HiMSEN双燃料发动机的半实物仿真的发展
Seunghyup Ryu 韩国现代重工
Hyeonsook Yoon 韩国现代重工
Hangsoeb Choe 韩国现代重工
Gyungmin Choi 国立釜山大学
这篇论文是在2016年在赫尔辛基举行的第28届CIMAC世界大会上发表并收录的。CIMAC大会每三年举行一次，每次在一个不同的成员国举行。国会方案的中心是关于发动机研究和开发的技术文件的介绍，在原有设备方面的应用工程，以及最终用户方面的发动机运行和维护。2016年活动的主题包括燃气和柴油发动机的产品开发、燃油喷射、涡轮增压器、部件和摩擦学、控制与自动化、尾气排放。
本文的版权归CIMAC所有。
摘要
在当今复杂的发动机系统中使用的电子发动机控制系统(ECS)需要进行广泛的测试。这个验证过程在发动机测试台上，是费时的，危险的，有时是无法完成的任务。在过去的十年中，我们已经做出了大量的努力，使计算机仿真成为一种值得信赖的、具有成本效益的替代方法，以适应多种限制，成为一种快捷方式。为了达到这一目的，高保真度和快速运行在广泛的操作条件下是必不可少的，特别是对控制算法和策略的有效评估。本文介绍了一种双燃料(DF)发动机虚拟模拟器的研制。基于均值发动机模型，建立了各燃气和柴油燃烧的实时(RT)计算模型。这发动机平均值模型来源于一个详细的1D引擎模型，利用实验设计(DOE)和神经网络的方法对气缸数量的详细模型进行了近似模拟(如发动机容积效率，表明效率和废气的能量分数)。燃烧模型不仅与每一个燃料操作相对应，而且还与柴油和燃气之间的燃料转换操作相对应。进气系统和排气系统通过将流动部件组装在一起来进行简化。它们都包括涡轮增压器、发动机起动装置、增压空气冷却系统、燃气调节装置和共轨微燃油喷射系统等。此外，还增加了计算各气缸压力跟踪和爆震信号的曲柄角解析数学模型。最后，构建了用于HiLS测试的RT硬件，它可以从发电机、庭院接口以及发动机和控制器之间，覆盖250多个in/out信号。与此HiLS系统相关的ECS测试是根据整个引擎操作的虚拟场景执行的(例如，引擎启动、空闲运行、负载运行、燃料切换操作、正常停机和紧急情况)。在试验过程中，还对一些发动机控制策略(如空气对燃料比控制、气缸平衡和爆震控制)进行了评估。结果，在整个操作过程中，计算时间保持在0.75倍的RT，并有1毫秒的迭代更新。仿真结果展现出了和实际的双燃料发动机操作相似的性能。
在发电市场上，对双燃料(DF)发动机的需求日益增长，这种发动机既可以使用天然气，也可以使用不同的柴油燃料。除了燃料应用之外，还有一种不断提高效率和管制排放的愿望。为了满足日益增长的需求，现代发动机需要先进的控制系统来协调复杂的发动机子系统。开发这种复杂的控制系统可能是一个昂贵的耗时的过程，涉及许多迭代周期和工程师之间的详细信息交流。但是，这些可能会造成混淆和误解。
随着计算机能力的增长，基于模型的设计和评估(如图1所示)一直是控制系统开发的可靠的、具有成本效益的备选方案。这是一种用于将控制系统开发与引擎测试和开发分离的方法。在software-In-the-loop (SiL)(软件在环)阶段，实际的生产软件代码被纳入到包含物理系统模型的数学模拟中。为了利用计算机仿真进行控制设计和开发，工程师不仅需要模拟控制算法的发动机控制器模型，还需要能够与控制器模型相符合的精确的发动机模型。Hardware-in-theloop (HiL) （硬件在环）是一种将系统的数学仿真模型与实际物理硬件相结合的技术，这样硬件就可以像集成到真实系统中那样执行。为了测试和开发嵌入式电子控制器，把硬件控制器和相关软件连接到系统装置的数学模拟在计算机上实时执行。因此，发动机控制系统(ECS)设计组需要快速运行和准确的发动机模型，以进行控制策略的测试和优化。
目前，ECS设计组与发动机设计组之间存在着一个障碍，主要是由于发动机建模缺乏统一的方法。更准确地说，在发动机设计过程中，发动机模型仍在详细的动力学物理构件领域。但是，模型在实时的速度下运行是无效的。因此，一个新的具有实时能力的模型逐渐发展起来。这种方法通常由一组传递函数组成，因此发动机的物理表现完全失效了。
本文介绍了一种具有足够精度的实时发动机模型的开发，以实现对控制算法和控制策略的有效评价。其目的是克服引擎设计器模型和控制设计器模型之间的障碍，并找到一个支持模型共享和可以重复使用的方法。所得到的模型大多基于一个典型的详细模型的相同的方程，同时，根据设计者的需要和可用的计算机能力提供可以调整细节的能力。该方法已应用于一个8汽缸的himsen - sen H35/40DF发动机。建立了与DF发动机实际ECS相连接的HiL试验台架模型。
主要部分
引擎描述
选择了一个8汽缸的HiMSEN H35/40DF发动机。表1列出了发动机的主要规格。图2显示了DF发动机的燃油系统。在气体操作过程中，气体进气阀和导流油共轨喷油器都是电子控制的，并且能够进行劈裂喷射方案。在柴油机运行过程中，采用常规燃油系统和调速器系统。在这个时候，实验系统保持激活，以防止先导喷油器堵塞。此外，还有一个用于控制空气-燃料比(AFR)的废气阀门和控制进气阀关闭时间的系统。
实时仿真模型开发
在引擎建模领域，为不同的应用程序创建了不同复杂性的模型。图3说明了本研究中HiL仿真引擎建模方法的里程碑。
起始点是一维(1D)的详细模型。大部分工作都集中在为发动机设计、诊断和热科学分析的目的开发详细的模型。为了实现更高的仿真度建模，使用了商业软件GT-Power。这种基于热力学的模型采用热传递和燃烧公式的一维流动模型来预测流形的不同位置的压力、温度、气体组成以及缸内燃烧。由于其在整个发动机系统中捕捉气体动力学的准确性，在发动机设计过程中通常采用了详细的1D发动机模型，以评估各种构件几何形状和选择对发动机性能的影响。另一方面，模型运行速度相对较慢，通常在实际速度的100-1000倍以上。
在第二步中，在GT-Power中加入了一个简单的控制模型，该模型的重点是模拟瞬态运行下的特性。在下一步中，该模型被转换为快速运行的模型，并尽可能小的损失保真度。尽管在文献中它被称为“模拟元模型化”[1]，本文中把这个任务将被称为“模型还原”。最后一步是与实际ECS连接的HiL模拟。快速运行的发动机模型已在实时(RT)计算机上运行，并为发动机辅助系统仿真增加了几个子模型，如供气单元和微型共轨系统。
1D详细的发动机模型
一个详细的发动机模型已经利用称为GT-Power的商用1D周期仿真软件开发出来。发动机模型被开发出来后，提供了所有发动机部件的综合表示，如空气感应系统、中间冷却器、进气歧管、气缸、排气歧管、涡轮增压器和废闸阀。图4显示了DF引擎的详细模型。
该发动机模型已在广泛的发动机运行条件中被实验测量验证。例如，图5显示了引擎速度响应特性，与模型响应在突然负载输入中的相同变化相比，发动机数据和模型响应之间的协议非常好。开发的发动机模型能够预测发动机表现和气体动力学，在稳态和瞬态条件下误差通常小于5%。
气缸模型降阶
高保真发动机仿真中最昂贵的部件之一是气缸。计算上的负担主要是为了保持解的精度，时间步长必须在1个曲柄角度或更少，对于每个气缸，燃烧事件分别为瞬态应用解决。因此，气缸的数量越多，计算的时间就越长。
在详细的模型中，直接喷射式柴油喷射(DIJet)模型(Hiroyasu et al.[2])首次应用于柴油燃烧估算。这个模型的核心方法是跟踪燃料喷射，因为燃料分解成水滴，蒸发，与周围的气体混合，燃烧。由于有大量的子区域，DIJet模型的计算时间相当高。因此，该方法不适用于HiL实时应用的计算模型。此外，还研究了可替代燃烧模型的关键优势，它显示了快速运行时，同时保持了由DIJet所看到的准确性。它是由王氏提出的直接喷射柴油多脉冲(DIPulse)模型[3]。图6显示了缸压力和燃烧率在相同的注入速率下的模拟结果。表2列出了与实际实验持续时间相比的计算时间。在双脉冲法的情况下，计算结果与之前的结果有较好的一致性，而且计算时间明显提高。该计算时间与实验气缸压力轨迹的燃烧速率模型相比较，应用于本研究的气体燃烧计算。在表2中，还比较了附加简化技术、空气系统模型简化的计算时间。然而，这些最终结果显示的数据比实时的多出几倍。因此，需要考虑其他简化方法以减少时间。
均值气缸模型
将圆柱模型替换为一个均值圆柱模型进行实时仿真。在这种方法中，假定整个系统的动力学是十分迅速的，以至于它们可以根据准稳态假设准确地捕捉到。像I.Papadimitriou[4]等人，系统就变成了一个黑盒，气缸体的空气质量流率的进口和出口，曲柄的机械转矩，排气口的废气温度和曲柄的摩擦力矩都是基于瞬时值的一定的量，如发动机转速，进气歧管压力和温度，排气歧管压力，注入燃料质量和注入时机。换句话说，圆柱方程是:
rho;air进气密度，,Vd是发动机排量，Nu;发动机转速，eta;vol容积效率， imep表示平均有效压力(IMEP)，fmep是摩擦平均有效压力(fmep)和Chi;向量的输入量影响气缸性能。
在这项研究中,静态人工神经网络应用提供的映射的输入量Chi;(如发动机转速等)到输出量(eta;vol,imep T exh fmep)。所使用的神经网络结构是一个三层前馈神经网络，其激活函数为tans-sigmoid和1输出层，具有线性激活函数。该神经网络与k输入的原理图，第一层的n个神经元，第二层的m神经元和1个输出(即n-m-1神经网络)。
这些四个输入均值气缸的输出量Mair，tau;i，Texh，tau;f，是在模拟过程中由气缸施加的。因此，为了构建一个现实的均值模型，需要将这些量定义为其他变量的函数。因此，建立一个均值模型的第一步是确定这些变量的平均值将依赖于哪些变量。表3显示了每个柴油机和气体操作的决定变量。
其次，利用详细的模型建立了实验设计。DOE的目的是生成用于定义输入因子和平均值映射数量之间关系的数据。使用一个集成的DOE工具和拉丁超立方方法，分别对柴油和天然气进行了5000和7000个实验。图8显示了基于根均方误差(RMS)对训练数据的加权函数，RMS误差对测试数据和神经元数量的最佳神经网络结构。每一个最好的神经网络结构都是15-10-1前馈神经网络(FF26)，用于IMEP、容积效率和FMEP，以及15-5-1前馈神经网络(FF21)用于排气温度。如下图所示，每个神经网络在训练和测试数据中都显示出非常好的匹配，这表明了优秀的准确性和泛化能力。
子系统简化
均值气缸模型显著提高了整个发动机模型的执行速度。为了增加仿真速度，将进气和排气歧管模型的复杂性降低到一起。实际上，由于没有来自于平均值圆柱假设的周期内压力变化，进气歧管可以被集中到同一卷的一个单独的三中，作为基线模型，同样可以用排气歧管来完成。
图9显示了本研究中最终的均值引擎模型。可见，均值发动机模型是完全简化的，只包括发动机系统的主要部件，如平均值气缸，进气和排气歧管，简化了闸阀和排气旁通管，中间冷却器，涡轮增压器。
模型比较
为了评估开发的均值引擎模型的准确性和仿真速度，建立了一个瞬时操作场景，如图10所示。该场景由一系列不同的速度和负载条件组成，有10个事件。从发动机开始到关闭的整个发动机运行时间在现实世界中假定为470秒。
图11给出了详细模型和均值引擎模型之间的仿真结果的比较。在此情况下，详细模型的比较燃烧模型为燃烧速率模型，用于气体模式模拟。并采用基于神经网络的均值气缸模型进行实时计算。由于气缸性能是由人工神经网络计算的，在均值发动机模型的情况下，柴油机和燃气的计算时间没有差别。
在稳态工况下，除排气温度外，两个结果之间的差异小于1%。如图11所示，在高负荷运行后，废气温度相对较低。特别是在“预热”和“冷却”条件下，在速度和负载目标上都是相同的，对于平均值的结果，温度几乎是相同的。另一方面，这是详细的模型显示不同的值。这可能是由于一个准稳态假设的平均值圆柱模型，所以在气缸内的传热可能会有不同的估计。此外，排气歧管的传热量也会受到影响，因为流量相对稳定，可能与详细模型的流速不同。
在瞬态操作中，请注意，平均值引擎模型稍微高估了负载突然变化时的速度恢复性能。这主要归功于涡轮增压器的反应。在比较空气质量流量、增压压力等所有空气增压参数时，平均数值模型的各斜率比详细模型的斜率更陡。这种差异可能是由于总假设。但是这个错误很小，可以忽略。
表4显示了均值模型和详细模型运行时间的比较。由于集总容积和稳定流，均值发动机模型的时间步长为4.3 degCA(曲柄角)，比详细模型大10倍左右。由于组件数量较少，计算更简单，模型最终运行速度比详细模型快32倍。具体来说，在2.3 GHz Intel core i7处理器上，详细的模型在7588秒内完成了470秒的仿真(比实时慢16倍)，而平均值模型在352秒内运行在同一系统上(1.3倍于实时)。
一般而言，均值模型与详细模型是合理一致的，可以在广泛的操作条件下获取发动机性能和气体动力学。很明显，这个模型是实时的，可以在一个硬件的模拟中使用。
辅助模型集成
并对发动机辅助系统的仿真模型如供气装置、发动机起动装置和微型共轨系统等进行了仿真研究。图12显示了发动机的天然气供应单元及其在GT-Power中的仿真模型。因为这些模型被分配到CPU处理器的其他核心的计算中，所以它不会影响总的运行时间。在
全文共7344字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15174]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
