[发明专利]一种基于神经网络的车辆气体排放物的模拟仿真系统

说明书

技术领域

本发明涉及乘车辆性能模拟仿真，具体涉及一种基于神经网络的车辆气体排放物的模拟仿真系统。

背景技术

汽车领域节能减排的要求中，整车性能的两个最重要的指标是油耗和排放。整车性能开发过程中的设计、选型和匹配工作也都围绕着这两个关键指标进行。在整车开发过程中，CAE(Computer Aided Engineering)工具得到了广泛的应用，随着CAE应用的日益成熟，可以在整车开发早期对性能进行分析和评价，从而可以指导设计、选型和匹配工作更加合理，减少开发轮次和整车试验工作量，缩短开发周期并节约开发成本。

乘用车的油耗和排放法规测试都是整车结构开发完成后，在底盘测功机上完成的，如果最终测试的结果不能够满足法规要求，则需要对整车的初始设计及匹配方案重新调整改进，增加了开发风险、开发周期和开发成本，所以对乘用车而言，应用CAE工具进行早期的油耗和排放测试就显得尤其重要。目前，对于整车油耗的模拟仿真技术已经发展的非常成熟，形成了一套完善的仿真和评价体系，但是排放方面尽管有多种模拟仿真的尝试，但大多存在很大的局限性，真正在整车开发过程中得到实际应用的并不多。汽车尾管排放物主要由发动机原始排放和催化器转换效率这两个主要因素决定，排放测试结果又受到多种因素的影响，如发动机的原始排放、运行状态、暖机过程、催化器起燃过程、催化器的结构及配方等，涉及到多种复杂的物理和化学过程，要进行详细的模拟预测确实存在着较大的挑战。

目前，汽车排放物模拟仿真尝试主要集中在两个方向，一种是催化器效率采用一个经验值，采用缸内燃烧的CFD(Computational Fluid Dynamics)模拟发动机原始排放。另一种是发动机原始排放采用发动机台架测试数据，通过模拟发动机催化器内的物理和化学反应来预测催化器转换效率。然而这两种方法都存在一定的局限性，第一种方法需要对复杂的燃烧过程中的物理化学过程进行模拟，需要建立发动机与燃烧相关结构的详细三维模型，并且划分数量巨大的网格，导致计算时间长，累计误差大，中间过程对最终结果的影响因素多，整体精度不高，并且不能很好的反映催化器转化效率的影响因素。第二种方法主要对催化器中化学反应进行模拟，需要定义化学反应方程式并应用已有试验数据标定化学反应系数，决定催化转换效率，并与发动机原始排放的试验数据相结合进行最终排放物的预测，这种方法对起燃过程、暖机过程等影响因素考虑的不够，而且化学反应系数标定的过程也非常复杂，已有数据标定的化学反应系数只与当前催化器的结构和配方对应，对于其他催化器方案的代表性差，并且这种方法采用发动机原始排放的测试数据不能很好的反映发动机瞬态排放性能，适用性不好。

发明内容

本发明的目的是基于试验数据和排放物催化转化规律的半经验模拟仿真系统，结合神经网络技术和整车在运行测试循环时排放物的生成及转化规律，提出一种在整车开发初期就能够准确的对整车排放结果进行预测的模拟仿真系统。

具体的技术方案为：

一种基于神经网络的车辆气体排放物的模拟仿真系统，包括：依次连接的基础仿真模型建立模块、神经网络输入数据处理模块、神经网络模型模块和排放物计算输出模块。所述神经网络模型模块还独立连接神经网络训练模块。

所述基础仿真模型建立模块用于发动机、传动系统及整车的基本数据的输入，建立整车与发动机的动力传动关系，并与神经网络输入数据处理模块和排放物计算输出模块传递数据。

所述神经网络输入数据处理模块对所述基础仿真模型建立模块中的基础数据和动力传动关系进行模拟仿真，得到原始排放数据。并将原始排放数据、催化器参数和排放影响条件相结合，进而得到神经网络模型模块的输入数据。

所述神经网络训练模块用于建立和训练神经网络数学模型，并将训练完成的神经网络数学模型输出到神经网络模型模块。

所述神经网络模型模块对神经网络输入数据处理模块的输入数据完成模拟计算，进而得到整车的最终排放数据。

所述排放物计算输出模块接受基础仿真模型建立模块和神经网络输入数据处理模块的数据传递，并应用神经网络训练模块的训练结果，加入特殊工况时对排放值的规定，对最终排放数据进行修正。

具体的，所述原始排放数据包括：排放物浓度、排气的体积流量、由整车测试循环决定的发动机运行工况。

具体的，所述催化器参数包括：催化器的目数、截面积、长度、贵金属含量。