船用中速柴油机预测模型的自动标定与优化.pdf

第 45 卷（2023）第 3 期Vol.45（2023）No.3柴油机Diesel EngineDOI：10.12374/j.issn.1001-4357.2023.03.003船用中速柴油机预测模型的自动标定与优化刘岱1，李玉超1，刘龙1，马修真1，桂勇2，夏倩2（1.哈尔滨工程大学动力与能源工程学院，哈尔滨 150001；2.中船动力研究院有限公司，上海 200120）摘要：为解决柴油机预测模型参数过多导致的标定困难问题，采用遗传基因算法对搭建的船用中速机DIjet预测燃烧模型进行智能标定。借助最大缸内压力以及对应的曲轴转角快速完成缸压曲线标定，相较于传统手动标定，标定时间可缩短到几十分之一。在进行柴油机整体功率验证后，对NOx排放进行标定，形成一套简便可行的智能标定流程。在完成标定的模型上进行NOx排放及有效燃油消耗率（brake specific fuel consumption，BSFC）优化，在考虑两者不同权重系数的情况下得到更优的帕累托前沿面。关键词：中速柴油机；预测模型；遗传基因算法；自动标定；智能优化中图分类号：TK422文献标志码：A文章编号：1001-4357（2023）03-0014-06Automatic Calibration and Optimization of Predictive Model for Marine Medium Speed Diesel EngineLIU Dai1，LI Yuchao1，LIU Long1，MA Xiuzhen1，GUI Yong2，XIA Qian2（1.College of Power and Energy Engineering，Harbin Engineering University，Harbin 150001，China；2.China Shipbuilding Industry Power Engineering Institute Co.，Ltd.，Shanghai 200120，China）Abstract：In order to solve the calibration difficulties caused by excessive parameters in the diesel engine prediction model，a genetic algorithm was used to intelligently calibrate the combustion prediction model DIjet for a marine medium speed engine.By utilizing the maximum cylinder pressure and corresponding crankshaft angle，the cylinder pressure curve calibration was quickly completed，which reduced the calibration time to the several tenth of its original time compared to traditional manual calibration.After verifying the overall power of the diesel engine，the NOx emissions was calibrated to form a simple and feasible intelligent calibration process.The NOx and brake specific fuel consumption（BSFC）was optimized on the calibrated model，and a better Pareto front surface considering the different weight coefficients of the two was obtained.Key words：medium speed diesel engine；prediction model；genetic algorithm；automatic calibration；intelligent optimization0引言柴油机因输出转矩大、热效率高、经济性好、工作可靠等特点，广泛用于船舶动力系统。国际海 事 组 织（International Maritime Organization，IMO）于2016年制定严格降低NOx等污染物的Tier 排放指标1。Tier 标准将NOx排放指标限制在3.4 g/（kWh）以内，与原Tier 标准相比，船舶柴油机的NOx排放限值降低约79%。2020年9月，习近平主席在第七十五届联合国大会上郑重宣布：2022年内燃动力碳中和与排放控制学术年会绿色船舶动力系统分会场专栏收稿日期：2022-09-23基金项目：科技部国家重点研发计划“船用柴油机可控燃烧技术研究”（2017YFE0116400）2023 年 5 月 15 刘岱等：船用中速柴油机预测模型的自动标定与优化中国将提高国家自主贡献力度，二氧化碳排放力争于2030年前达到峰值，争取2060年前实现碳中和。严格的排放法规与国家发展战略推动船舶柴油机向着高效率、低排放的方向发展2。在这种形势下，柴油机研发人员开展基于仿真模型的智能化优化研究3-5。对柴油机进行仿真时，使用较多的燃烧模型是Wiebe模型6，该模型能够较好地拟合燃烧曲线，但是需要收集较多的数据。船用柴油机的试验成本较高、试验数据较少，所以在对船用柴油机进行仿真时，多使用 DIjet 预测模型7-9，通过现象学建模方法对燃烧的各个过程（喷雾、破碎、混合、着火滞燃期、燃烧速度、排放计算等）建模与拟合，能在数据较少的情况下得到更好的效果。该模型须对较多参数进行标定，即使是经验丰富的专家也须花费大量的时间。本文使用一种遗传算法对模型进行燃烧与NOx排放标定，然后在标定好的模型上借助遗传算法对有效燃油消耗率和 NOx排放进行优化，形成简便、快捷的智能标定与优化流程。通常采用手动法仅对燃烧过程进行标定就须耗时1个月以上，而采用本文的方法，燃烧与NOx排放的整体标定时间可缩短至2天。因此，该方法具有较大的优势。1模型介绍本文的研究对象是320中速柴油机，表1为发动机的主要参数。在 GT-POWER 软件中建立发动机模型，考虑到标定与优化须进行大量的重复运算，为减少模型的复杂程度，缩短运算时间，在标定时仅建立单气缸模型，见图1。该模型采用软件自带的DIjet燃烧模型对柴油燃烧过程进行仿真，通过输入喷油压力曲线计算喷射速率、平均液滴直径等，模拟液滴蒸发、着火延迟等过程，从而得到燃烧放热曲线，用于预测缸压与NOx排放。具体过程如下。（1）贯穿距贯穿距是喷油器的一个十分重要的参数，该参数对喷入气缸中燃料的分布区域有很大的影响。通常为了避免类似“火包油”现象的发生，对该参数有一定的要求：Sp=Uitbr(tbrt)0.5-0.06（1）式中：Sp为贯穿距；tbr为破碎时间；Ui为初始燃油喷射速度；t为时间。涡流会影响贯穿距离，影响关系为：Ss=S()1+RsnSUi（2）式中：n为发动机转速；S为涡流前贯穿距离；Ss为实际贯穿距离；Rs为涡流比。（2）破碎在破碎之前，燃料以喷射柱的形式存在，随后燃料分解成许多小液滴。燃油的破碎/雾化对燃烧放热规律和着火点位置等参数均有重要影响。tbr=0.29(3+LnDn)(fuelair)(DnUi)Kbr（3）式中：tbr为燃料的破碎时间；Dn为喷油器的喷孔直径；Ln为喷油器的喷孔长度；Kbr为破碎时间乘数；x为流体密度。（3）空气卷吸随着射流的运动，气缸中的每一个区域都会卷吸气缸新吸入的空气以及上个循环未排除的残余气体。ma=mf UidSsdt-1 f(EGR，qm)（4）式中：ma和mf分别为卷吸量和区域中燃油的质量；dSsdt为贯穿速率；EGR为燃烧废气的体积分数；qm为喷油的质量流量。每个子区域的空气卷吸率为：dma，xdt=Cxdmadt（5）根据情况的不同，空气卷吸率dma，xdt 也会随之变化。在子区域的点火点之前，Cx表示燃烧前的表1发动机主要参数项目缸径/mm冲程/mm连杆长度/mm排量/L压缩比进气阀直径/mm排气阀直径/mm参数32042095033.81393.389.1图1GT-POWER发动机模型第 45 卷第 3 期 16 柴 油 机卷吸率；在子区域开始燃烧后，Cx表示开始燃烧后的卷吸率；在燃油喷射射流撞击气缸顶部后；Cx表示撞击后的卷吸率。（4）点火延迟点火延迟对整个燃烧过程乃至柴油机的功率和指示燃油消耗率都有着十分重要的影响，该值的大小会影响可燃混合气的形成数量和质量。每个未燃烧子区域的点火延迟是单独计算的。I=1dt（6）=C1()3-2pC2eC4T1.210-6f()f，C8，3.0，3.0（7）式中：C1为点火延迟乘数；C2为压力延迟系数；C4为活化温度延迟；C8为稀释效应乘数；f为所有不是O2、N2或燃料工质的质量分数；I为点火积分；为等效比；为点火时间常数；p为压力。（5）燃烧燃烧是影响柴油机动力性、经济性和排放特性的关键因素。该燃烧模型可以处理混合燃烧以及有动力学限制的燃烧，该模型燃用未燃烧放热分区中的变成蒸气的燃料或动力学限制量中的较小量的燃料。在任何情况下，燃烧区的燃料和适量的空气都是从未燃烧区转移过去的。在燃烧结束后，由于子区域的物质被氧化、区域中卷吸的空气被稀释，燃料的能量可能会继续释放。dmkdt=()3-2p2.5e-4 000T 3.0 （8）式中：dmkdt为有限燃烧动力学燃烧速率；为燃烧率乘数；p为压力；T为子区域的温度。2方法介绍使用遗传算法对发动机模型进行自动标定和优化，标定的数据来源于试验得到的缸压等性能与排放数据。借助GT-POWER软件中自带的优化工具能够方便地使用遗传算法以及其他的一些优化方法进行优化。2.1遗传算法遗传算法10是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴达尔文的进化论和孟德尔的遗传学说，其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识。图2是遗传算法流程图。在遗传算法运算的过程中，首先生成初始化种群，种群的规模由前面设置的N来确定。生成种群后，将对所有个体进行适应度计算，然后依概率进行选择，留下适应度较高的个体进行交叉、变异，产生下一代种群，同时保留适应度最高的个体，之后重新对新产生的种群进行适应度的计算与比较，直到算法满足终止条件。对于发动机的标定，适应度函数是模型运算值与试验测量值的差值。在使用遗传算法进行求解时，根据所需求解自变量数目的不同，推荐设置的种群规模也不同，表2是根据自变量数目推荐的种群规模。2.2适应度函数直接借助 GT-POWER 软件中的遗传算法模块将模型输出的参数与试验得到的参数组合成适应度函数，并进行迭代计算。在对缸压曲线标定时使用的适应度函数如下：F(x)=|Pmaxm-Pmaxe|+|Cm-Ce|（9）式中：F（x）为适应度；Pmaxm为模型运算得到的缸内最大压力；Pmaxe为试验数据的缸内最大压力，Cm为最大压力对应的曲轴转角；Ce为试验得到的最大压力对应的曲轴转角。在对缸压曲线进行标定时，准确的边界条件通常可以保证压缩曲线的准确性。由于对燃烧的情况进行标定分析比较困难，使用最大缸压以及最大缸压对应的曲轴转角作为评价燃烧曲线的标准进行自动标定。这两个图2遗传算法流程示意图表2不同变量的推荐种群规模项目变量数种群规模参数3104165206267308409502023 年 5 月 17 刘岱等：船用中速柴油机预测模型的自动标定与优化参数在实际的缸压曲线以及模型运算的缸压曲线中均较易获取。完成缸压曲线的标定后，对 NOx排放进行标定，使用的适应度函数为：F(x)=|GNOxe-GNOxm|（10）式中：GNOxe为试验中柴油机的NOx排放；GNOxm为模型输出的NOx排放。对NOx进行标定的同时对多个工况进行标定。在进行模型标定时，所有工况应使用同样的标定参数，以确保燃烧模型能够较好地预测柴油机全工况运行情况。在对多个工况进行标定时，将不同工况的适应度函数进行加权求和，得到一个整体的适应度值并对其进行优化。整体的适应度值计算公式为：F(x)m=iF(x)i（11）式中：i为不同工况的权重；F(x)i为在不同工况下得到的适应度值。对100%、75%和50%负荷等3个工况进行标定。考虑到在实际使用中以100%和75%负荷工况居多，所以将100%、75%和50%负荷工况的权重分别设置为3、3、2。完成柴油机的标定后，继续进行柴油机的智能优化计算，以降低有效燃油消耗率（brake specific fuel consumption，BSFC）与NOx排放。通过对NOx排放与BSFC的权重设置，得到不同的优化效果，使用的适应度函数为：F(x)=1Bfuel+2BNOx（12）式中：1、2为两个参数的权重；Bfuel为模型输出的油耗；BNOx为模型输出的NOx排放。3标定基于上述的模型与算法，结合适应度函数的设置，首先进行燃烧模型的标定，使整体缸压曲线及功率与试验数据相符，再进行NOx标定。3.1燃烧模型标定在使用遗传算法对燃烧模型进行标定时，选择5个影响较大的变量作为自变量，其他影响较小的变量设定为默认值，对应的种群数设置为 20。表 3为所选择的作为变量的参数以及最优解。其中，IDM表示点火延迟乘数，影响燃烧模型的点火延迟；EMBC表示燃烧前的空气卷吸乘数，影响燃烧开始之前的燃料与空气的混合情况；EMAC表示燃烧后的空气卷吸乘数，影响燃烧开始后的燃烧反应速率；BTM表示破碎时间乘数，影响喷雾的破碎时间进而影响后续的燃料与空气的混合情况。DDM表示液滴阻力乘数，决定喷雾的贯穿距。自动标定后的缸压与试验缸压如图 3 所示。从图 3 可以看出：在智能标定后各工况下的缸压曲线都处在试验缸压曲线的范围之内。表3标定燃烧模型选择的变量以及最优解变量名IDMEMBCEMACBTMDDM范围0.110.00.110.00.110.00.110.00.110.0最优解0.21.10.40.80.8图3自动标定后的缸压与试验缸压第 45 卷第 3 期 18 柴 油 机相对于手动标定，自动标定的结果处在误差带范围内的部分更多，有较好的预测准确性。对缸压曲线的智能标定总耗时10 h，与手动标定需要的4周相比，智能标定可大大减少标定时间，且准确性增加。在完成缸压曲线的拟合后，对发动机的功率与油耗进行验证，表4为发动机功率与油耗的试验值与仿真值对比。从表4可以看出，仿真结果误差在5%以内。3.2NOx排放标定在验证完模型的缸压、功率以及油耗后，对NOx排放模型进行标定。排放模型使用经典的Zeldovich 机理，该模型对当量比和温度非常敏感。在对 NOx排放进行标定时，使用的适应度函数为公式（10），选择的自变量一共有 5 个。表 5 为选取的自变量范围以及得到的最优解。其中，NOCM表示 NOx校准乘数，NAEM表示 N2氧化乘数，NORM表示 N 氧化乘数，NOAEM表示 N 氧化活化能乘数，SBZA表示 OH 还原率乘数。表6为NOx排放试验值与仿真值对比。虽然在75%负荷工况下误差稍大，超过5%，但在其他工况下的误差不超过1%，其结果可以接受，能够满足后续优化的需要。对 NOx排放的智能标定耗时10 h。4基于模型的智能优化使用智能算法进行优化是较常用的对模型进行优化的方式11-13。针对标定好的模型，使用遗传算法对BSFC和NOx排放进行优化，目标是寻找BSFC和NOx排放都更低的工作状态。在进行优化时，所选择的优化参数以及所对应的寻优范围如表 7所示。优化参数主要包括：喷油时刻（tTIM）、排气阀开启时刻（tCTAC）、进气阀开启时刻（tCTAIN）、排气阀在最大升程处的额外停留时间（tDaML）。优化函数为公式（12）。优化后各工况与原模型工况对比如图 4 所示。对于柴油机来说，BSFC 和 NOx排放处于一个此消彼长的关系，二者共同构成优化目标的帕累托前沿面。从图 4可以看到，经优化后，在各工况下都形成了更靠前的 NOx-BSFC 前沿面，寻找到 NOx排放和 BSFC 同时降低的区域，达到模型智能优化的目标，能够为后续的研究提供一定的帮助。表5选取的自变量范围以及得到的最优解名称NOCMNAEMNORMNOAEMSBZA范围0.110.00.111.00.112.00.113.00.114.0最优解3.861.165.848.384.76表4发动机功率与油耗的试验值与仿真值对比项目负荷/%功率试验值/kW功率仿真值/kW功率误差/%油耗试验值/（gkW-1h-1）油耗仿真值/（gkW-1h-1）油耗误差/%参数100408.3411.80.9202.3200.21.075307.0300.72.1197.8197.60.150207.7199.44.0194.1201.63.9表6NOx排放试验值与仿真值对比项目负荷/%NOx排放试验值/（gkW-1h-1）NOx排放仿真值/（gkW-1h-1）NOx排放误差/%参数1007.997.920.9758.368.855.9508.548.540表7优化变量及寻优范围变量名tTIMtCTACtCTAINtDaML寻优范围-1201301603003400.120.02023 年 5 月 19 刘岱等：船用中速柴油机预测模型的自动标定与优化5结论（1）采用遗传算法对燃烧模型进行标定，借助最大缸内压力以及对应的曲轴转角快速完成缸压曲线标定，相较于传统手动标定，标定时间可缩到几十分之一。经柴油机功率和油耗验证，仿真结果误差在5%以内。（2）采用遗传算法对NOx排放进行标定，标定结果与试验值比较，误差可以接受，满足后续优化要求。（3）采用遗传算法对BSFC和NOx排放进行优化后，在各工况下都形成了更靠前的NOx-BSFC前沿面，并寻找到NOx和BSFC同时降低的区域。参考文献1 吴哲，陈永艳，曹林.船用柴油机应对IMO Tier 排放法规的路线选择J.船舶工程，2015，37（8）：25-29.2 International Energy Agency.Global energy review：CO2 emissions in 2021R/OL.（2022-03-08）2022-07-20.https：/www.iea.org/reports/global-energy-review-co2-emissions-in-2021-2.3 CHEN X，LIU L，DU J，et al.Intelligent optimization based on a virtual marine diesel engine using GA-ICSO hybrid algorithmJ.Machines，2022，10（4）：227.DOI：10.3390/machines10040227.4 彭陈.船舶智能柴油机电控技术分析与优化 J.广州航海学院学报，2020，28（2）：28-30.5 蔡一杰，陈俊杰，王君，等.基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法J.内燃机工程，2022，43（2）：71-76，84.6 GHOJEL J.Review of the development and applications of the Wiebe function：a tribute to the contribution of Ivan Wiebe to engine research J .International Journal of Engine Research，2010，11（4）：297-312.DOI：10.1243/14680874JER06510.7 MENG X，JIANG Z，WANG X，et al.Quasi-dimensional multizone combustion model for direct injection engines fuelled with dimethyl ether J.Journal of Automobile Engineering，2004，218（3）：315-322.DOI：10.1243/095440704322955830.8 RAKOPOULOS C D，RAKOPOULOS D C，GIAKOUMIS E G，et al.Validation and sensitivity analysis of a two zone diesel engine model for combustion and emissions predictionJ.Energy Conversion and Management，2004，45（9/10）：1471-1495.DOI：10.1016/j.enconman.2003.09.012.9 RAKOPOULOS C D，RAKOPOULOS D C，KYRITSIS D C.Development and validation of a comprehensive two-zone model for combustion and emissions formation in a DI diesel engineJ.International Journal of Energy Research，2003，27（14）：1221-1249.DOI：10.1002/er.939.10WEGELE S，SCHNIEDER E，CHOUIKHA M.Automatic design of controllers for hybrid systems using genetic algorithmsJ.Modelling，Analysis，and Design of Hybrid Systems，2002，279：285-294.11LEE S，TANAKA D，KUSAKA J，et al.Effects of diesel fuel characteristics on spray and combustion in a diesel engineJ.JSAE Review，2002，23（4）：407-414.DOI：10.1016/S0389-4304（02）00221-7.12KIDOGUCHI Y，SANDA M，MIWA K.Experimental and theoretical optimization of combustion chamber and fuel distribution for the low emission direct-injection diesel engine J .Journal of Engineering for Gas Turbines and Power-Transactions of the Asme，2003，125（1）：351-357.DOI：10.1115/1.1501077.13ISERMANN R，HAFNER M.Mechatronic combustion engines：from modeling to optimal controlJ.European Journal of Control，2001，7（2/3）：220-247.DOI：10.1016/S0947-3580（01）71149-1.图4在各负荷工况下模型优化前后性能对比