[发明专利]基于人工智能的发动机实时模型的建模方法

权利要求书

1.一种基于人工智能的发动机实时模型的建模方法，其特征在于，包括以下步骤：

试验设计及试验测量步骤，其包括：

试验设计：为考虑电控参数对燃烧及排放的影响，在试验设计时需要测量出所述电控参数的自变量变化后的发动机性能和排放指标的变化情况的针对性设计，并测量喷油规律及燃烧分析结果；及

试验测试：使用高精度的测试设备对测试结果进行碳平衡分析；

发动机子系统特性获取及建模步骤，其包括：

节气门和EGR子系统特性获取：针对节气门和EGR两个子系统的阀门开度的变化进行试验，并采用最小二乘法建模；

增压子系统特性获取：使用原厂提供的增压器MAP数据，并使用万有特性数据修正所述增压器MAP数据；

摩擦数值子系统特性获取：使用转速、功率、MFB10及MFB90参数进行摩擦数值建模；及

各个管路的容积腔子系统特性获取：使用传统的零维容积模型，根据气体属性快速计算所述各个管路的容积腔的压力及温度变化情况；

发动机气缸的人工智能神经网络建模步骤，其包括：

喷油特性换算：通过实测的喷油速率曲线获取电控参数与实际喷油时刻的关系，并将喷油角度的电控数值转换为实际的喷油参数；

获取气缸散热模型：通过燃烧分析数据计算出气缸热损失，并以散热量为输出，以机油温度、水温、转速及喷油总量作为模型的输入，及通过神经网络的训练建立发动机的所述气缸散热模型；

燃烧速率神经网络模型：以轨压、EGR率、空燃比、转速和实际的喷油参数为输入，以燃烧速率指标为输出建立所述燃烧速率神经网络模型；及

油耗及排放神经网络模型：将所述空燃比、气缸进出口压力、所述EGR率及所述燃烧速率指标作为输入建立所述油耗及排放神经网络模型；

将在所述发动机子系统特性获取及建模步骤中建立的模型进行耦合计算，并进行一系列迭代后收敛计算；以及

模型集成于HIL系统步骤，其包括：将所述发动机子系统特性获取及建模步骤建立的模型生成FMU文件，并将生成的所述FMU文件放到所述HIL系统中，同时设置输入输出端口，以实现在所述HIL系统中进行电控标定。

2.如权利要求1所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述电控参数包括预喷参数、主喷参数、后喷参数、远后喷参数以及节气门和EGR阀的开度参数。

3.如权利要求1所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述发动机子系统特性获取及建模步骤和所述发动机气缸的人工智能神经网络建模步骤建立的模型为Simulink模型。

4.如权利要求2所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述实际的喷油参数包括所述预喷参数、所述主喷参数、所述后喷参数以及所述远后喷参数。

5.如权利要求2所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述实际的喷油参数为所述预喷参数、所述主喷参数、所述后喷参数以及所述远后喷参数的实际喷射角度与喷油量。

6.如权利要求1所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述燃烧速率指标包括MFB10、MFB50及MFB90数据。

7.如权利要求6所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述燃烧速率指标的所述MFB10、所述MFB50及所述MFB90数据为燃烧完成10％、50％及90％时刻对应的曲轴转角。

8.如权利要求1所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述发动机子系统特性获取及建模步骤采用传统热力学建模方式。

9.如权利要求1所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述气缸进出口压力包括增压压力及涡前压力。

10.如权利要求2所述的基于人工智能的发动机实时模型的建模方法，其特征在于，所述预喷参数包括预喷正时及预喷油量、所述主喷参数包括主喷正时及主喷油量、所述后喷参数包括后喷正时及后喷油量以及所述远后喷参数包括远后喷正时及远后喷油量。