Оптимизация ДВС с помощью ПК ASCMO



На основе экспериментальных данных построена кибернетическая модель двигателя КАМАЗ и проведена многопараметрическая оптимизация рабочего процесса по циклу ESC.

Ключевые слова: комбинированный двигатель внутреннего сгорания, кибернетическая модель, оптимизация рабочего процесса.

Важной сферой деятельности в области проектирования двигателей внутреннего сгорания (ДВС) является оптимизация рабочего процесса. Оптимизация позволяет существенно улучшить все основные характеристики двигателя, начиная от мощности и крутящего момента и заканчивая экологическими показателями на частичных режимах. Работы, посвященные оптимизации различных систем ДВС многочисленны; в частности, проводится оптимизация параметров топливной аппаратуры [1], рабочего процесса в целом [2], формы каналов газовоздушного тракта [3] и многих других факторов.

В условиях постоянно ужесточающихся экологических норм существует необходимость доводки на производстве уже разработанных и выпущенных в серию двигателей под новые условия работы, экологические требования и т. д. Наиболее быстро и дешево это возможно сделать, не внося изменений в конструкцию, а только корректируя законы управления двигателем.

Поскольку имеется достаточно большое число факторов, которые нужно оптимизировать в широком диапазоне режимов, в общем случае и динамических, и статических — данная задача является весьма объемной. Существует несколько возможных путей ее решения:

– Экспериментальная доводка на моторном стенде. Требует больших временных и финансовых затрат.

– Оптимизация на основе феноменологических моделей типа Дизель-РК [4], AVLBoost [5] и т. п. Требуется тщательная проработка математической модели и глубокий анализ процессов в цилиндре. Кроме того, сама процедура оптимизации может оказаться затратной по времени в силу сложности и ресурсоемкости применяемой модели.

– Оптимизация на основе кибернетических моделей (программный комплекс (ПК) ASCMO [6, 7]). Требуется проведение эксперимента на моторном стенде, однако, благодаря планированию эксперимента, возможно существенно сократить количество обмеряемых точек. Не требует глубокого анализа процессов внутри цилиндра, как второй метод.

Задачей данной работы была оценка возможностей воздействия на показатели двигателя КАМАЗ 750 корректировкой законов управления и формирование законов управления для случая ESC цикла [8]. В качестве инструмента использовался ПК ASCMO, разработанный компанией ООО «Роберт Бош» под брендом ETAS.

ASCMO представляет собой ПК, в котором двигатель рассматривается исключительно как объект регулирования и не рассматриваются процессы, происходящие внутри двигателя, поэтому сферой применения данного ПК является оптимизация уже разработанных двигателей под обновленные требования. В процессе работы ПК ASCMO составляет кибернетическую модель по результатам измерений реального двигателя на моторном стенде, затем, исходя из данной модели, программа подбирает требуемые калибровки входных параметров, которые обеспечивают выполнение заданных требований к выходным данным. Входными и выходными данными для модели могут быть абсолютно любые параметры, от количества цилиндров двигателя до угла опережения пилотного впрыска топлива.

Общий алгоритм работы с программой представляет из себя следующую последовательность:

1. Планирование эксперимента.
2. Эксперимент на реальном двигателе.
3. Формирование модели двигателя.
4. Оценка адекватности сформированной модели.
5. Решение требуемой оптимизационной задачи с помощью модели.

После проведения эксперимента на реальном двигателе, с помощью аппроксимации формируется модель двигателя. Данная модель позволяет предсказывать значения выходных параметров (например, количество окислов азота или значение удельного эффективного расхода топлива) в зависимости от значения входных управляющих параметров. С помощью полученной модели возможно провести формальную процедуру оптимизации, определив оптимальные значения управляющих параметров в рамках рассматриваемого диапазона их изменения.

При экспериментальной доводке двигателя на моторном стенде требуется проводить большое количество измерений, что занимает очень много времени. При построении кибернетической модели также необходимо провести ряд измерений для определения влияния управляющих параметров на целевые функции. Для сокращения количества этих измерений в ПК ASCMO используется автоматическое планирование эксперимента. В зависимости от количества входных параметров и требуемой точности модели программа выдает точки измерений для эксперимента. При необходимости, плотность точек можно изменить локально, для увеличения точности в интересующем месте. Для построения плана эксперимента используются последовательности Соболя [9], как наиболее оптимальный метод разбиения, пример такого разбиения показан на рис.1.

Рис. 1. Пример разбиения, основанного на последовательностях Соболя

Построение модели двигателя проводится с помощью метода статистического машинного обучения с использованием гауссовского процесса [10]. Целевая функция аппроксимируется с помощью зависимости (1), в которую входят все точки, полученные в ходе эксперимента на моторном стенде. Данный метод позволяет получить наилучшую сходимость модели с реальным двигателем.

(1)

Где

y — аппроксимируемая функция;

N — число точек для построения аппроксимации;

C_i — коэффициент;

D — размерность факторного пространства;

X_il — координаты точки для построения аппроксимации в факторном пространстве;

x_l — независимый параметр;

r_l — условный радиус базисной функции.

Для решения задач оптимизации в ПК заложен эволюционный алгоритм [11]. Возможно проведение как однокритериальной, так и многокритериальной оптимизации с построением фронта Парето. Данный алгоритм (рис. 2) позволяет решать компромиссные задачи, такие как например Сажа-NOx; результатом его работы является не одно решение, а набор Парето-оптимальных решений: каждое Парето-оптимальное решение лежит на компромиссной кривой или плоскости выбранного выходного параметра. Другими словами, для каждой точки множества Парето дальнейшее улучшение одного из выходных параметров приводит к ухудшению остальных параметров.

В ПК предусмотрено несколько видов оптимизации. Оптимизация может проводится по следующим критериям: минимизация/максимизация одного или нескольких из выходных параметров, оптимизация по верхней/нижней границе параметра, приведение параметра к заданному значению и оптимизация по ездовому циклу.

Также, имеется возможность изменять тип оптимизации: оптимальные параметры для одной рабочей точки (gradientbasedlocal), либо оптимальные карты параметров по всему диапазону значений (gradientbasedglobal).

Рис. 2. Эволюционный алгоритм

В рамках данной работы был исследован двигатель КАМАЗ 750.10–500, основные характеристики которого приведены в таблице 1:

Таблица 1

Основные характеристики двигателя КАМАЗ 750

Двигатель КАМАЗ 750.10–500 Компоновка V-образный Количество цилиндров 8 Объем, л 20 Мощность, л.с. 550 Количество клапанов, кл./цил. 5 Уровень выбросов Euro 5

Целью работы являлась оценка возможностей обеспечения экологических требований Euro 5 путем модифицирования закона управления. Измерительное оборудование, имеющееся на заводе КАМАЗ позволяло проводить фиксацию эмиссии NOx, удельного эффективного расхода топлива, коэффициента светопоглощения отработавших газов (КСОГ) и полной цикловой подачи топлива. Блок управления данного двигателя допускает возможность управления по режимам следующими параметрами: углы опережения основного и пилотного впрысков, давление в топливном рэйле и цикловой подачи пилотного впрыска.

В данной работе был использован стандартный ездовой цикл ESC. С помощью имеющегося в ПК модуля построения плана эксперимента была сформирована последовательность из 256 замеров. Помимо четырех указанных величин, варьировались частота вращения коленчатого вала и крутящий момент двигателя. На рис. 3, 4 и 5 представлен сформированный в программе план эксперимента.

Рис. 3. План эксперимента по крутящему моменту и частоте вращения

Рис. 4. План эксперимента по цикловой подаче и углу опережения пилотного впрыска топлива

Рис. 5. План эксперимента по давлению в топливном рэйле и углу опережения основного впрыска топлива

На рис. 6 представлены примеры выходных параметров, измеренных в результате проведения эксперимента на моторном стенде, а на рис. 7, как результат эксперимента — рабочая зона ПК ASCMO с построенной моделью.

Рис. 6. Полученные на испытательном стенде значения выходных параметров

Рис. 7. Рабочая зона ПК ASCMO

При постановке задачи однокритериальной оптимизации с учетом нескольких целевых функций необходимо задание весовых коэффициентов, обосновать значения которых в общем случае затруднительно. Поэтому представляет интерес решение задачи многокритериальной оптимизации, учитывающей все значимые параметры двигателя. Для этого был построен фронт Парето для трех критериев (рис. 8): удельный эффективный расход топлива, эмиссия NOx и коэффициент светопоглощения. Оптимизация проводилась для средних значений по ездовому циклу. Из графиков видно, что корректировкой закона управления можно варьировать величину удельного эффективного расхода топлива в диапазоне от 202 до 220 г/кВт*ч. При этом сокращения удельного эффективного расхода топлива до величин примерно 210 г/кВт*ч можно добиться при относительно небольшом росте эмиссии оксидов азота, а дальнейшее сокращение расхода топлива приводит уже к значительному росту эмиссии NOх. При этом, дымность отработавших газов коррелирует с расходом топлива почти линейно.

Рис. 8. Фронт Парето для трех критериев оптимизации

Таким образом, в рамках данной работы:

– построена кибернетическая модель двигателя КАМАЗ 750.10–500 в ПК ASCMO;

– с помощью фронта Парето проведена оценка степени воздействия законов управления на показатели двигателя по ездовому циклу;

– установлено, что снижение удельного эффективного расхода топлива ниже 210 г/кВт*ч чревато резким увеличением эмиссии оксидов азота, в связи с чем данную величину следует принять рациональной при оптимизации двигателя на выполнение экологических норм.

Литература:

1. Грехов, Л. В. Обоснование требований к топливоподающей аппаратуре малотоксичных энергоэффективных дизелей / Л. В. Грехов, А. А. Денисов, Е. Е. Старков // Известия волгоградского государственного технического университета. — 2014. — № 18 (145). — С. 7–11.
2. Барченко, Ф. Б. Моделирование рабочего цикла дизеля и теплового состояния деталей камеры сгорания / Ф. Б. Барченко // Известия высших учебных заведений. Машиностроение. — 2011. — № 11. — С. 3–7.
3. Гришин, Ю. А. Расчетное улучшение характеристик впускной клапанной системы поршневого двигателя / Ю. А. Гришин, Р. К. Дорожинский, В. А. Зенкин // Известия высших учебных заведений. Машиностроение. — 2012. — № 6. — С. 52–58.
4. Kuleshov, A. Multidimensional optimization of DI diesel engine process using multi-zone fuel spray combustion model and detailed chemistry NOx formation model. / A. Kuleshov, L. Grekhov // SAE Technical papers — 2013. — Vol. 2. — P. 1–16.
5. AVL Boost [Электронный ресурс]. (https://www.avl.com/boost) Проверено 10.05.16.
6. ETAS ASCMO — Data-based Modeling and Calibration [Электронныйресурс]. (http://www.etas.com/en/products/ascmo.php) Проверено 02.05.16.
7. ASCMO: New Statistical Modeling and Optimization Approaches for Engine Calibration and Development // ETAS GmbH. — 2013. — 101 p.
8. ГОСТ Р 51832–2001 Двигатели внутреннего сгорания с принудительным зажиганием, работающие на бензине, и автотранспортные средства полной массой более 3,5 т, оснащенные этими двигателями. Выбросы вредных веществ. Технические требования и методы испытаний. — Москва: Госстандарт России. — 2001–13 с.
9. Соболь, И. М. Равномерно распределенные последовательности с дополнительным свойством равномерности / И. М. Соболь // Вычислительная математика и математическая физика. — 1976. — том 16, номер 5. — С. 1332–1337.
10. Rasmussen, C. E. Gaussian Processes for Machine Learning / C. E. Rasmussen, C.K. I. Williams // MIT Press. — 2006. — ISBN 026218253X.
11. New Simulation and Automation Solutions for the Optimized Calibration of Complex Electronic Systems // ETAS GmbH. — 2013. — 16 p.