基于神经网络的多功能收割机发动机性能仿真及优化

李漫江

(江苏经贸职业技术学院，南京 211168)

基于神经网络的多功能收割机发动机性能仿真及优化

李漫江

(江苏经贸职业技术学院，南京 211168)

随着全球经济和工业的快速发展，能源危机和环境保护问题越来越突出，传统内燃式发动机受到了巨大冲击，因此研究高效、节能的发动机显得尤为重要。为此，研究一种压缩比为10.6多功能收割机，并设计了基于MatLab仿真平台的GT-Power神经网络模型，利用神经网络训练和测试的数据自动进行仿真和储存，采用拉丁超立方采样算法设计试验，简化运算过程提高寻优效率。实验结果表明：神经网络模型转矩、比油耗和温度等参数模型预测误差很小、精度很高，可用于多功能收割机发动机的性能预测，使其各项指标参数最优化。

多功能收割机；发动机；神经网络；MatLab；GT-Power

0 引言

由于农作物收获期短，秋收时期时间非常紧张，收割机进行作业时，一片农田区域往往需要在1周之内完成收割任务，收割压力大，因此对收割机的要求非常高，甚至会出现收割机不歇驾驶员轮流休息的抢收局面。收割机连续工作时间长，发动机油门一拉到底，对发动机的可靠性要求比较苛刻。为此，本文设计了基于MatLab仿真平台的GT-Power神经网络模型，利用神经网络训练和测试的数据自动进行仿真和储存，采用拉丁超立方采样算法设计实验，简化运算过程，提高寻优效率，使多功能收割机发动机各项指标参数达到最优。

1 发动机仿真模型的建立

在建立多功能收割机发动机仿真模型时，假设是在1台压缩比为10.6的Otto发动机上进行计算仿真，该发动机包含一套进出气可独立操作的双VVT系统，叶片可操作极限为45℃A。在该发动机中，具有进气作用的VVT设备可以进行LIVC操作调整机器压缩比，进行起到控制发动机负荷的作用。Otto发动机如图1所示，Otto发动机在GT-Power建立的模型如图2所示。

Otto发动机性能指标主要包括排量、气缸数、缸径、冲程、连杆长度、压缩比和燃油类型等参数。Otto发动机技术参数如表1所示。

图1 Otto发动机示意图Fig.1 Schematic diagram of Otto engine

图2 Otto发动机GT-Power模型Fig.2 GT-Power model of Otto engine表1 Otto发动机技术参数Table 1 The technical parameters of Otto engine

参数单位数值排量L1.8气缸数4缸径mm80冲程mm89连杆长度mm133.1压缩比10.6燃油类型MPIVVT范围CA40IVCCA65～105EVOCA85～125

在进行模型仿真时，Otto或多功能收割机上的发动机都必须根据对应的燃烧模型计算仿真实际发动机的缸内燃烧热量释放量。因此，需要采用一种能够预测发动机气缸内部燃烧时缸内气流运动、气体成分空燃比和温度的模型。本文采用准三维现象学燃烧模型SITurb计算仿真发动机缸内温度、废气、压缩比、VVT操作、空燃比及混合气密度，从而模拟出缸内瞬时放热率。SITurb燃烧模型计算表达式为

(1)

(2)

τo=λ/SL

(3)

其中，Me为发动机缸内混合不完全的气体质量；Mb为缸内完全燃烧掉的气体质量；ρu为缸内燃烧剩余气体的密度；ST为缸内湍流气体燃烧速率；SL为缸内平流气体燃烧速率；Ae为气体燃烧火焰表面积；τ0为时间常数；λ为泰勒长度。

在应用SITurb计算模拟内缸发动机燃烧状况过程中，一般需要根据试验测试数据调整缸内湍流气体燃烧速率，进而控制整个燃烧过程的持续燃烧时间。优化发动机压缩比时，为了控制发动机突然爆燃的现象，可以采用爆燃强度(knock idensity，KI) 预测模型计算某一具体环境中压缩比和点火角时的KI值。模拟计算KI模型的表达式为

(4)

(5)

(6)

其中，τ为气体燃烧诱导时间常数；A为时间常数调整因子；CH为混合气体辛烷值；p为发动机缸内瞬时气压；Tu为缸内未完全燃烧气体的实时温度；T为气体燃烧诱导时间积分；θhkn为发动机突然爆燃时的曲轴角；θIVC为进气阀门关闭时的曲轴角；B为KI因子；fuc为完全燃烧与剩余气体之比；VTDC为发动机内部容量；VI为爆燃时缸内所有气体的体积；Ta为活化温度；Tavg为平均气体燃烧诱导时间积分。

2 试验设计

为了计算多功能收割机上发动机缸内实际燃烧热释放量，本文采用拉丁超立方采样(LHS)方法进行仿真实验，主要对发动机转速、点火角、进气阀门关闭时的曲轴角、排气阀门关闭时的曲轴角、空燃比和压缩比等进行设计和试验。其中，试验参数变化范围如下：发动机转速为1×103～ 5×103r/min，点火角为0°～30°，进气阀门关闭时的曲轴角为75°～115°CA，排气阀门关闭时的曲轴角下止点为90°～130°CA，空燃比和压缩比分别为10°～14.7°CA和 11°～15°CA。第1步，在MatLab仿真软件中采用拉丁超立方采样方法选择3 000个训练点进行仿真，将仿真得到的数据在GT-Power平台上进行ANN模型试验。第2步，选择280个点继续进行仿真，检验ANN模型判断精度。采用GT-Power模型，利用LHS算法将3000训练点和250个试验点进行仿真试验，仿真结束时采集扭矩、比油耗和爆震强度等测试数据。

3 神经网络建模

3.1 神经网络原理

神经网络是一种按误差逆传播算法训练的多层前馈式网络，其能学习和存贮大量的输入、输出模式的映射关系。基本原理为：通过对比输出值，求出误差值，并估计其前导层的误差，再用该误差推导出更前一层的误差，最后依次反传，求出其他各层的误差估计。神经网络结构如图3所示。

神经网络主要由输入层、隐含层及输出层组成，每两个相邻层的神经元都全部有关系，但同层之间却无关。

图3 神经网络结构图Fig.3 The structure of neural network

假设不包含输入层，有N0个元，设某网络有L层，输出为第L层，第L层有NK个元。设uk(i)表示第k层第i神经元所接收的信息，wk(i,j)为从第k-1层第j个元到第k层第i个元的权，ak(i)为第k层第i个元的输出，各层之间的神经元都有信息交换，则其输入输出关系可以表示为

(7)

神经网络算法的步骤如下：

第1步：选定学习的数据，p=1,…,p，随机确定初始权矩阵W(0)；

第2步：用学习数据计算网络输出；

第3步：用式(2)反向修正，直到用完所有的学习数据。

3.2 建立神经网络模型

本文采用神经网络算法对Otto发动机模型进行仿真试验时，主要从神经元数、隐层函数和网络训练迭代计算最优神经网络模型。神经网络训练采用trainlm，隐层传递函数为tansig，层数选择3层，中间层神经元个数分别为4-4，6-6，…， 18-18。候选神经网络模型如图4所示。

图4 候选3层神经网络模型Fig.4 The candidate three-layer neural network model

该候选神经网络模型输出为转矩、比油耗及排气温度，因此需要建立4组神经网络优化模型。针对每一种模型，可以利用GT-Power的训练样本训练76个候选值，并从中选择最佳进行多功能收割机发动机性能的优化。候选神经网络模型训练和测试控制流程如图5所示。

图5 候选神经网络模型训练和测试控制流程图Fig.5 The training and test control flow chart of candidate

neural network model

测试计算结束即进行候选神经网络模型训练，并将结果储存起来。候选模型训练全部结束后完成后，对每个模型的预测精度进行检验，并以模型输出和期望输出二者的相关度判断最优模型。模型输出和期望输出二者的相关度计算表达式为

(8)

根据训练和测试结果，选择候选神经网络中相关度值高的模型分别作为最佳神经网络优化模型。根据训练和测试的控制流程计算值最终选择转矩、比油耗和排气温度的最佳神经网络中间两层的神经元为10-10和14-14。

4 实验结果分析

本文采用GT-Power仿真软件训练和测试神经网络模型，可能会出现预测值和实际值有偏差的情况，因此需要用实验数据对神经网络模型预测准确性进行验证。神经网络模型各参数线性回归图如图6所示。

图6 神经网络模型各参数线性回归图Fig.6 The linear regression of the parameters of neural network model

图6中，转矩、比油耗和排气温度的输出值都是最优神经网络预测值。模型输出和期望输出二者的R越接近1，表明最优神经网络模型泛化能力越强。转矩、比油耗及排气温度相关度值为0.998 3、0.992 5、0.999 4，相关性非常高，说明最优神经网络预测误差小、精度高。采用最优神经网络进行多功能收割机发动机的设计和操作变量优化，比油耗模型作为目标函数，转矩和温度模型作为非线性约束条件，设计和优化的多功能收割机发动机，不仅可以改善燃油经济性，而且可以获得足够的动力性。

5 结论

设计了基于MatLab仿真平台的GT-Power神经网络模型，利用神经网络训练和测试的数据自动进行仿真和储存，采用拉丁超立方采样算法设计实验，简化了运算过程并提高了寻优效率。通过对实验结果进行系统的处理和分析后可知：神经网络模型转矩、比油耗和温度等参数模型预测误差很小、精度很高，可用于多功能收割机发动机的性能预测，使其各项指标参数最优化。

[1] 李明.基于神经网络和遗传算法的发动机性能优化方法研究[D]. 上海：上海交通大学,2011.

[2] 王帅.基于神经网络和遗传算法的甲醇柴油双燃料发动机喷醇MAP优化[D].镇江：江苏大学,2016.

[3] 张祖铭.基于BP神经网络的乙醇汽油发动机排放分析[D].哈尔滨：东北林业大学,2012.

[4] 张景然,沈牧文,杨建国. 基于模拟退火遗传算法优化BP网络的数控机床温度布点优化及热误差建模[J].机床与液压,2014(23):1-4,50.

[5] 陶冶,白存儒,由嘉.基于神经网络的空中交通管制决策支持系统[J]. 交通与计算机,2005(3):90-93.

[6] 石学辉.基于米勒循环的天然气发动机性能仿真及优化分析[D].长春：吉林大学,2014.

[7] 张永江.模糊神经网络结构优化及系统性能评估研究[D].兰州：兰州理工大学,2013.

[8] 杨振中.氢燃料发动机燃烧与优化控制[D].杭州：浙江大学,2001.

[9] 艾芳菊.模糊神经网络的结构优化研究[D].成都：中国科学院研究生院(成都计算机应用研究所),2006.

[10] 向宇.基于增长剪枝联合算法的模糊神经网络结构优化研究[D].重庆：西南交通大学,2009.

[11] 曹凤才,岳凤英.基于BP神经网络的液压系统故障诊断研究[J].中北大学学报：自然科学版,2010(6): 596-599.

[12] 刘峰,张岩.基于神经网络技术的汽车故障诊断算法及其优化[J].电脑知识与技术,2011(13):3122-3124.

[13] 李俊松.基于神经网络的混合动力汽车故障诊断研究[D].武汉：武汉理工大学,2003.

[14] 李磊.基于结构完整性分析的固体火箭发动机药形改进与优化设计[D].长沙：国防科学技术大学,2011.

[15] 赵金星.基于神经网络和遗传算法的Atkinson循环发动机全负荷范围性能优化研究[D].上海：上海交通大学,2013.

[16] 赵金星,许敏,李明. Atkinson循环发动机人工神经网络模型的研究[J].汽车工程,2013(1):13-17.

[17] 左子农. Atkinson循环对汽油机性能影响的试验研究[D].成都：西华大学,2014.

[18] 李云龙.Otto-Atkinson循环发动机的工作过程优化及燃油经济性研究[D].天津：天津大学,2014.

[19] 张少哲.Atkinson循环结合EGR对汽油机性能影响的试验研究[D].天津:天津大学,2014.

[20] 杨振中,王丽君,李士雷,等.基于遗传算法的氢发动机优化控制研究[J].内燃机学报,2008(1):62-68.

[21] 王锋,钟虎,冒晓建,等.混合动力汽车发动机优化控制策略研究[J].汽车工程,2008(2):111-116.

[22] 贾维新.发动机结构噪声和进气噪声的数字化仿真及优化设计研究[D].杭州：浙江大学,2008.

[23] 王丽君.基于信号处理的氢燃料发动机优化控制[D].郑州：解放军信息工程大学,2010.

[24] 段晨.β型菱形传动斯特林发动机的优化方法及实验研究[D].武汉：华中科技大学,2014.

[25] 杨广标.往复活塞式压缩空气发动机的仿真优化研究[D].南京：南京理工大学,2015.

[26] 张海涛.天然气发动机空燃比和点火提前角模拟优化研究[J].上海汽车,2012(7):22-26.

[27] 何景轩,田维平,何国强,等.基于遗传算法的固体火箭发动机参数优化设计[J].固体火箭技术,2004(4):250-254.

Performance Simulation and Optimization of Multi - function Harvester Engine Based on Neural Network

Li Manjiang

(Jiangsu Vocational Institute of Commerce,Nanjing 211168,China)

With the rapid development of the global economy and industry, energy crisis and environmental protection has become more and more prominent, the traditional internal combustion engine has been a tremendous impact. Therefore, the research of high efficiency and energy saving of the engine is very important. This paper presents a compression ratio of 10.6 multifunctional harvester, designs a GT-Power neural network model based on MATLAB platform, automatic simulation and storage by using the neural network training and testing data, using the Latin hypercube sampling algorithm design, simplify the operation process and improve the searching efficiency. The experimental results show that the neural network model, the torque is small, fuel consumption ratio parameters and temperature model predictive error precision is high, which can be used to predict the performance of multifunctional harvester engine, the parameters optimization.

multi function harvester; engine; neural network; MatLab; GT-Power

2016-12-05

江苏省农业科技自主创新资金项目(CX(16)60732)；江苏经贸职业技术学院创新项目(JSJMY015)

李漫江(1967-)，男，黑龙江依安人，副教授，(E-mail)lky536@126.com。

S225；TP183

A

1003-188X(2017)12-0248-05