基于神经网络模型的点火角参数优化的研究.pdf

中文摘要 摘 要 发动机电控参数的标定处于电控系统开发流程的后端，整个研发流程的梳理 和台架实验参数标定过程的优化，对电控参数标定高效率高质量地进行和完成有 重要的意义。 本文对电控系统开发的全生命周期，包括从供应商对客户的需求挖掘和分析 到最终产品的验收测试和量产这一综合完整的开发管理流程进行总结和归纳，使 项目开发按照预定的成本，预期的进度和可控的质量顺利的完成。同时，电控策 略的建立过程中，工程师通过制定不同工况下电控系统的协调机制来满足特定需 求，本文对管理系统在不同工况下运行时点火提前角控制参数的控制进行了讨论。 其次，通过发动机台架实验得到稳态工况下的基本点火提前角数据，借助于 MATLAB 软件对实验过程中的电控参数数据和发动机输出数据运用插值方法得到 电控控制所需要的MAP 图，电控系统可以根据外界传感器的信息来协调和确定实 验调节好的对应工况下的三维MAP 图设定值，通过执行器( 电磁阀)来完成对于需 求的输出。 针对电控系统的控制参数较多，且参数之间耦合程度高的特点，本文尝试以 少部分在发动机台架上采集的控制参数和性能参数数据来建立输入和输出的稳态 神经网络模型，通过神经网络来学习输入与输出数据之间的响应关系，模型预测 结果表明：当用总数据量的1/4 数据训练得到的模型来对性能指标进行预测时，模 型预测的精度较低，预测误差百分比最大值达到了 30% 。当训练集增加到总数据 量的1/2 数据时，最大误差百分比有了明显的降低，预测样本的误差最大值在18% 左右，但是其预测精度依然较差，稳定性依然有较大的提升空间。当用总数据量 的3/4 数据训练模型，预测各个性能指标的误差百分比时，最大误差百分比在5% 左右，相比较于之前的两个模型，该模型优势更加明显，具备更好的预测精度和 预测稳定性。通过运用粒子群优化算法对发动机运行时关键的输出指标与输入参 数之间的神经网络模型进行优化，寻找到模型参数的初始最优解，粒子群算法优 化后的模型预测结果表明：3/4 数据量的模型对于燃油消耗的预测精度平均误差百 分比从 1.85%降低到了 1.23%，1/2 数据量的模型对于扭矩的预测稳定性得到了提 升，且其预测精度在一定程度上也到了提高。 基于本研究建立的神经网络模型和粒子群算法的优化，台架实验中对于点火 角参数标定的效率得到提高，模型的预测结果可以给台架实验工程师以指导作用。 关键词:发动机电控；实验标定；神经网络预测；粒子群算法优化 I 英文摘要 Abstract The calibration of the electronic control parameters of the engine is at the back end of the development process of the electronic control system, and the whole research and development process is sorted out, which is of great significance for the high efficiency and high quality of the electronic control parameters. This paper summarizes the comprehensive development management process, so that the project development can be completed successfully according to the predetermined cost, the expected schedule and the controllable quality. In the process of establishing the electronic control strategy, the engineers develop the coordination mechanism