專利名稱：：氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法，屬于天然氣摻氫燃料發(fā)動機(jī)
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：天然氣摻氫燃料簡稱HCNG，又名Hythane(氫烷)，是將氫氣與天然氣按一定比例混合而得到的代用氣體燃料。它綜合了氫氣和天然氣各自的優(yōu)點一、氫氣的燃燒速度高，大約是天然氣的8倍，在天然氣中慘入氫氣可以提高混合氣的燃燒速度，點火可以更靠近發(fā)動機(jī)上止點，減少壓縮負(fù)功，提高燃燒定容度，可以提高熱效率；二、氫氣的可燃混合界限寬，稀薄燃燒極限達(dá)0.068(相對燃空比)；淬熄距離只有天然氣的30%。因此，少量氫氣可以拓寬混合氣的可燃混合比例，可實現(xiàn)稀薄燃燒；三、天然氣的體積熱值較高，比純氫氣具有更高的體積熱量。摻氫比指的是HCNG燃料中氫氣所占的體積比。排放性是綜合的排放性能，包括CO、CH4、NOX的排放；經(jīng)濟(jì)性是指在燃料的氣耗率，由于氫氣的質(zhì)量熱值是天然氣質(zhì)量熱值的2.4倍，天然氣摻氫后混合燃料的燃料消耗率必然隨著摻氫比的增加而減小，為了對比混合氣燃料熱值相當(dāng)?shù)那闆r下的能量利用率，將混合氣中消耗的氫氣換算成同熱值的天然氣質(zhì)量，從而得到當(dāng)量比氣耗。關(guān)于HCNG燃料在發(fā)動機(jī)上的燃燒特性，國內(nèi)外也有很多學(xué)者作過研究Munshi等人在一臺渦輪增壓稀燃天然氣發(fā)動機(jī)上進(jìn)行了20%到32%摻氫比實驗(S.R.Munshi，C.Nedelcu，J.Harrisetal.HydrogenBlendedNaturalGasOperationofaHeavyDutyTurbochargedLeanBurnSparkIgnitionEngine.SAEpapers2004-01-2956)，結(jié)果表明，摻氫比為20%到30%的混和氣在不影響動力性和效率的前提下，能最大程度減少N0x排放，同時能維持碳?xì)渑欧诺陀谠烊粴馓細(xì)渑欧拧４送?，摻氫后需加大過量空氣系數(shù)和減小點火提前角，這樣才能使發(fā)動機(jī)綜合性能達(dá)到最優(yōu)。Sierens等在一臺通用V8的發(fā)動機(jī)上進(jìn)行不同摻氫比實驗(R.Sierens,E.Rosseel.VariableCompositionHydrogen/NaturalGasMixturesforIncreasedEngineEfficiencyandDecreasedEmissions.JournalofEngineeringforGasTurbinesandPower.January2000，Vol.122/135.)，結(jié)果表明摻氫比小于20%時，為了減少碳?xì)渑欧胚^量空氣系數(shù)須小于1.3，但是為了減少氮氧化物排放過量空氣系數(shù)必須大于1.5，摻氫后過量空氣系數(shù)的優(yōu)化存在難題。上述研究主要是針對摻氫后對發(fā)動機(jī)性能影響研究，而且優(yōu)化僅僅針對點火提前角或者過量空氣系數(shù)，要使發(fā)動機(jī)綜合性能達(dá)到最優(yōu)，必須對摻氫比，點火提前角和過量空氣系數(shù)同時進(jìn)行優(yōu)化。由于三個控制變量摻氫比、過量空氣系數(shù)和點火提前角對發(fā)動機(jī)經(jīng)濟(jì)性，排放性存在耦合的關(guān)系，因此是三變量多目標(biāo)的優(yōu)化問題，如果按照傳統(tǒng)的實驗方法存在實驗量大，而且不能得到最優(yōu)的控制參數(shù)的問題，因此需要尋找新的方法來解決這個難題。
發(fā)明內(nèi)容本發(fā)明的目的是提出一種氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法，該方法能在節(jié)省大量實驗的基礎(chǔ)上，對摻氫比、點火提前角和過量空氣系數(shù)同時優(yōu)化，同時能大幅度提高優(yōu)化精度。本發(fā)明的技術(shù)方案如下氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法，按如下步驟進(jìn)行1)實驗設(shè)計選擇發(fā)動機(jī)任一轉(zhuǎn)速和扭矩工況點，以摻氫比、點火提前角和過量空氣系數(shù)為控制變量，摻氫體積百分比為040%，點火提前角為20°40°，過量空氣系數(shù)為1.11.6;采用正交化實驗設(shè)計方法，在所述點火提前角、過量空氣系數(shù)和摻氫比調(diào)節(jié)范圍內(nèi)選擇9組控制變量的組合，分別以這9組控制變量做實驗，取得每組實驗對應(yīng)的氣耗率、N0x、CH4和C0目標(biāo)變量；采用極差方法分析摻氫比、點火提前角、過量空氣系數(shù)對氣耗率、N0x、CH4和C0影響力大小，得到摻氫比10%40%，點火提前角20°30。和過量空氣系數(shù)1.31.6為最優(yōu)控制參數(shù)的區(qū)域，對該區(qū)域進(jìn)行更細(xì)致實驗設(shè)計，最終得到30組控制變量的組合，采用這30組控制變量做試驗，取得實驗數(shù)據(jù)；2)建立誤差反傳神經(jīng)網(wǎng)絡(luò)模型-a.數(shù)據(jù)前處理把點火提前角，過量空氣系數(shù)，摻氫比控制變量線性映射到0到1之間，映射公式為<formula>formulaseeoriginaldocumentpage5</formula>式中^"是歸一化后摻氫比、點火提前角和過量空氣系數(shù)的值，力是摻氫比、點火提前角和過量空氣系數(shù)的實際值；^max和Imin分別為摻氫比、點火提前角和過量空氣系數(shù)的最大值和最小值；b.建立誤差反傳神經(jīng)網(wǎng)絡(luò)模型，參數(shù)定義為輸入層的節(jié)點數(shù)選擇3，對應(yīng)點火提前角、過量空氣系數(shù)和摻氫比；隱層為2層，第一隱層神經(jīng)元選擇IO，第二層神經(jīng)元選擇5;輸出層節(jié)點數(shù)選擇4，對應(yīng)氣耗率、N0x、CH4和C0;訓(xùn)練函數(shù)選擇Levenberg-Marquardt算法；學(xué)習(xí)率選擇0.01;C.訓(xùn)練神經(jīng)網(wǎng)絡(luò)將實驗設(shè)計中取得的實驗數(shù)據(jù)用于訓(xùn)練誤差反傳神經(jīng)網(wǎng)絡(luò)，直到誤差反傳神經(jīng)網(wǎng)絡(luò)收斂；3)采用遺傳算法優(yōu)化控制參數(shù)a.遺傳算法參數(shù)設(shè)置設(shè)置遺傳算法程序種群大小為40，最大進(jìn)化代數(shù)為80，不同代的代溝為0.8;b、適應(yīng)度函數(shù)設(shè)置確定NOx、CH4、CO排放目標(biāo)變量和氣耗率經(jīng)濟(jì)性目標(biāo)變量的權(quán)重相同，建立表明個體優(yōu)劣性的適應(yīng)度函數(shù)0映"/柳"/0"=(0/4(模型值)/0/4(基準(zhǔn)值))2+(CO(模型值)/CO(基準(zhǔn)值))2+(NOx(模型值)/NOx(基準(zhǔn)值))2+(BSFC(模型值)/BSFC(基準(zhǔn)值))2式中oZ)y'e"/M"c"OW代表適應(yīng)度函數(shù)大小，CH4(模型值)、CO(模型值)、N0x(模型值)和BSFC(模型值)表示對應(yīng)一組摻氫比，點火提前角和過量空氣系數(shù)模型算得的CH4、C0、N0x和氣耗率；CH4(基準(zhǔn)值)、CO(基準(zhǔn)值)、N0x(基準(zhǔn)值)和BSFC(基準(zhǔn)值)表示CH4、C0、NOx和氣耗率對應(yīng)的基準(zhǔn)值，分別為1500，1000，2500，270;c、選擇交叉變異算子設(shè)置選擇算法選擇輪盤賭選擇算法；交叉算法選擇均勻交叉算法，交叉概率選擇0.7;變異算法選擇基本變異算子，變異概率選擇0.01;d、通過選擇、交叉和變異，得到下一代種群，重新返回到步驟b，反復(fù)循環(huán)，直到進(jìn)化代數(shù)達(dá)到步驟a設(shè)置的80為止,輸出最優(yōu)結(jié)果。本發(fā)明把試驗設(shè)計，神經(jīng)網(wǎng)絡(luò)和遺傳算法用于天然氣摻氫發(fā)動機(jī)控制參數(shù)優(yōu)化，成功解決了慘氫比、點火提前角和過量空氣系數(shù)三個控制變量的耦合問題，使經(jīng)濟(jì)性和排放性能同時得到優(yōu)化，發(fā)動機(jī)的綜合性能得以提高。圖1為天然氣摻氫發(fā)動機(jī)優(yōu)化方法的整體框圖。圖2為實驗系統(tǒng)硬件結(jié)構(gòu)框圖。圖3為遺傳算法程序框圖。圖2中l(wèi)一天然氣氣瓶；2—氫氣氣瓶；3—天然氣流量計；4一氫氣流量控制器；5_氫氣流量計；6—混合穩(wěn)壓罐；7—摻氫系統(tǒng)控制模塊；8—發(fā)動機(jī)；9一點火鑰匙；10—發(fā)動機(jī)控制模塊(ECU);a—氫氣流量信號；b—天然氣流量信號；一發(fā)動機(jī)轉(zhuǎn)速信號；一發(fā)動機(jī)油門位置信號；e-點火信號；f-氫氣流量控制信號；g-氫氣電磁閥控制信號；h—天然氣電磁閥控制信號。具體實施方式下面結(jié)合附圖和實施例對本發(fā)明的原理、工作過程作進(jìn)一步的說明。實施例中選擇工況點為轉(zhuǎn)速1200r/min,扭矩200N.M，點火提前角變化范圍為20-40度，過量空氣系數(shù)調(diào)節(jié)范圍為1.1-1.6，摻氫比調(diào)節(jié)范圍為0-40%。優(yōu)化控制方法整體流程如圖l所示1)實驗設(shè)計采用實驗設(shè)計主要目的是用最少的實驗得到最重要的信息。從摻氫比、點火提前角和過量空氣系數(shù)調(diào)節(jié)范圍和每次調(diào)節(jié)量來看，如果在所有實驗點全部做實驗的話，需要做330次實驗。這只是一個轉(zhuǎn)速扭矩工況點需要的實驗量，如果需要優(yōu)化多個轉(zhuǎn)速扭矩工況點，實驗量還會成倍數(shù)增長。而采用本發(fā)明中的實驗設(shè)計方法，只需要30次實驗，就能得到需要的數(shù)據(jù)，大大減少了實驗工作量。a)正交化實驗設(shè)計，確定慘氫比、點火提前角、過量空氣系數(shù)對經(jīng)濟(jì)性和排放性影響力大小。正交實驗方法的實質(zhì)在于從全部組合試驗中挑出一部分有代表性的組合進(jìn)行試驗。其特點在于試驗點代表性強(qiáng)，試驗數(shù)據(jù)均衡分散，而且試驗數(shù)據(jù)整齊可比。正交試驗法能夠通過較少試驗次數(shù)而取得較好的試驗效果。由于有三個控制參數(shù)，本發(fā)明選擇表l正交試驗表，在控制參數(shù)空間內(nèi)選擇9個點。對這9個設(shè)計點做試驗，取得試驗結(jié)果。9個設(shè)計點的詳細(xì)參數(shù)及其試驗結(jié)果見表l。表1正交化試驗設(shè)計點及其試驗結(jié)果<table>tableseeoriginaldocumentpage7</column></row><table>b)對試驗結(jié)果進(jìn)行極差分析一組數(shù)據(jù)中的最大值減去最小值所得的差叫做這組數(shù)據(jù)的極差，極差反映的是這組數(shù)據(jù)的變化范圍或變化幅度。極差大的控制變量，說明該控制變量對實驗結(jié)果的影響大。利用極差分析可以較為直觀的考察試驗中摻氫比、點火提前角和過量空氣系數(shù)變動對氣耗率和各排放物的影響力大小，從而能為進(jìn)一步試驗設(shè)計指明方向。表2、3、4、5分別為N0x、C0BSFC極差分析。表2N0x極差分析<table>tableseeoriginaldocumentpage7</column></row><table>附表2中點火提前角對應(yīng)的位級l表示點火提前角為20度時對應(yīng)的三個N0x排放之和，即表1中的56+3152+252=3460;點火提前角對應(yīng)的位級2表示點火提前角為30度時對應(yīng)的三個N0x排放之和；點火提前角對應(yīng)的位級3表示點火提前角為40度時對應(yīng)的三個N0x排放之和，而點火提前角對應(yīng)的極差為位級1、2、3中的最大值減去最小值，即13822-3460=10362。同理，摻氫比對應(yīng)的位級l、2、3表示摻氫比為0、20%、40n/。時對應(yīng)的三個N0x排放之和，過量空氣系數(shù)對應(yīng)的位級1、2、3表示過量空氣系數(shù)為1.1、1.3、1.6時對應(yīng)的三個N0x排放之和，其各自極差為其對應(yīng)的位級中的最大值減去最小值。表3、4、5可依此類推。<table>tableseeoriginaldocumentpage8</column></row><table>通過比較極差大小可得，摻氫比、點火提前角和過量空氣系數(shù)對NOx的影響力大小分別為過量空氣系數(shù)〉點火提前角〉摻氫比；摻氫比、點火提前角和過量空氣系數(shù)對CO的影響力大小分別為過量空氣系數(shù)〉摻氫比〉點火提前角；摻氫比、點火提前角和過量空氣系數(shù)對CH4的影響力大小分別為摻氫比〉過量空氣系數(shù)〉點火提前角；摻氫比、點火提前角和過量空氣系數(shù)對BSFC的影響力大小分別為過量空氣系數(shù)〉點火提前角〉慘氫比。由于點火提前角從20度增加到40度，N0x、C0、CH4、BSFC中點火提前角對應(yīng)的位級逐漸增大，說明最佳點火提前角在20-30之間；隨過量空氣系數(shù)增加，N0x、C0、CH4、BSFC中過量空氣系數(shù)對應(yīng)的位級逐漸增大，說明最佳過量空氣系數(shù)在1.3-1.6之間；摻氫后，C0、CH4、BSFC都減少，說明最佳摻氫比在10%-40%之間。最終得到摻氫比10%40%，點火提前角20°30。和過量空氣系數(shù)1.31.6為最優(yōu)控制參數(shù)的區(qū)域。C)以影響力大小為依據(jù)，追加試驗設(shè)計根據(jù)極差分析結(jié)果，在摻氫比10%40%，點火提前角20°30。和過量空氣系數(shù)1.31.6區(qū)域追加額外的21個試驗點，使試驗總數(shù)達(dá)到30個，最終試驗點如表6所示。在這些點做實驗，獲得慘氫比、點火提前角和過量空氣系數(shù)與氣耗率、NOx、CH4、CO的對應(yīng)關(guān)系。<table>tableseeoriginaldocumentpage9</column></row><table><formula>formulaseeoriginaldocumentpage10</formula>2)建立誤差反傳神經(jīng)模型建立模型的目的是獲得摻氫比、點火提前角和過量空氣系數(shù)輸入控制變量到氣耗率、N0x、CH4、CO輸出目標(biāo)變量的映射關(guān)系，以摻氫比、點火提前角和過量空氣系數(shù)為輸出研究排放法規(guī)包括的三種氣體(CH4、C0和N0x)和發(fā)動機(jī)的經(jīng)濟(jì)性的相應(yīng)特性。a.數(shù)據(jù)前處理由于輸入變量的各自變化范圍很大，映射模型可能通過擬合建模，此時需計算各個輸入量并確定相關(guān)系數(shù)則會造成各個輸入變量的權(quán)重不一致，從而影響取值較小的輸入量的影響因數(shù)；如果依靠神經(jīng)網(wǎng)絡(luò)建模，則過大的輸入量有可能使神經(jīng)元飽和。將數(shù)據(jù)歸一化能夠使各輸入分量有同等重要地位，防止數(shù)值大的輸出分量絕對誤差大，數(shù)值小的輸出分量絕對誤差小，從而有利于依據(jù)總誤差對權(quán)值進(jìn)行調(diào)整的作用。把點火提前角，過量空氣系數(shù)，摻氫比控制變量線性映射到0到1之間，映射公式為<formula>formulaseeoriginaldocumentpage10</formula>式中^"是歸一化后摻氫比、點火提前角和過量空氣系數(shù)的值，"是摻氫比、點火提前角和過量空氣系數(shù)的實際值；^max和Zmin分別為摻氫比、點火提前角和過量空氣系數(shù)的最大值和最小值；b.建立誤差反傳神經(jīng)網(wǎng)絡(luò)模型建立誤差反傳神經(jīng)網(wǎng)絡(luò)需防止擬合不足和過度擬合。如果擬合曲線不能準(zhǔn)確跟蹤響應(yīng)特性的變化趨勢，這種情況就是擬合不足。相反的，假如擬合曲線收到噪聲的干擾，即不斷地貼近噪聲從而復(fù)雜化了響應(yīng)特性，這就造成了過度擬合。過度擬合和擬合不足主要的影響因素是引入模型的參數(shù)。參數(shù)過度，擬合曲線復(fù)雜，則可能造成過度擬合；相反，參數(shù)過少，擬合曲線相對簡單，則有可能不能正確跟蹤響應(yīng)特性從而造成擬合不足。經(jīng)過反復(fù)調(diào)整，選擇誤差反傳神經(jīng)網(wǎng)絡(luò)參數(shù)為輸入層的節(jié)點數(shù)選擇3，對應(yīng)控制變量個數(shù)；隱層為2層，第一隱層神經(jīng)元選擇IO，第二層神經(jīng)元選擇5;輸出層節(jié)點數(shù)選擇4，對應(yīng)目標(biāo)變量個數(shù)；訓(xùn)練函數(shù)選擇Levenberg-Marquardt算法；學(xué)習(xí)率選擇0.01;C.訓(xùn)練神經(jīng)網(wǎng)絡(luò)將實驗設(shè)計中取得的實驗數(shù)據(jù)用于訓(xùn)練誤差反傳神經(jīng)網(wǎng)絡(luò)，直到誤差反傳神經(jīng)網(wǎng)絡(luò)收斂，訓(xùn)練完成，神經(jīng)網(wǎng)絡(luò)構(gòu)建成功。3)采用遺傳算法優(yōu)化控制參數(shù)遺傳算法是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。遺傳算法是一類可用于復(fù)雜系統(tǒng)優(yōu)化的具有魯棒性的搜索算法，與傳統(tǒng)的優(yōu)化算法相比，主要有以下特點遺傳算法直接以目標(biāo)函數(shù)作為搜索信息，而傳統(tǒng)的優(yōu)化算法不僅需要目標(biāo)函數(shù)值，而且還需要目標(biāo)函數(shù)的導(dǎo)數(shù)值等其他一些輔助信息才能確定搜索方向。這種特點使得遺傳算法只需對系統(tǒng)的輸出進(jìn)行性能評判，與系統(tǒng)復(fù)雜性無關(guān)，是一種黑箱方法。而且遺傳算法便于處理多維優(yōu)化問題，因此比較適合發(fā)動機(jī)控制參數(shù)優(yōu)化問題。圖3為遺傳算法程序框圖，其中實線箭頭表示程序流程，虛線箭頭表示對該流程的解釋。a.遺傳算法參數(shù)設(shè)置此步驟對應(yīng)圖3中(1)。設(shè)置遺傳算法程序種群大小為40，最大進(jìn)化代數(shù)為80，不同代的代溝為0.8，這些參數(shù)設(shè)置主要靠經(jīng)驗選取，原則是收斂速度快，同時優(yōu)化精度高，這三個參數(shù)靠反復(fù)試驗所得；b.遺傳算法適應(yīng)度函數(shù)設(shè)置此步驟對應(yīng)圖3中(2)。遺傳算法中使用適應(yīng)度函數(shù)來衡量群體中各個體在優(yōu)化計算中能達(dá)到或接近于找到最優(yōu)解的優(yōu)良程度。適應(yīng)度較高的個體遺傳到下一代的概率較大。考慮到排放性和經(jīng)濟(jì)性對發(fā)動機(jī)同等重要，設(shè)置NOx、CH4、CO排放目標(biāo)變量和氣耗率經(jīng)濟(jì)性目標(biāo)變量的權(quán)重相同都為1，建立表明個體優(yōu)劣性的適應(yīng)度函數(shù)06>">""/0"=(0//4(模型值)/(^/4(基準(zhǔn)值))2+(CO(模型值)/CO(基準(zhǔn)值))2+(NOx(模型值)/NOx(基準(zhǔn)值))2+(BSFC(模型值)/BSFC(基準(zhǔn)值))2式中CH4(模型值)、CO(模型值)、N0x(模型值)和BSFC(模型值)表示對應(yīng)一組摻氫比，點火提前角和過量空氣系數(shù)模型算得的CH4、C0、N0x和氣耗率；CH4(基準(zhǔn)值)、CO(基準(zhǔn)值)、NOx(基準(zhǔn)值)和BSFC(基準(zhǔn)值)表示CH4、C0、NOx和氣耗率對應(yīng)的基準(zhǔn)值，分別為1500，1000，2500，270;c.判斷適應(yīng)度此步驟對應(yīng)圖3中(3)。根據(jù)已建立好的模型計算對于輸入摻氫比、點火提前角和過量空氣系數(shù)的輸出，并排序，作為確定適應(yīng)度的判據(jù)。如果得到適應(yīng)度最高值，則直接輸出；如果沒有，則繼續(xù)進(jìn)行選擇交叉變異算法；d.選擇算法設(shè)置此步驟對應(yīng)圖3中(4)。此步驟對應(yīng)圖選擇算子作用是從當(dāng)前種群中選擇出一些比較優(yōu)良的個體，并將其復(fù)制到下一代種群中。選擇算法選擇輪盤賭選擇算法，該算法中每個個體的選擇概率和其適應(yīng)度值成比例。e.交叉算法設(shè)置此步驟對應(yīng)圖3中的(5)。交叉算法一方面使得在原來的種群中優(yōu)良個體的特性能夠在一定程度上保持，另一方面也使得算法能夠探索新的基因空間，從而使新的群體中的個體具有多樣性。交叉算法選擇均勻交叉算法，交叉概率選擇0.7。均勻交叉依概率交換兩個父輩個體基因串的每一位。f.變異算法設(shè)置此步驟對應(yīng)圖3中的(6)。變異算法的基本內(nèi)容是對群體中的個體串的某些基因位置上的基因值作變動。變異算法選擇基本變異算子，變異概率選擇o.oi。g.通過選擇、交叉和變異，得到下一代種群，重新返回到步驟(2)，反復(fù)循環(huán)，直到進(jìn)化代數(shù)達(dá)到步驟(1)設(shè)置的80為止；h.最優(yōu)結(jié)果經(jīng)過以上優(yōu)化，得到適應(yīng)度最好的控制參數(shù)，此例最優(yōu)控制參數(shù)范圍為22°25°，1.3L35和30%。權(quán)利要求1.氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法，其特征在于該方法按如下步驟進(jìn)行1)實驗設(shè)計選擇發(fā)動機(jī)任一轉(zhuǎn)速和扭矩工況點，以摻氫比、點火提前角和過量空氣系數(shù)為控制變量，摻氫體積百分比為0～40％，點火提前角為20°～40°，過量空氣系數(shù)為1.1～1.6；采用正交化實驗設(shè)計方法，在所述點火提前角、過量空氣系數(shù)和摻氫比調(diào)節(jié)范圍內(nèi)選擇9組控制變量的組合，分別以這9組控制變量做實驗，取得每組實驗對應(yīng)的氣耗率、NOx、CH4和CO目標(biāo)變量；采用極差方法分析摻氫比、點火提前角、過量空氣系數(shù)對氣耗率、NOx、CH4和CO影響力大小，得到所述工況點下?lián)綒浔?0％～40％、點火提前角20°～30°和過量空氣系數(shù)1.3～1.6為最優(yōu)控制參數(shù)的區(qū)域，再在該區(qū)域內(nèi)選擇21組控制變量，最終得到30組控制變量的組合，采用這30組控制變量做試驗，取得實驗數(shù)據(jù)；2)建立誤差反傳神經(jīng)網(wǎng)絡(luò)模型a.數(shù)據(jù)前處理把實驗數(shù)據(jù)中的點火提前角，過量空氣系數(shù)，摻氫比控制變量線性映射到0到1之間，映射公式為<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>Xn</mi><mo>=</mo><mfrac><mrow><mi>Xi</mi><mo>-</mo><mi>X</mi><mi>min</mi></mrow><mrow><mi>X</mi><mi>max</mi><mo>-</mo><mi>X</mi><mi>min</mi></mrow></mfrac></mrow>]]></math></maths>式中Xn是歸一化后摻氫比、點火提前角或過量空氣系數(shù)的值，Xi是摻氫比、點火提前角或過量空氣系數(shù)的實際值；Xmax和Xmin分別為摻氫比、點火提前角或過量空氣系數(shù)的最大值和最小值；b.建立誤差反傳神經(jīng)網(wǎng)絡(luò)模型，參數(shù)定義為輸入層的節(jié)點數(shù)選擇3，對應(yīng)點火提前角、過量空氣系數(shù)和摻氫比；隱層為2層，第一隱層神經(jīng)元選擇10，第二層神經(jīng)元選擇5；輸出層節(jié)點數(shù)選擇4，對應(yīng)氣耗率、NOx、CH4和CO；訓(xùn)練函數(shù)選擇Levenberg-Marquardt算法；學(xué)習(xí)率選擇0.01，“Levenberg-Marquardt”為一種訓(xùn)練算法；c.訓(xùn)練神經(jīng)網(wǎng)絡(luò)將步驟a中處理好的數(shù)據(jù)用于訓(xùn)練步驟b中設(shè)置的誤差反傳神經(jīng)網(wǎng)絡(luò)，直到誤差反傳神經(jīng)網(wǎng)絡(luò)收斂；3)采用遺傳算法優(yōu)化控制參數(shù)a.遺傳算法參數(shù)設(shè)置設(shè)置遺傳算法程序種群大小為40，最大進(jìn)化代數(shù)為80，不同代的代溝為0.8；b、適應(yīng)度函數(shù)設(shè)置確定NOx、CH4、CO和氣耗率目標(biāo)變量的權(quán)重相同，建立表明個體優(yōu)劣性的適應(yīng)度函數(shù)objectfunction＝(CH4(模型值)/CH4(基準(zhǔn)值))2+(CO(模型值)/CO(基準(zhǔn)值))2+(NOx(模型值)/NOx(基準(zhǔn)值))2+(BSFC(模型值)/BSFC(基準(zhǔn)值))2式中objectfunction代表適應(yīng)度函數(shù)大小，CH4(模型值)、CO(模型值)、NOx(模型值)和BSFC(模型值)表示對應(yīng)一組摻氫比，點火提前角和過量空氣系數(shù)模型算得的CH4、CO、NOx和氣耗率；CH4(基準(zhǔn)值)、CO(基準(zhǔn)值)、NOx(基準(zhǔn)值)和BSFC(基準(zhǔn)值)表示CH4、CO、NOx和氣耗率對應(yīng)的基準(zhǔn)值，分別為1500，1000，2500，270；c、選擇交叉變異算子設(shè)置選擇算法為輪盤賭選擇算法；交叉算法為均勻交叉算法，交叉概率選擇0.7；變異算法為基本變異算子，變異概率選擇0.01；d、通過選擇、交叉和變異，得到下一代種群，重新返回到步驟b，反復(fù)循環(huán)，直到進(jìn)化代數(shù)達(dá)到步驟a設(shè)置的80為止；輸出最優(yōu)結(jié)果。全文摘要氫氣天然氣混合燃料發(fā)動機(jī)的優(yōu)化方法，屬于天然氣摻氫燃料發(fā)動機(jī)
技術(shù)領(lǐng)域：
。本發(fā)明的主要目的是最有效率的尋找每個工況下最佳摻氫比，點火提前角和過量空氣系數(shù)三個控制變量，使發(fā)動機(jī)的綜合性能達(dá)到最優(yōu)。以轉(zhuǎn)速和扭矩確定工況點，在此工況點確定摻氫比，點火提前角和過量空氣系數(shù)的三維狀態(tài)空間，利用試驗設(shè)計的方法，選擇最具有代表性的試驗點，做試驗得到數(shù)據(jù)；然后利用這些點建立發(fā)動機(jī)誤差后傳神經(jīng)網(wǎng)絡(luò)模型，即建立摻氫比、點火提前角，過量空氣系數(shù)控制變量與發(fā)動機(jī)經(jīng)濟(jì)性排放性的關(guān)系；導(dǎo)出模型數(shù)據(jù)，利用遺傳算法對發(fā)動機(jī)控制參數(shù)進(jìn)行優(yōu)化。最終得到發(fā)動機(jī)該工況點最佳摻氫比、點火提前角和過量空氣系數(shù)控制變量，使發(fā)動機(jī)性能得到最優(yōu)。文檔編號F02B43/10GK101333961SQ200810118208公開日2008年12月31日申請日期2008年8月7日優(yōu)先權(quán)日2008年8月7日發(fā)明者丁尚芬,龍江,汪俊君,宇王,王業(yè)富,王明月,趙淑莉,馬凡華申請人:清華大學(xué)