基于模型的电控柴油机自动标定平台的开发*

庄继晖，谢 辉，朱仲文

(天津大学，内燃机燃烧学国家重点实验室，天津 300072)

前言

现代柴油机电控系统中控制参数对各项性能的影响作用是相互耦合的，在柴油机不同的工况运行区域需要合适的控制参数才能获得最佳的动力性、排放性和经济性。传统的标定方法试验工作量大，而且标定的精度和重复性都比较差。基于模型的标定方法是目前研究的热点之一，标定工程师在原先手工标定的基础上，通过对试验数据回归分析，进行拟合建模获得回归模型。通过少量的试验来建立柴油机的状态参数、控制变量和柴油机响应之间的数学模型，从而可在柴油机的整个运行范围内预测不同控制参数作用下柴油机的性能。对每种可行的标定方案进行评价，寻找出最优的标定方式，使柴油机在满足一定限制的条件下达到最高的效率。把数学的优化理论和方法引入柴油机电控系统的参数标定过程，在试验数据拟合模型的基础上进行参数优化的方法就是基于模型的标定方法［1］。这种基于模型的优化标定方法已经得到越来越广泛的应用。

自动化标定系统能将试验过程和优化计算相结合，根据柴油机的优化目标和控制变量的取值范围、约束条件及限制条件等进行试验设计。自动化的试验管理能全程测量和采集数据，经过在线的试验结果评估和控制参数优化，指导下一轮的控制参数调整，整个标定过程自动运行，直到得到最优结果，大大缩短了标定需要的时间周期，并节省了试验经费。目前比较典型的发动机自动优化标定系统有VEGA系统［2］和CAMEO 系统［3］。国内研究有在GD-1 电控柴油机上进行的自动标定系统［4］和针对电控发动机数据匹配提出的自动标定系统的解决办法［5］。

1 分布式平台架构和网络协作机制

自动标定优化平台涉及电控单元通信、试验规划、统计建模和模型优化等众多问题，科学合理的体系结构是平台稳定工作的基础。针对电控发动机标定过程的特点，构建的分布式自动标定平台的总体结构如图1所示，平台采用了C/S结构的分布式网络体系。对不同的功能模块实施了有效的划分，将试验设计及台架管理系统、标定试验管理系统和MAP优化系统部署在不同的计算机中，各系统间通过网络进行公共数据的交换和共享。

试验设计(DOE)的结果直接影响到标定工作量以及发动机建模的精度。DOE根据标定工程师已有的经验和对发动机工作特点的理解，合理设计柴油机运行工况点和各种控制参数的取值范围，通过尽量少的试验次数来获得更多的有效试验数据。

以标定试验数据库为数据源，MAP优化系统通过二阶段建模的方法建立高压共轨柴油机的统计学模型，模型能够正确反映发动机性能响应与控制参数之间的关系。使用遗传算法基于发动机模型求解满足排放限值约束下最优化的控制MAP。最后将生成优化后的控制参数MAP刷写回电控单元中验证优化结果。

2 DOE在自动标定平台中的应用

基于试验样本的统计模型一般采用回归模型，可表示为

式中:X为自变数矩阵(或设计矩阵);β为回归系数向量;Y为观测向量;e为随机误差向量。希望通过试验获得的试验数据建立最准确的式(1)模型，即对β作最准确的估计。

式中:σ2为随机误差e的总体方差，取决于试验设备的精度，一般作为常数处理。而矩阵M=XTX包含了试验点和统计模型的信息，受人的选择控制。

通过试验设计可以确定X。从式(2)可以看出，回归系数的方差等于常数σ2乘以(XTX)-1。因此改变试验处理就会改变X，从而影响。试验设计的精度越高，值越小。X在试验之前，即在试验设计好后就已确定，可以对试验设计的效果进行比较和评估［6-7］。

D值、V值、A值的定义式分别为

由式(3)～式(5)可知，增大XTX值，可以减小，从而增大D值、减小V值和A值，使得样本点分布的均匀性和合理性更好［8］。

试验样本的确定是DOE的核心内容，Matlab的MBC工具箱中提供了多种试验设计方法，如经典设计、空间填充设计和优化设计等。本文中分别比较了MBC中的空间填充法、D-optimal设计和V-optimal设计的效果。选取65个工况点进行试验，图2～图4分别为空间填充D-optimal和V-optimal试验设计方案的试验点分布。表1为试验设计结果评价参数D、V、A值的比较。由表可见，V-optimal设计方案虽然在体现设计方案相对误差能力的D值方面比D-optimal略小，但从体现设计方案预测误差能力的V值和A值都要优于D-optimal。总体而言，V-optimal设计要优于D-optimal设计，更适合于对发动机本身的知识和特性已具有一定了解的情况下使用;而空间填充法则比较适合在对发动机认知较少的情况下，对发动机整个工作空间进行考虑和设计。因此，本文中采用V-optimal方法，更符合发动机统计建模特点，有利于提高模型精度。

表1 试验设计结果评价参数

3 基于ASAP的自动标定系统实现

自动标定系统软件框架符合ASAP标准，采用分层式结构设计思想，主要包括了标定层、诊断层、测量层、数据管理层、协议解释层和数据通信层，见图5。各层之间通过数据进行耦合联系，保持了相对的功能和结构的独立性，整个架构具有充分的灵活性和可扩展性。

数据管理层负责管理和维护A2L描述文件和HEX数据文件等重要存储文件。A2L描述文件符合ASAP2规范，采用类似于XML语言的格式对ECU中的变量进行了详细描述，包括监控变量、标定变量和存储结构等，标定系统通过描述结构获得相关变量在ECU中的存储位置进行操作，实现标定系统独立于ECU。

协议解释层将应用层的操作转换为相应的关键字命令和解释ECU返回的关键字响应。标定系统进行通信协议关键字命令的发送后等待ECU返回响应数据，根据ECU的响应数据对标定系统的状态机进行状态更新和维护。

本文中开发的自动标定系统兼容KWP2000及CCP协议，实现了包括诊断管理功能、数据传输功能、输入/输出控制功能组、ECU函数远程启动功能组和数据上载/下载功能组在内的KWP2000协议子集。发动机ECU标定系统已经成功应用于多种不同型号的柴油机电控系统。

4 发动机模型的建立和13工况下的MAP全局优化

以自动标定试验采集数据为基础，采用Matlab的二阶段方法进行响应模型构建。二阶响应模型中以转速n、主喷油量Δg、主喷油提前角θj和共轨压力p为模型输入，通过模型运算后获得有效燃油消耗率be、氮氧化物NOx、烟度PM、转矩Te和排温 tr等数据作为模型输出。二阶段模型中包括局部建模和全局建模，在组内建立因变量与自变量之间函数关系的过程称为局部建模。根据设计经验一般使用二次多项式即可满足建模精度要求，其函数表达式为

式中 β1、β2、β3为回归系数。

对试验数据进行二次多项式拟合，即有多组回归系数，而且每组回归系数与全局变量相关，即局部模型的回归系数是全局变量的函数，求解此函数关系的过程即称为全局建模过程。由于全局变量和局部模型的回归系数之间存在比较复杂的耦合和非线性关系，因此须采用神经网络等方法进行求解才得到比较准确的结果。本文中选用RBF建立神经网络模型得到全局变量转速、主喷油量和共轨压力与局部模型二次多项式回归系数之间的关系式为

根据以上回归关系式和局部模型构成的二阶段模型就可预测在任意给定的转速、主喷提前角、主喷油量和共轨压力下高压共轨柴油机的转矩、有效燃油消耗率、PM、NOx和排温等输出，进而寻求在不同控制参数下该发动机所能达到的最优化结果。

式中yRBF为神经网络输出。

高压共轨柴油机二阶段响应模型的总体精度如表2所示，文中建立的发动机性能响应模型的局部RMSE及二阶RMSE值都处于较低水平，表明各响应模型具有较好的局部数据拟合以及全局数据拟合能力，总体精度较好，能够为基于模型的发动机性能优化工作提供很好的基础。

表2 高压共轨柴油机各响应模型的RMSE值

高压共轨柴油机13工况下的喷油量、轨压和喷油提前角的优化属于单目标，多约束的全局优化问题，即对多个指定工况点综合起来对发动机进行控制参数的优化。遗传算法［9］是解决全局优化问题的可行方案之一，本文中通过遗传算法进行13工况下各控制参数的寻优。全局约束，排放的不等式约束定义如下:

局部约束，只考虑了排温不等式约束，即在各个运行工况下，高压共轨柴油机的排温都必须小于排温限值，即

式中:θji为第i个工况下的喷油提前角，Δgi为第i个工况下的喷油量，pi为第i个工况下的喷油压力，ti为第i个工况点下的排气温度，ωi为第i个工况点的权重，NOxlimit为 NOx排放限值，PMlimit为 PM 排放限值，trlimit为最高排温限值。

算法经过50代进化，优化前后共轨压力、主喷油提前角和主喷油量的比较如图6～图8所示。共轨压力优化后在原来轨压的水平上有所增加，特别是在大负荷的工况点增加幅度较大。图7表明，优化前后的主喷提前角的变化较大，在大负荷工况点使用较小的主喷提前角以减小排放，在部分负荷工况点适度增大主喷提前角以减小燃油消耗率。而主喷油量在优化前后的变化较小，可见在高压共轨柴油机的13工况的优化中主喷油提前角和共轨压力对经济性能和排放性能影响最大，应给予充分考虑。

应用该平台在WP10高压共轨柴油机上进行了13工况下的喷油提前角、共轨压力和喷油量的自动标定及优化试验。相比于常规13工况下的优化标定，需要在每个工况点调整不同的轨压和喷油提前角，各以8个参考值组合试验，总的试验次数为13×8×8=832。而DOE规划后的试验次数为65+30(验证点)=95，通过95次试验数据就可建模求解优化后的控制参数，大大降低了试验次数和工作量。使用优化后的主喷油提前角、主喷油量和共轨压力控制参数进行实机测试。试验结果表明:经过优化，在满足原机排放标准的条件下，燃油消耗率从221减少到214g/(kW·h)，与发动机模型预测的燃油消耗率208g/(kW·h)误差不大，说明基于该发动机模型的遗传算法进行全局优化的方法是有效可行的。

5 结论

本文中提出并实现了一种基于模型的电控发动机自动标定平台，平台的各子系统采用分布式网络协作机制，适用性强，便于扩展。平台通过使用自动化的标定和试验数据采集提高了试验效率，最后经过发动机建模和优化获得最优控制MAP，完成了整个标定试验过程的自动化管理。在高压共轨柴油机中的实际应用表明了该标定系统能够很好满足高压共轨柴油机标定方法研究的需要。

［1］刘福水，仇滔，刘兴华，等.基于模型的电控柴油机标定技术［J］.车用发动机，2005(6):1-4.

［2］李国岫，李彩芬.发动机电控系统自动优化标定的研究进展［J］.小型内燃机与摩托车，2005(3):12-15.

［3］Hanings S N M，et al.The Application of an Automatic Calibration Optimization Tool to Direct-injection Diesels［G］.AVL ECU and Calibration Technology，2001.

［4］王俊席，杨林，唐航波，等.GD-1电控柴油机自动标定系统的研发［J］.车用发动机，2004(4):28-31.

［5］颜伏伍，任明，邹斌，等.电控发动机自动标定系统设计［J］.武汉理工大学学报，2004(4):36-39.

［6］Habchi C，Verhoeven D，Huynh Huu C，et al.Modeling Atomization and Break-up in High Pressure Diesel Sprays［C］.SAE Paper 970881.

［7］刘丽华，郭德金.试验前对试验设计的评价(上)［J］.安徽农业科学，2006(6):1045-1046.

［8］倪计民，杜倩颖，等.DOE在高压共轨柴油机优化设计中的应用［J］.内燃机学报，2009，27(3):231-236.

［9］廖仕利，陈渝光，等.基于遗传算法的发动机自寻优模糊控制［J］.重庆大学学报(自然科学版)，2005(5):76-79.