基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究

６　内燃机与配件　２０１２年第２期　基于Ｂ　Ｐ神经网络与遗传算法的　高压共轨柴油机喷油器结构参数优化研究　Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　Ｉｎｊｅｃｔｏｒ　Ｐａｒａｍｅｔｅｒｓ　ｏｆ　Ｈｉｇｈ—Ｐｒｅｓｓｕｒｅ　Ｃｏｍｍｏｎ　Ｒａｉｌ　Ｄｉｅｓｅｌ　Ｅｎｇｉｎｅ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ａｎｄ　ＧＡ　ａｌｇｏｒｉｔｈｍ　秦建文’　陈小敏’　徐铁强　（１海军工程大学２　９２３３７部队）　［摘要］利用ＡｖＬ—ＦＩＲＥ软件对ＴＢＤ２３４高压共轨柴油机燃烧过程进行数值模拟，采用Ｌ１６　（５４）正交试验作为ＢＰ神经网络的训练样本，建立喷油器主要结构参数与柴油机的燃油消耗率、　ＮＯｘ排放、ＳＯＯＴ排放之间的非线性映射关系，以燃油消耗率为优化目标，同时保持较低的ＮＯｘ　和ＳＯＯＴ排放水平，结合遗传算法进行寻优计算，获得了喷孔直径、喷孔个数、喷射夹角和喷油提　前角４个参数的最优组合　［关键词］共轨柴油机喷油器ＢＰ神经网络遗传算法　Ｋｅｙ　ｗｏｒｄｓ：Ｃｏｍｍｏｎ　ｒａｉｌ　ｄｉｅｓｅｌ　ｅｎｇｉｎｅ　Ｉｎｉｅｃｔｏｒ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＧＡ　ａｌｇｏｒｉｔｈｍ　引言　高压共轨电控燃油喷射技术，是提高现代柴油　机经济性、改善柴油机排放的重要手段之一。电控　１．１　输入层、隐含层和输出层结构的确定　在ＭＡＴＬＡＢ环境下，以喷孑Ｌ直径ｄ、喷孑Ｌ个数ｎ、　喷油提前角‘ｐ、喷射夹角６作为网络的输入向量，以　柴油机燃油消耗率ＩＳＣＦ、ＮＯｘ排放水平和ＳＯＯＴ￣放　水平为网络的输出向量，实现ＢＰ网络的建模。其中，　输入层的神经元个数为４个。采用Ｓ型正切激活函数　ｔａｎｓｉｇ：输出层神经元的个数为３个，选用Ｓ型对数传　递函数ｌｏｇｓｉｇ。最后确定了该ＢＰ网络模型（网络结构　如图１所示）。　ｄ　喷油器是燃油喷射系统的重要组成部件，其结构参　数对柴油机的燃烧和排放性能有着决定性的影响，　对于一定的燃烧室．要提高柴油机的各项性能就必　须对喷油器结构参数进行最优设计。但是喷油器结　构参数对柴油机燃烧排放性能的影响存在着复杂　的交互作用和制约关系，即喷油器结构参数对其影　响并不是孤立的，而是跟轨压、转速和喷油量等其　它参数共同影响。要得出不同工况下喷油器的最优　结构参数，需要进行大量的方案试制和配试工作，　费时费力且代价很高。　本文首先利用ＡＶＬ—ＦＩＲＥ软件进行样本点的柴　油机燃烧过程仿真计算。利用ＢＰ神经网络对样本数　据进行训练，建立不同工况下柴油机喷油器结构参　图１　ＢＰ网络模型拓扑结构　数与柴油机的燃油消耗率、ＮＯｘ排放、ＳＯＯＴ￣放之　间的非线性映射关系．得到了柴油机性能预测模　本文采用的神经网络，隐含层单元节点数参照　以下公式进行设计：　ｎ＝型。然后结合遗传算法进行寻优计算，获得了柴油　机喷油器结构参数的最优组合。　、／　＋　（１）　式中，ｎ为隐层节点数，ｎｉ为输入节点数，ｎ０为输　出节点数：仅为１～１０之间的常数。确定大致范围后，　先设置较少的隐含层节点数，若网络输出误差不符　１　基于ＢＰ神经网络的柴油机性能预　测模型　秦建文　陈小敏．徐铁强：基于ＢＰ神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究　７　合设定的要求，则逐渐增加节点数，直到网络的误　差不再优明显的减小为止。　１．２训练样本的选取　ＢＰ神经网络样本的选取原则为：　（１）样本尽　可能全面地反映研究对象的工作范围和参数特性；　ｆ２１由样本训练好的网络应具有良好的内插和外推　表１喷油器结构参数样本取点方法　因素　喷孔直径ｄ／ｍｍ　喷孔个数ｎ　最大值　０．２８　８　最小值　０．１３　４　取点数　５　５　性能；　（３）样本数目尽可能少，以减少仿真计算　的次数。　本文中喷射系统参数的样本取点方法如表１所　示，学习样本点为６２５个，在该范围内，采用Ｌ１６　（５　）正交试验来安排１６组仿真试验，正交试验样　喷射夹角８　）　１５Ｏ　１１Ｏ　５　喷油提前￣ｐ／ｄｅｇＢＴＤＣ　２５　５　５　本见表２。　表２正交试验样本　试验方案　试验结果　样本　ｎ　ｄ／ｍｍ　８　）　￣／ｄｅｇＢＴＤＣ　Ｎ０ｘ／１０－３　Ｓ０ＯＴ／ｌＯ　ＩＳＦＣ／ｇ／ｋＷ・ｈ　１　６　０．１５　１１Ｏ　１０　０．４９８　Ｏ．Ｏ１９５６　２３５．２　２　６　Ｏ．１５　１１Ｏ　２０　１．４３２　Ｏ．Ｏ１６４３　２１９．４　３　８　Ｏ．１５　１１Ｏ　１０　０．６７８　０．００９１３　２２５．６　４　８　０．１５　１１０　２０　１．８６７　０．ｏｏ９０８　２１１．９　５　６　０．１５　１４０　１０　０．５６４　０．Ｏ１８９８　２１５．９　６　６　Ｏ．１５　１４０　２０　１．７０１　Ｏ．０１４５２　２０５．１　正　交　７　８　０．１５　１４０　１０　０．６８７　０．００９１４　２１３．９　试　８　８　０．１５　１４０　２０　１．８２５　０．００８９５　２０５．２　验　９　６　Ｏ．２Ｏ　１ｌ０　１Ｏ　０．４８３　０。０１５９２　２３７．２　样　１０　６　Ｏ．２Ｏ　１１０　２０　１．６５６　０．００９３７　２１７．３　太　１１　８　Ｏ．２Ｏ　１ｌ０　１０　０．４４８　０．０１９７３　２４８．１　１２　８　Ｏ．２Ｏ　１１Ｏ　２０　２．１３４　Ｏ．０１３２１　２０５．１　ｌ３　６　０．２０　１４０　１０　０．８３４　０．０４２７３　２１３．３　１４　６　０．２０　１４０　２０　２．０１６　０．０３５１９　２０３．４　１５　８　Ｏ．２Ｏ　１４０　１０　０．７３２　０．０４３１５　２ｌ５－３　１６　８　０．２Ｏ　１４０　２０　２．２１８　０．Ｏ１３２５　１９９．５　１．３样本的归一化处理　利用ＭＡＴＬＡＢ语言提供的ＢＰ神经网络工具箱．　从表２和表３的神经网络训练样本可以看出，样　将归一化的数据输入￣！ＪｌＢＰ网络中。过程函数分别为　本中输人数据的数值差距较大，输入样本就构成了　ｔａｎｓｉｇ和ｌｏｇｓｉｇ，设定训练目标误差为０．００１．最大训练　奇异矩阵，这影响网络的收敛性能及网络精度。将　步数为３０００，隐层数根据公式（２）进行选取，从４开　样本经下式进行归一化处理：　始训练，综合考虑收敛速度和网络性能，最后将隐　Ｘｉ－－Ｘｉｍｉｎ　ｙｉ－—含层的节点数目确定为１２，ｌ￣１］ｎ＝１２。当神经网络的　Ｘｉｍａｎ－－Ｘｉ　ｎ　ｉｆｎＳＳＥ（网络权值修订后的误差平方和）达￣ｌＪｅｒｒ—ｇｏａｌ　式中：ｘｉ，Ｘｉ一，Ｘｉ　分别表示第个特征参数及其在　时，神经网络训练结束，如图２所示。从图中可以看　学习样本中的最大和最小值。ｙｉ表示归一化后的第ｉ　出，网络经过１９７次训练后即可达到误差要求．说明　个的特征参数，其范围为［０，１］。样本数据归一化处理　网络具有较好的学习性能．网络输出与目标输出的　后，输入到ＢＰ神经网络。　误差已经达到了预先的要求。　１．４隐层神经元数和训练参数　８　内燃机与配件　２０１２年第２期　Ｐｅｒｆｏｒｍ￣ｎｃｅ　Ｏ　０００９０６０Ｂ１　Ｇ０　０１３０１　＼　＼＼　圈２训练误差曲线　１．５　ＢＰ网络性能预测　将所有的１６个样本数据作为预测样本，同样在　８Ｏ％工况下对上述ＢＰ网络训练过程的性能预测进　行考察。图３中（ａ）、（ｂ）、（　）分别为燃油消耗率、Ｎ０ｘ排　放和ＳＯＯＴ￣放经过神经网络训练后预测值和试验　值的趋势比较。根据分析可知，神经网络预测值和　试验值吻合较好。针对ＮＯｘ排放水平，试验样本和预　测样本的最大误差为５．３％．平均误差为２．６％；针对　Ｓ００Ｔ排放水平，试验样本和预测样本的最大误差为　６．９％，平均误差为３．２％；针对燃油消耗率，试验样本　和预测样本的最大误差为５．１％，平均误差为２．２％。　由此可知．本文所建立的ＢＰ￣Ｏ０经网络基本上建立了　输入参数与输出参数良好的映射模型，预测值与试　验值很接近．可以在很大程度上减少试验的工作量。　２　基于遗传算法的喷油器结构参数　优化　２．１　目标函数　本文对高压共轨柴油机喷油器结构参数优化　的主要目标是降低燃油消耗率，同时保持较低的　ＮＯｘ排放水平和ＳＯＯＴ￣放水平，这是一个多目标优　化问题。由于各个优化目标之间存在着复杂的耦合　作用和高度非线性影响，所以在优化过程中，使每　一个优化点都实现油耗和排放最低是不可能的，所　寻求的优化策略将是在燃油消耗率、ＮＯｘ和碳烟排　放之间的折中。在已建立的神经网络模型上进行多　目标优化求解，本文中设计的目标函数为：　ｆ＿　一　ｒ　、　（、（　ＮＯ　））＋（。　、（　ＳＯＯ　　Ｔ）　ｏ　一（（　ＢＳＦ　　Ｃ）ｏ　）如　在目标函数（３）中，燃油消耗率是优化目标，ＮＯｘ　和ＳＯＯＴ是约束条件，（ＮＯｘ）。、（ＳＯＯＴ）。和（ＢＳＦＣ）。分别　为ＮＯｘ、ＳＯＯＴ和燃油消耗率的目标值。可以看出，本　文利用遗传算法进行的寻优计算为求解目标函数ｆ　的最大值。　２．２优化结果　利用遗传算法对喷油器结构参数优化问题进　行求解。取交叉概率为０．６，变异率为０．０１，初始种群　规模数为５０。在１００次迭代之后，得到了最优解为喷　孔直径ｄ＝０．１５ｍｍ，喷孔个数ｎ＝６，喷油提前角ｑｏ＝　１５ｄｅｇＢＴＤＣ．喷射夹角８＝１４０。。　３仿真试验验证　本文利用ＢＰ￣￣０经网络结合遗传算法进行寻优　计算，获得了高压共轨柴油机喷油器结构参数的最　优组合。为验证本文中遗传算法寻优的真伪，同样　利用ＡＶＬ—ＦＩＲＥ软件对喷油器结构参数的优化组合　（下转第１２页）　１２　内燃机与配件　２０１２年第２期　力，加快我国轿车柴油化生产和销售比例，同时对缓　解我国能源短缺和环境保护，具有重要的现实意义。　参考文献　［１】ＪＯＡＣＨＩＭ　Ｓ，ＦＲＡＮＫ　Ｄ，ＭＡＲＣＯ　Ｓ，ｅｔ　ａ１．Ｐｏｔｅｎｔｉａｌ　ｏｆ　ｃｏｉｎ—　型汽车２０１１（２１　［６】杜传进，欧阳明高等．电控直列泵一管一阀一嘴（ＰＰＶＩ）￣油喷　射系统的研究『Ｊ１．内燃机学报，１９９８（３）　［７］苏万华，汪洋等．一种新型共轨蓄压式柴油机电控单体喷油　器【Ｊ】．内燃机学报，１９９９年（１）　【８】周文华．配制高压共轨电控喷油系统的锡柴ＣＡ６１１０发动机　ｍＯＢ　ｒａｉｌ　ｉｎｊｅｃｔｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｐａｓｓｅｎｇｅｒ　ｃａｒ　ＤＩ　ｄｉｅｓｅｌ　ｅｎｇｉｎｅｓ　［Ｃ］／／ＳＡＥ　２０００　Ｔｒａｎｓａｃｔｉｏｎｓ　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｎｇｉｎｅ．Ｍｉｃｈｉｇａｎ：ＳＡＥ，　２０００：１０３０～１０３８．　性能研究ＩＪＩ．内燃机工程，２００２　２３（５１：７２～７５　［９】刘淑清．国内首款拥有自主知识产权柴油发动机问世［ＥＢ／　ＯＬ］．２０ＨＤ６—８—１　ｈｔｔｐ：／／ａｕｔｏ．ｓｏｈｕ．ｃｏⅡ１／２０ｏ６Ｏ８０１，ｎ２４４５５５Ｏ８７．ｓｈｔｍｌ　【２】万车网．电控高压共轨技术让欧意德柴油动力更省油［ＥＢ／　ＯＬ］．２０１　１－０４－１３　ｈｔｔｐ：／／ｗｗｗ．ｗｅｂｃａｒｓ．ｃｏｒｎ．ｃｎ／ｒｅｖｉｅｗ／２０１　１０３３１／４５７８１．ｈｔｍｌ　【３】ｃｎｊｓｈｂ．我司电控高压共轨研究［ＥＢ／ＯＬ］．２０１１－０６—０２　ｈｔｔｐ：／／ｗｗｗ．ｂｏｋｅｅ．ｎｅｔ／ｃｏｍｐａｎｙ／ｗｅｂｌｏｇ　ｖｉｅｗＥｎｔｒｙ／８１７００５６．ｈｔｍ　［１０】唐永良肖文雍．Ｇｄ一１高压共轨式柴油机共轨油压控制　的试验研究『Ｊ１．柴油机，２００４（０６）　作者简介：刘军萍（１９８６￣Ｖ－），女，中北大学在读硕士研　究生，研究方向：发动机总体技　及结构动态仿真。　『４１刘旭刚，张圉彬，蔚建玺，等．柴油发动机高压共轨技术的产　生与发展ｆＪ１．汽车运用，２００７（１１）：３０—３１．　［５】张晓东，黄安华．柴油机的电控燃油喷射技术及应用【Ｊ１．重　（上接第８页）　进行缸内工作过程的数值模拟，将数值计算结果与　遗传算法得到的最优解进行对比，如表３所示。由表　３可以看出，ＧＡ寻优结果和ＦＩＲＥ计算结果很接近，　最大相对误差仅为２．３１％，说明本文利用遗传算法　对高压共轨柴油机喷油器结构参数的寻优计算是　真实可信的。　表３　ＧＡ￣－ＬｔＥ结果和ＦＩＲＥ计算结果对比　性能参数　ＧＡ寻优结果　ＦＩＲＥ计算结果　相对误差　研究取得了很好的效果。　４　结论　（１）利用ＢＰ神经网络进行样本训练和测试。结　果表明３层ＢＰ神经网络可以很好地预测喷射系统参　数对柴油机燃烧和排放性能的影响，除少数样本以　外，试验值和性能预测值非常接近。　（２）ＢＰ神经网络结合遗传算法寻优计算是一种　高效、可靠的高压共轨柴油机喷油器结构参数优化　方法。　ＮＯｘ质量分数，１Ｏ　ＳＯＯＴ质量分数门０　９　燃油消耗率／ｇ，ｋＷ・ｈ　１．１７２　１．１５４　１．６９％　０．０５６４　０．０５７７　２．３１％　１９Ｏ．７　１８６．５　２．２０％　（３）本文的优化结果可以为全工况下高压共轨　柴油机喷油器结构参数的优化研究提供可靠依据。　参考文献　【１】肖宝兰等．基于神经网络方法预测翅片参数对车用中冷器　性能的影响［Ｊ］．内燃机工程，２０１０（１０）：９２—９６．　［２】邵利民．高压共轨柴油机喷射系统参数优化研究［Ｄ】．武汉：　海军工程大学．２０１０．　本文以提高柴油机经济性为主。同时保持较低　的排放，利用ＢＰ神经网络结合遗传算法寻优得到了　不同工况下喷油器结构参数的最优组合。为验证优　化效果和整个优化过程的正确性，对优化得到的喷　油器结构参数组合进行燃烧过程仿真计算．优化后　的喷油器ＮＯｘ质量分数、ＳＯＯＴ质量分数和燃油消耗　率仿真计算结果和原喷油器仿真计算结果对比如　表４所示。从表４可以看出，优化后柴油机经济性有　了明显提高，和原喷油器相比燃油消耗率降低了　８．７％，同时ＮＯｘ和ＳＯＯＴ排放也有了明显改善。　表４优化后喷油器和原喷油器计算结果对比　性能参数　ＮＯｘ质最分数／１０　ＳＯＯＴ质量分数／１０。　燃油消耗率／ｇ／ｋＷ・ｈ　【３】吴静等．基于改进ＢＰ神经网络的故障诊断方法ｌＪ】．丁业仪　表与自动化装置，２００７（３）：４５—４８．　【４］贺小辉，石嵘．基于ＢＰ神经网络的故障诊断技术研究［Ｊ］．内　燃机工程．２００９（７）：１７—２１．　【５］董长虹．ＭＡＴＬＡＢ神经网络与应用【Ｍ】．国防Ｔ业出版社，　２００７．　【６】黄连忠，吴桂涛，尹自斌，等．神经网络在船舶柴油机ＮＯｘ　排放特性预测中的应用ＩＪ］．哈尔滨工程大学学报，２００７，２８（１）：　６—１Ｏ．　优化后　原喷油器　１．１５４　１．２８３　０．０５７７　０．０６８４　ｌ８６．５　２０４．３　【７］王成勇，朱汝城，王婉璐，等．基于神经网络与遗传算法的　压铸工艺参数优化『Ｊ１．塑性工程学报，２０１１，１８（３）：１０５—１１０．　由此可以看出，本文利用ＢＰ神经网络结合遗传　算法对高压共轨柴油机喷油器结构参数进行优化　作者简介：秦建文，男，海军Ｔ程大学船舶与动力学院副　教授。