ynn，利用误差的绝对值E＝|Yd—Ym—Ynn|来修正NN中的权值，直到E等于0时权值修正停止，通过神经网络模型实现对机理模型的补偿。当柴油机长时间工作，实际输出发生变化后，误差E发生变化而不为0，继续修正神经网络的权值，改变补偿量，从而使混合模型能够适应柴油机的特性变化。

图2 串行模型

图3 柴油机混合模型原理图

2 机理-神经网络混合模型与仿真分析

2．1 柴油机混合模型

以某应急电站柴油机6PA6为例，建立机理-神经网络混合模型。6PA6直列式涡轮增压柴油机额定功率为1 770 kW，额定转速为1 000 r／min，配有VTR254自由式废气涡轮增压器，UG8D系列全制式液压调速器。

机理模型采用准稳态法建立。将柴油机划分为柴油机本体、调速器、涡轮、压气机、中冷器等子系统［7］。

柴油机转矩平衡方程为

式中：Mm——机理模型的输出转矩；

Ml——带动同步发电机所需克服的阻力转矩，即负载转矩；

Ie——柴油机转动惯量；

Il——发电机的转动惯量；

nde——柴油机转速。

式中：Hu——燃油低热值；

Ge，ηi——柴油机的循环喷油量和指示热效率；

Mf——柴油机摩擦转矩；ns——活塞平均转速；

V——柴油机气缸总排量。

负载转矩Ml与定子绕组电压U、定子绕组电流I、功率因数cosφ、转子转速n等有关，在文中将不同工况下的负载转矩简化为额定值的线性函数。

增压器转矩平衡方程为

式中：Mt——涡轮转矩；

Mc——压气机转矩；

Itc——增压器转动惯量；

ntc——增压器转速。

神经网络模型采用三层BP网络［8］，网络结构为3—18—1。输入层3个节点，对应循环供油量Ge、柴油机转速nde、压气机空气流量Gm。隐层18个节点，激励函数f（x）采用logsig函数，输出层1个节点，对应输出转矩的补偿值，激励函数g（x）采用purelin函数。神经网络模型的输出为

式中：wi——隐层到输出层的权值；

yi——隐层的输出值，

其中：vij——输入层到隐层的权值；

xj——输入值。

由于柴油机具有时变特性，随着工作时间的增长，在输入不变的情况下，它的性能会发生变化。采用静态神经网络就无法适应柴油机的时变特性。所以，本文用实际输出与混合模型输出的差值ΔM作为误差通过BP算法调整神经网络的权值。当实际输出变化时，ΔM随着变化，从而重新调整网络权值，改变补偿量，以适应柴油机时变特性。

图4为6PA6涡轮增压柴油机混合模型框图，由Matlab仿真语言实现。

图4 柴油机混合模型框图

2．2 模型分析

为了分析混合模型的补偿效果，在柴油机不同负载稳态工况下，比较机理模型输出转矩、混合模型输出转矩和柴油机实际输出转矩，见图5。

图5 稳态工况转矩输出的对比

从中可以明显看到混合模型的输出比机理模型的输出更接近实际值，神经网络起到了补偿机理模型的作用，混合模型提高了机理模型的仿真精度。

为了分析神经网络的动态补偿性能，令柴油机开始在额定负荷下工作，一段时间后输出转矩发生小的突减。神经网络补偿模型初始值为0，图6是仿真结果，在额定负载工况下，混合模型与实际输出存在误差，经过4次迭代调整神经网络权值后，误差等于0，当实际输出发生突变后，混合模型与实际输出的误差又重新产生，神经网络继续动态的调整权值，经过3次迭代后，两者的输出达到相等。这说明，神经网络通过动态的调整权值能有效补偿机理模型的时变误差，基于神经网络动态补偿的混合模型能够适应柴油机的时变特性。

图6 柴油机转矩突变过程的动态特性

3 结论

1）分析机理和神经网络的混合建模方法，并依此建立柴油机机理-神经网络混合模型。

2）通过实际输出与混合模型输出的差值动态调整神经网络的权值，提高柴油机模型的精度，并使得模型能够适应对象的特性变化。

［1］陈国钧，曾凡明．现代舰船轮机工程［M］．长沙：国防科技大学出版社，2001：651-656．

［2］郭江华，梁述海，王英辉，陈国钧．舰用柴油机建模方法综述［J］．船舶工程，2005（1）：58-61．

［3］陈虞涛，曾凡明．基于动态神经网络的柴油机建模研究［J］．海军工程大学学报，2003（1）：90-93．

［4］Robert P．Kasprow，Hybrid Modeling（Neural Networks and First Principles）of Fermentation：Combining Biochemical Engineering Fundamentals and Process Data［D］．Engineering and Applied science University of Virginia，2000：14-21．

［5］陈晓东，马广富，王子才．改进的Elman网络与机理模型的互补建模方法［J］．系统仿真学报，1999（2）：97-100．

［6］金 蓉．神经网络结构优化及混合建模研究［D］．北京化工大学，2000：67-90．

［7］丁东东．带脉冲负载的柴油机动力装置总体优化设计［D］．海军工程大学，2002：11-29．

［8］肖健梅，王锡淮，鲍敏中．神经网络在船舶主柴油机建模中的应用［J］．船舶工程，2001（6）：46-48．

On the hybrid modeling method for the diesel engine based on neural network

SUN Bin ZENG Fan-ming
School of Naval Architecture and Power Naval University of Engineering Wuhan 430033

After analyzing different modeling methods of the diesel engine in performance simulation，a hybrid model using neural network to compensate the error from the principle model is described in this paper．It improves the model precision，and suit the behavior changing of diesel engine．The principle-neural network hybrid model of type 6PA6 turbocharged diesel engineis set up in environment of Matlab，some conclusions are drawn by simulation analysis．

diesel engine principle model neural network hybrid model

U664．121

A

1671-7953（2007）02-0048-03

2006-08-11

修回日期2006-11-06

孙 彬（1978—），男，硕士生。