本發明涉及一種發動機循環變動快速預測和優化方法，屬于發動機性能預測。

背景技術：

1、在新型發動機開發的概念設計階段，預先利用數值模擬對發動機的運行控制策略或者燃燒室形狀等參數進行多目標優化是必不可少的過程。但現有的優化技術僅能考慮了發動機效率、燃燒噪聲和排放等參數，并未考慮到發動機循環變動對發動機性能的影響。而發動機循環變動過大會導致油耗和排放增加，同時也會出現運轉不穩、抖動甚至熄火等現象，從而影響駕駛舒適性。

2、然而，當前的數值模型對發動機的循環變動預測仍然存在局限性。研究表明，發動機循環波動主要受缸內氣體運動狀況和混合氣成分變化導致的。由于邊界條件的波動是隨機的，因此可以采用統計方法進行分析。對于數值模擬而言，如果采用大渦模擬的方法計算循環變動，盡管其精度較高但其對網格精度的要求較高。因此，研究者通常是采用rans模型進行模擬，具體思路是通過給初始條件施加一個隨機的擾動來模擬真實發動機工作循環的波動，但這種方式仍需要計算至少20個循環以上才能夠較為準確的表征發動機循環變動，無法在短時間對其準確預測，因此在實際應用中存在明顯局限性。

技術實現思路

1、發明目的：針對現有技術中存在的不足，本發明提供了一種發動機循環變動快速預測和優化的方法，以解決發動機開發優化過程中循環變動計算成本過高的問題。

2、技術方案：一種發動機循環變動快速預測和優化的方法，包括以下步驟：

3、s1、數值模擬數據集構建：通過三維數值模擬軟件converge建立發動機三維模型，并模擬得到模型訓練數據集；

4、s2、機器學習模型訓練：根據步驟s1獲得的數據集，對機器學習模型進行訓練，將得到的機器學習模型用于預測發動機氣缸壓力和燃燒速率相關的參數；

5、s3、發動機循環變動模擬：對于不考慮進、排氣的模型，利用隨機采樣方法對發動機的初始邊界條件在各初始邊界條件相對值±2％范圍內隨機生成20-200個樣本作為不同的發動機循環，并利用機器學習模型預測這些循環下發動機氣缸壓力和燃燒速率相關的參數；

6、對于考慮進、排氣的模型，則根據上一循環結束后的邊界條件作為初始邊界進行預測；

7、s4、發動機循環變動表征：根據步驟s3獲得的發動機20-200個循環的模擬結果計算發動機循環變動；

8、s5、發動機循環變動多目標優化：在多目標優化過程中，正常著火的結果對其進行步驟s3和s4的循環變動表征，對于失火算例則不計算其循環變動；將發動機循環變動作為約束條件并最終得到pareto解集。

9、所述s1具體為：

10、所述數據集中包含輸入參數和輸出參數，輸入參數為發動機的進氣溫度、進氣壓力、噴油量、噴油正時和噴射壓力；輸出參數為氣缸壓力和燃燒速率相關的參數，包含最高爆發壓力、最高爆發壓力對應的曲軸轉角、指示平均有效壓力(imep)、50％已燃質量率對應的曲軸轉角(ca50)、以及缸壓隨曲軸轉角的變化值。

11、所述s2具體為：

12、機器學習模型包括但不限于支持向量機、人工神經網絡、隨機森林、自動機器學習模型；模型訓練步驟為模型選擇、數據預處理、超參數優化、測試集驗證。

13、所述s3具體為：

14、初始邊界條件包括發動機的轉速、進氣溫度、進氣壓力、進氣道噴油量、廢氣再循環率、初始湍流強度；在各初始邊界條件相對值±2％范圍內隨機生成至少20個樣本，并利用機器學習模型對步驟s1中的參數進行預測，得到至少20個樣本下循環下發動機氣缸壓力和燃燒速率相關的參數。

15、所述s4具體為：

16、s41：直接根據機器學習模型預測的發動機性能參數計算發動機循環變動；循環變動的計算公式為：

17、

18、其中，xi為第i個循環的最高爆發壓力或imep，n為發動機總工作循環數，為n個工作循環的平均值；此外，ca50的標準差也被用來衡量發動機循環變動，公式為：

19、

20、其中，ca50i為第i個循環的ca50，為n個工作循環的平均值。為保證發動機循環變動在合理范圍內，將cov控制在5％以內，std.ca50控制在1°ca以內。

21、s42：利用機器學習模型預測的發動機缸壓曲線計算出發動機具體的性能參數及循環變動；根據發動機缸壓曲線計算imep的公式為：

22、

23、其中，we為發動機有效功，根據發動機示功圖進行積分計算，vs為發動機工作容積，即排量；最大爆發壓力直接根據缸壓曲線的峰值確定；將新計算得到的imep和最大爆發壓力同樣進行步驟s41的循環變動計算；

24、s43：為保證計算精度，將步驟s41和步驟s42計算的結果取平均值作為最終的發動機循環變動。

25、所述s5具體為：

26、多目標優化算法采用第二代非支配排序遺傳算法；失火的判斷是根據缸內平均溫度是否小于1100k。

27、有益效果：本發明提供了一種適用于發動機循環變動快速預測和優化的方法，可用于新型發動機的開發優化設計，能夠快速獲得發動機高效、穩定燃燒的最佳控制策略，與此同時，相較于傳統cfd方法，本發明可節省至少94％的計算成本。

技術特征：

1.一種發動機循環變動快速預測和優化的方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的發動機循環變動快速預測和優化的方法，其特征在于，所述s1具體為：

3.根據權利要求2所述的發動機循環變動快速預測和優化的方法，其特征在于，所述s2具體為：

4.根據權利要求3所述的發動機循環變動快速預測和優化的方法，其特征在于，所述s3具體為：

5.根據權利要求3所述的發動機循環變動快速預測和優化的方法，其特征在于，所述s4具體為：

6.根據權利要求3所述的發動機循環變動快速預測和優化的方法，其特征在于，所述s5具體為：

技術總結
本發明提供了一種發動機循環變動快速預測和優化方法，可應用于發動機性能預測領域，包括以下步驟：首先，基于三維數值模擬得到的數據集進行機器學習模型訓練；隨后，利用該機器學習模型預測20?200個循環的發動機性能參數以及氣缸壓力和燃燒速率隨時間變化的結果；為提高循環變動的預測精度，除了直接預測發動機性能外，還需要根據預測得到的缸壓和燃燒速率曲線間接計算出發動機性能，并將兩種方法得到的結果求平均值作為最后的結果；在多目標優化過程中，僅對正常著火進行循環變動的計算，對失火算例不計算其循環變動，通過多代遺傳算法得到最終的Pareto解集。本方法適用于新型發動機的循環變動快速預測和優化，可大幅降低發動機優化設計的成本。

技術研發人員：何志霞,朱怡自,玄鐵民
受保護的技術使用者：江蘇大學
技術研發日：
技術公布日：2025/4/28