氢气天然气混合燃料发动机的优化方法

摘要

氢气天然气混合燃料发动机的优化方法，属于天然气掺氢燃料发动机技术领域。本发明的主要目的是最有效率的寻找每个工况下最佳掺氢比，点火提前角和过量空气系数三个控制变量，使发动机的综合性能达到最优。以转速和扭矩确定工况点，在此工况点确定掺氢比，点火提前角和过量空气系数的三维状态空间，利用试验设计的方法，选择最具有代表性的试验点，做试验得到数据；然后利用这些点建立发动机误差后传神经网络模型，即建立掺氢比、点火提前角，过量空气系数控制变量与发动机经济性排放性的关系；导出模型数据，利用遗传算法对发动机控制参数进行优化。最终得到发动机该工况点最佳掺氢比、点火提前角和过量空气系数控制变量，使发动机性能得到最优。

主权项

氢气天然气混合燃料发动机的优化方法，其特征在于该方法按如下步骤进行：1)实验设计：选择发动机任一转速和扭矩工况点，以掺氢比、点火提前角和过量空气系数为控制变量，掺氢体积百分比为0～40％，点火提前角为20°～40°，过量空气系数为1.1～1.6；采用正交化实验设计方法，在所述点火提前角、过量空气系数和掺氢比调节范围内选择9组控制变量的组合，分别以这9组控制变量做实验，取得每组实验对应的气耗率、NOx、CH4和CO目标变量；采用极差方法分析掺氢比、点火提前角、过量空气系数对气耗率、NOx、CH4和CO影响力大小，得到所述工况点下掺氢比10％～40％、点火提前角20°～30°和过量空气系数1.3～1.6为最优控制参数的区域，再在该区域内选择21组控制变量，最终得到30组控制变量的组合，采用这30组控制变量做试验，取得实验数据；2)建立误差反传神经网络模型：a.数据前处理：把实验数据中的点火提前角，过量空气系数，掺氢比控制变量线性映射到0到1之间，映射公式为： Xn = Xi - X min X max - X min 式中：Xn是归一化后掺氢比、点火提前角或过量空气系数的值，Xi是掺氢比、点火提前角或过量空气系数的实际值；Xmax和Xmin分别为掺氢比、点火提前角或过量空气系数的最大值和最小值；b.建立误差反传神经网络模型，参数定义为：输入层的节点数选择3，对应点火提前角、过量空气系数和掺氢比；隐层为2层，第一隐层神经元选择10，第二层神经元选择5；输出层节点数选择4，对应气耗率、NOx、CH4和CO；训练函数选择Levenberg‑Marquardt算法；学习率选择0.01，“Levenberg‑Marquardt”为一种训练算法；c.训练神经网络：将步骤a中处理好的数据用于训练步骤b中设置的误差反传神经网络，直到误差反传神经网络收敛；3)采用遗传算法优化控制参数：a.遗传算法参数设置：设置遗传算法程序种群大小为40，最大进化代数为80，不同代的代沟为0.8；b、适应度函数设置：确定NOx、CH4、CO和气耗率目标变量的权重相同，建立表明个体优劣性的适应度函数：objectfunction＝(CH4模型值/CH4基准值)2+(CO模型值/CO基准值)2+(NOx模型值/NOx基准值)2+(BSFC模型值/BSFC基准值)2式中：objectfunction代表适应度函数大小，CH4模型值、CO模型值、NOx模型值和BSFC模型值表示对应一组掺氢比，点火提前角和过量空气系数模型算得的CH4、CO、NOx和气耗率；CH4基准值、CO基准值、NOx基准值和BSFC基准值表示CH4、CO、NOx和气耗率对应的基准值，分别为1500，1000，2500，270；c、选择交叉变异算子设置：选择算法为轮盘赌选择算法；交叉算法为均匀交叉算法，交叉概率选择0.7；变异算法为基本变异算子，变异概率选择0.01；d、通过选择、交叉和变异，得到下一代种群，重新返回到步骤b，反复循环，直到进化代数达到步骤a设置的80为止；输出最优结果。