基于GRNN和SVM的GDI涡轮增压发动机性能预测及优化

摘要

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（IntakeVariable Valve Timing）、EVVT（ExhaustVariable 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。

目录

1 绪 论

1.1 课题研究背景及意义

1.2.1 发动机参数分析

1.2.2 发动机参数优化

1.2.3 发动机性能预测及优化

1.3 研究内容

2 GDI涡轮增压发动机热力学仿真模型的建立

2.1 GDI涡轮增压发动机热力学仿真模型

2.1.1 GDI涡轮增压发动机基本参数

2.1.2 空气滤清器、中冷器和进排气管道模块

2.1.3 配气机构模块

2.1.4 喷油器模块

2.1.5 气缸模块

2.1.6 曲轴箱模块

2.1.7 涡轮增压器模块

2.1.8 GDI涡轮增压发动机仿真模型

2.2 增压直喷发动机仿真模型的校正和有效性验证

2.3 本章小结

3 操作参数对发动机性能的方差分析

3.1 试验设计方法

3.1.1 LHS试验设计方法

3.1.2 田口正交试验设计法

3.2.1正交试验设计

3.2.2 田口方法结果分析

3.3.1正交试验设计

3.3.2 田口方法结果分析

3.4.1 正交试验设计

3.4.2 田口方法结果分析

3.5 本章小结

4 GDI涡轮增压汽油机性能预测模型

4.1.1广义回归神经网络基本思想

4.1.2 参数对广义回归神经网络预测性能的影响

4.1.3 广义回归神经网络模型预测能力分析

4.2 支持向量机预测小样本预测性能研究

4.2.1 支持向量机基本思想

4.2.2参数对支持向量机预测性能的影响

4.2.3支持向量机的预测性能分析

4.3 GRNN与SVM预测性能对比分析

4.4 本章小结

5 GDI涡轮增压发动机多目标性能优化

5.1.1 试验对象

5.1.2 试验台架设备及要求

5.2 发动机预测模型的选择

5.3 NSGA-Ⅱ算法介绍

5.4.1 优化算法的设置

5.4.2 优化结果分析

5.5 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

附录

A. 作者在攻读学位期间发表的论文目录

B. 作者在攻读学位期间参与的项目目录

C. 学位论文数据集

致谢