基于神經網絡和遺傳算法的發(fā)動機性能優(yōu)化方法研究.pdf

1、發(fā)動機是汽車中最重要的系統(tǒng)并且直接決定了配套車輛的駕駛性能。本文研究了某款2.0L車用汽油發(fā)動機的動力性能提升方案及優(yōu)化方法。
　　在發(fā)動機原機的基礎上，通過采用可變進氣歧管長度及可變進氣門正時機構，同時對原機的穩(wěn)壓腔容積和排氣門正時等進行優(yōu)化來有效地提升發(fā)動機的動力性能。
　　發(fā)動機是復雜的多耦合非線性系統(tǒng)。以本文中所研究的發(fā)動機為例，由于可變進氣歧管長度和可變氣門正時等新的執(zhí)行機構的采用，使得發(fā)動機的設計、優(yōu)化和試驗標定

2、更加困難，需要投入更多的資源、時間及花費。因此，有必要進行多變量優(yōu)化工具的開發(fā)，以更加高效地進行發(fā)動機的設計和優(yōu)化工作。
　　本文分別研究了基于神經網絡建模和遺傳算法的發(fā)動機性能優(yōu)化技術，并開發(fā)了基于MATLAB/Simulink和發(fā)動機仿真軟件GT-Power耦合的發(fā)動機設計和性能優(yōu)化工具。
　　本文的主要研究內容可概括如下：
　　1.利用GT-power軟件建立發(fā)動機的性能仿真計算模型，并對建立的模型進行了驗證以保

3、證模型的準確性。通過仿真計算研究了改善發(fā)動機動力性能的可行性技術方案，重點介紹了可變進氣歧管技術和可變進氣門正時技術。
　　2.研究了基于人工神經網絡（ANN）技術的發(fā)動機性能優(yōu)化方法。首先，利用拉丁超立方采樣（LHS）算法產生3000個 GT-Power仿真試驗點，并將這些試驗點通過simulink-GT-power接口模型輸入到GT-Power模型進行計算。用得到的發(fā)動機性能結果數據進行ANN模型訓練，分別得到轉矩、功率、有效

4、油耗率、爆震指數、峰值缸壓和排氣溫度的ANN模型。再次利用LHS算法得到200個 GT-Power仿真試驗點，利用GT-Power計算返回的性能數據對訓練完成的ANN模型進行測試。選擇泛化能力最好的ANN模型。優(yōu)化計算時分別將轉矩/功率的ANN模型作為目標函數，而有效油耗率、峰值缸壓、爆震指數和排氣溫度的ANN模型作為非線性約束條件。考慮到發(fā)動機實際設計和操作的限制，在實際發(fā)動機結構和不同運行條件下一些設計參數需要被固定。這些參數的取值

5、應當基于優(yōu)化結果確定，并用于后續(xù)的優(yōu)化分析計算。再次利用ANN模型進行優(yōu)化得到最優(yōu)的操作參數取值及發(fā)動機性能優(yōu)化結果。
　　3.研究了基于遺傳算法和GT-Power仿真耦合的發(fā)動機性能優(yōu)化方法。遺傳算法的優(yōu)化計算是在MATLAB環(huán)境中實現的，并通過Simulink接口程序循環(huán)調用GT-Power仿真計算以不斷迭代更新當前的設計和操作參數的最優(yōu)值?；诎l(fā)動機結構和操作條件的限制對優(yōu)化得到的相關設計參數進行固定取值，并再次執(zhí)行上述優(yōu)化