[发明专利]基于人工智能的发动机实时模型的建模方法

说明书

本发明公开了一种基于人工智能的发动机实时模型的建模方法，包括以下试验设计及试验测量步骤、发动机子系统特性获取及建模步骤、发动机气缸的人工智能神经网络建模步骤、将在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系统步骤等步骤。本发明的整套建模方法，其可以使最终气缸模型能够体现电控参数的影响；保证输入电控变量个数不变的前提下，简化最终气缸模块神经网络模型的输入变量个数，从而提升模型输出结果的精度；提升发动机摩擦功计算的精度，建立能够考虑电控参数影响的摩擦功模型。

技术领域

本发明是关于内燃机领域，特别是关于一种基于人工智能的发动机实时模型的建模方法。

背景技术

发动机实时模型是一种数值模型，主要用于硬件在回路(HIL硬件在环(hardware-in-the-loop，HIL)系统)仿真，该环节是当前汽车电控开发V流程(如图1所示)中极为重要的一环。硬件在回路(以下简称HIL系统)是将发动机实时模型放到专有的HIL硬件设备中模拟真实的发动机工作，HIL设备将发动机实时模型的数字信号转换为电流信号，与真实的电子控制单元(ECU：Electronic Control Unit)通信，并将ECU的电流信号转换为数值信号传递到发动机实时模型中。因此，电控工程师可通过HIL系统对ECU进行电控参数标定。

发动机电控开发的HIL系统中的发动机实时模型发展主要经历了三个阶段：

1)第一阶段，使用多个表格建立发动机实时模型。将发动机子系统的一些特性曲线(及曲面)储存在表格文件中,通过对表格进行插值的方式模拟真实发动机工作。这种方法计算速度最快，但精度很低。但由于其建模的方便，特别适合非专业发动机公司，例如dSpace，Mathworks等公司均能提供这类表格模型。随着发动机实时模型技术的发展，这种模型逐步被淘汰，但由于其建模的简便性，现在仍有一定的市场。

2)第二阶段，随着HIL设备硬件提升，计算速度得到改善。研究者开始对发动机一维热力学模型进行简化，提高模型运算速度，以满足HIL设备的实时性要求。传统的一维热力学模型虽然精度高，但计算速度慢，无法应用于实时模型中，通常将一维管路模型简化为零维模型(容积模型)，多个气缸简化为单个气缸等，提升模型运算速度。由于模型大幅简化，导致精度损失较大，预测能力弱，因此这种方法只是一个过渡的方法。

3)第三阶段，在第二阶段的基础上，引入人工智能神经网络的方法，将气缸模块(油耗及排放)通过神经网络的方式进行建模。在高校有一些学者进行了此类研究，把整个气缸当作一个“黑箱子”进行建模，没有考虑喷油与燃烧的特性，仅从数学的角度进行油耗及排放的预测。这类模型具有较快的运行速度，同时可以达到较高的精度，是未来HIL系统中发动机实时模型发展的大趋势。

现有技术的建模方法存在以下缺点：

1)某些电控变量在模型中的影响无法体现。这是因为气缸建模时，把仅从数学建模的角度去分析问题，将气缸作为一个“黑箱子”进行神经网络训练。当某些电控变量(例如预喷油量)对模型最终的输出(油耗及排放)的影响显著小于其它关键电控变量(例如主喷角度)时，从数学角度分析，这些变量的引入反而还会影响模型训练的精度。因此，研究者们会舍弃掉这些变量来保证模型训练结果的吻合性。这就不可避免的导致“黑箱子”(如图2所示)模型无法模拟这些变量改变后的对燃烧系统带来的影响。

2)当前气缸模型输入参数过多，导致网络模型精度较差。现有气缸模型在建模时，将整个气缸当作一个“黑箱子”考虑，要实现电控参数标定，必须要把需要标定的电控参数作为神经网络的输入变量，这必然导致神经网络模型的输入变量数目庞大。根据神经网络的基本原理，相同数量的训练数据情况下，输入变量越多，最终模型的训练结果就会越差(为达到相同训练精度需要的训练数据指数级增加)。如果为保证模型精度，必须缩减模型的输入变量个数，这将使最终模型的工程化应用(例如电控标定)的能力大打折扣。