基于AMESim和LS-SVM的高壓共軌系統建模與仿真

摘 要：為了提高高壓共軌壓力預測模型的精確性，采用AMESim軟件建立了柴油機高壓共軌仿真模型.利用灰色關聯分析方法對共軌壓力影響因素進行理論分析計算，并確定了高壓共軌壓力預測模型的輸入輸出變量；然后利用最小二乘支持向量機對共軌壓力與主要的影響因素之間的數值關系進行了智能擬合，并利用自適應粒子群算法優化了最小二乘支持向量機的初始參數.通過20個預測樣本的檢測，最小二乘支持向量機模型的最大預測誤差為0.079 1，平均相對誤差降至0.039 6，其性能明顯優于BP神經網絡.

關鍵詞：高壓共軌；最小二乘支持向量機；灰色關聯分析；粒子群優化算法

中圖分類號：TK4 文獻標識碼：A

Study of the Modeling and Simulation of High Pressure Common Rail Based on LS-SVM and AMESim

DENG Yuan-wang， YUAN Ye ， ZHOU Fei， CHEN Ke-liang

(College of Mechanical and Vehicle Engineering， Hunan Univ， Changsha， Hunan 410082， China)

Abstract:To increase the precision of high pressure common rail forecast model， the modeling of high pressure common rail diesel engine based on AMESim was introduced. On this basis， grey relational theoretical analysis was used to analyze the multi-parameter system and calculation to determine the input and output variables of the predictive model. Adaptive weighted Particle Swarm Optimization algorithm was applied to the optimization of initial parameters of least square support vector machine. Through the examination of 20 forecasting samples， the maximal error of the forecast model is 0.079 1， and the average relative error is reduced to 0.039 6 by the least square support vector machine， which is far superior to commonly used empirical formula and neural network.

Key words: common rail; the least square support vector machine; grey relational analysis; particle swarm optimization

柴油機高壓共軌噴射系統是一個復雜的、非線性的、時變的系統，其過程參數隨工況不斷變化，建立柴油機高壓共軌系統模型是對其進行控制和優化的前提，國內外在這方面進行了大量的研究[1-2].用傳統建模方法建立整個系統的數學模型時，包含的數學方程多，求解難度大，計算結果的準確度也不高[3]，因此需要進一步完善共軌系統仿真模型.

基于神經網絡的非機理建模方法用于建立柴油機高壓共軌系統模型，也取得了較好的結果，但該方法是基于大樣本數據條件下獲得的，需要大量的實驗數據，同時該方法在處理隨機性和時變特性方面的效果并不理想[4-5].支持向量機方法與神經網絡方法都能對復雜的非線性系統進行擬合，但在針對小樣本的泛化能力方面，支持向量機方法明顯優于神經網絡方法.目前支持向量機已廣泛應用于模式識別與時間序列預測中［6］，取得了很好的效果.

本文通過對柴油機高壓共軌噴射系統結構和工作過程的分析，在AMESim仿真軟件中建立包括高壓油泵、共軌管部件和共軌噴油器在內的共軌系統模型，研究各參數對共軌壓力的影響.并用灰色關聯分析數據確定出共軌模型的輸入參數，再用最小二乘支持向量機(LS-SVM)對高壓共軌系統進行擬合，根據仿真軟件所得的樣本數據訓練該模型，并與BP神經網絡擬合進行性能對比，驗證高壓共軌模型的精確性.

1 基于AMESim的高壓共軌系統模型

高壓共軌系統由燃油低壓子系統、共軌壓力控制子系統、燃油噴射控制子系統、電控發動機管理系統組成.低壓油從油箱進入三柱塞高壓泵產生高壓油，經高壓油管進入共軌管(Rail)，分配到噴油器入口端，通過控制噴油器電磁閥控制噴油.當共軌壓力超過一定數值時，限壓閥(Flow Limiter)開啟進行卸壓.本文利用AMESim軟件的發動機仿真平臺IFP-Engine，建立了四缸直噴柴油機仿真模型.

1) 將現實的物理模型加以抽象，轉化為AMESim軟件中的各個模塊.

高壓油泵(Supply pump)部分包括：凸輪模塊、柱塞模塊、出油閥模塊、PCV模塊、回油閥模塊.

共軌(Rail)部分包括：共軌容積模塊、共軌各部分相對位置.

噴油器(Injector)部分包括：電磁閥驅動力模塊、球閥腔模塊、進(回)油孔、控制腔模塊、控制活塞、頂針、針閥體、噴嘴內油管、控制腔、盛油槽、壓力室容積、噴油嘴、噴孔數目及直徑、回位彈簧的剛度及預緊力、針閥的泄露、回油壓力.

2)在AMESim中將這些子模塊按共軌系統的結構連接起來，組成后的高壓共軌系統模型，如圖1所示.為了便于觀察，圖中高壓油泵、調壓閥、限壓閥和噴油器均為封裝后的超級元件.

在AMESim軟件中建好模型后，根據高壓共軌臺架結構參數及其試驗條件設定共軌系統模型參數，選取的共軌系統參數為壓力控制閥開啟角(PCV_ON)、泵油量(Vp)、噴油器電磁閥信號(TWV)、共軌容積(Vr)和柱塞泵轉速(Rp)、共軌壓力(Pr)，見表1.再利用軟件中的批運行功能研究了不同參數下共軌管壓力的建立過程，并進行模型驗證.仿真與試驗結果如圖2所示.

由圖中可以看出，該仿真模型的仿真結果與試驗結果具有一致的趨勢，能很好地跟蹤共軌壓力的實際情況.建立的基于AMESim的高壓共軌系統仿真模型準確，基本上可以對系統進行仿真研究.

2 基于灰色關聯分析方法的模型輸入參數

灰色關聯分析是灰色系統理論的一個重要組成部分，它通過計算關聯因素變量的數據序列和系統特征變量數據序列的灰色關聯度，進行大小排序確定事物之間的關聯度強弱［7-8］.本文采用灰色關聯分析方法計算影響共軌壓力各因素的關聯度大小，以此來確定共軌模型的輸入參數.

2.1 確定參考數列與比較數列

為了對參評對象數據序列進行評價，首先要確定評價參考數據序列與比較數據序列.本文將共軌壓力作為參考數列，記為x0(k)；把壓力控制閥開啟角、泵油量、共軌容積、油泵轉速、噴油器電磁閥信號作為比較數列，記為xi(k)(i=1， 2， …， 5；k=1， 2， …， 10).

2.2 原始數據的規范化處理

鑒于原始數據(見表1)中各計量單位各不相同，需將原始數據進行無量綱化處理，即指標區間化和歸一化處理：

Xi(k)=xi(1)xi(k)，(1)

i=1， 2， …，5；k=1， 2， …， 10.

2.3 計算關聯系數

對應于一個參考數據序列，有若干個比較數據序列，則第i個比較數據序列與參考數據序列在對應的第k個指標的相對差即為關聯系數.利用式(2)計算出每個時刻點上參考數列與5個比較數列差的絕對值：

Δi(k)=X0k－Xi(k)，

i=1，2，…，5;k=1，2，…，10. (2)

根據式(2)計算出的結果計算參考數列與各比較數列的關聯系數：

ξik=Δ(min )+ρΔ(max )Δik+ρΔ(max ). (3)

式中: Δ(min )， Δ(max )分別表示所有比較序列各個時刻絕對差中的最大值與最小值；ρ為分辨系數，一般取0.5.計算結果見表2.

2.4 計算灰色關聯度

關聯度由關聯系數的平均值求出：

ri=1n∑nk=1ξik. (4)

由式(4)計算可得：r1=7.298，r2=7.133，r3=4.988，r4=4.943，r5=8.437.根據結果r5＞r1＞r2＞r3＞r4可知，壓力控制閥開啟角、高速柱塞泵轉速、油量的關聯度大于共軌容積和噴油器電磁閥信號.因此選取前3個參數作為共軌壓力仿真模型的輸入參數.

3 最小二乘支持向量機及自適應權重粒子

群優化方法

3.1 最小二乘支持向量機(LS-SVM)

根據支持向量機理論，對于所給的非線性樣本(x1，y1)，(x2，y2)，…，(xk，yk)(k=1， 2， …，N) (xk為輸入數據，yk為輸出數據)的擬合問題可以轉化為對式(5)的求解：

min w，b，eJw，e=wTw/2+γ∑Nk=1e2k/2，γ>0，

s.t.yk=wT#8226;φxk+b+ek，k=1，…，N.(5)

依據最小二乘理論，將式(5)轉化為如下矩陣方程：

ba=0Al

IΩ+γ－1I－10y.(6)

式中：y={y1， y2， …， yl}T；Al={1， 1， …， 1}；a={a1，a2，…，al}T；I為單位矩陣；Ω=φ(x)Tφ(xk)=K(x，xk)，K(x，xk)為核函數.

K(x，xk)=φ(x)Tφ(xk). (7)

本文采用高斯徑向基函數(RBF)作為核函數.式(6)為一線性方程組，可用最小二乘法求解得出a，b的值，最后代入式(8)可得到在輸入空間中所用的非線性分類決策函數：

f(x)=∑Nk=1αkkx，xk+b.(8)

將最小二乘支持向量機用于共軌壓力仿真，從AMESim所得數據中隨機選取100個訓練樣本，則式(8)中的N = 80，輸入為3維向量：{PCV_ON，高壓油泵油量，轉速}，輸出向量為共軌壓力.

在LS-SVM方法中，可調正規化參數γ和核參數σ作為一個整體來使用，并且直接決定著LS-SVM的訓練和泛化性能.本文利用具有快速全局優化特點的改進后的自適應權重粒子群(SA-PSO)方法[9]確定γ和σ的值.

3.2 自適應權重粒子群優化算法(SA-PSO)

在粒子群算法的可調參數中，慣性權重w是最重要的參數.慣性權重w取較大值有利于提高算法的全局搜索能力，而較小的w會增強算法的局部搜索能力，根據不同的權重變化公式，可以得到不同的PSO算法［10-11］.此處采用非線性的動態慣性權重系數公式[12]：

w=wmin －wmax －wmin (f－fmin )(favg－fmin )，f≤favg；

wmax ， f>favg.(9)

在式(9)中，慣性權重隨著微粒的目標函數值f的變化而自動改變.當微粒的目標值趨于一致或者趨于局部最優時，將使w值增加；而各微粒的f值比較分散時，將使w值減??；同時f值大于平均目標值favg的微粒，其對應的w值較小，從而保護了該微粒，反之對于f值小于favg的微粒，其對應的w值較大，使得微粒向更好的搜索區域靠攏.這種自適應權重粒子算法能夠平衡PSO算法的全局搜索能力和局部改良能力[12].

4 基于LS-SVM的共軌壓力預測模型

4.1 SA-PSO優化LS-SVM的關鍵參數

自適應權重粒子群優化算法[13]所要優化的參數為正規化參數γ和核函數參數σ.此處參數選擇如下：種群數目N=40，待優化的參數量即問題的維數D=2，最大迭代次數M=200，學習因子c1和c2均取2，最大慣性權重wmax=0.9，最小慣性權重wmin=0.6.將訓練樣本誤差的均方差作為目標值返回.目標值表達式為：

fitness=1N∑Nk=1fxk－yk2. (10)

式中：f(xk)，yk分別為LS-SVM的期望輸出值與訓練輸出值.基于SA-PSO算法的參數尋優算法流程圖如圖3所示.

4.2 基于SA-PSO優化LS-SVM后的共軌壓力預測

通過自適應粒子群算法優化，最后得到正規化參數γ以及核函數參數σ的最優參數組合值，分別為γ = 60，σ = 1.2.利用最小二乘支持向量機對共軌系統的共軌壓力進行擬合.圖3為基于LS-SVM的共軌系統模型的共軌壓力預測值與實際值的比較曲線.

從圖4可知，LS-SVM的預測精度較高，并且較好地跟蹤了共軌壓力的變化趨勢.經對比預測值與實際值可知，基于最小二乘支持向量機模型的最大相對誤差為7.9%，最小相對誤差為1.07%，平均相對誤差為3.96%.該方法表現出很好的泛化能力，測試樣本的泛化均方誤差僅為0.079 1.

4.3 最小二乘支持向量機模型與神經網絡模型預測結果的比較

采用BP神經網絡方法時，由于擬合的對象模型具有3個輸入參數、1個輸出參數，可根據2n+1(n為輸入層個數)求出隱含層節點數為7個，則該網絡結構為3-7-1[14].隱含層函數用tansig，因為油壓為正值，所以輸出層函數取logsig.訓練算法選用Levenberg-Marquardt法.

圖3 SA-PSO參數優化流程圖

Fig.3 SA-PSO parameter optimization flow chart

由圖5可見，基于BP神經網絡模型的最大相對誤差為18.4%，最小相對誤差為3.2%，平均相對誤差為9.01%；比較可知最小二乘支持向量機模型擬合誤差明顯小于神經網絡模型.

5 結 論

本文基于AMESim建立了高壓共軌系統仿真模型，對不同參數影響下的共軌系統進行仿真計算，并與試驗數據進行對比，結果顯示本文建立的共軌系統模型較準確.并利用灰色關聯分析方法對影響共軌壓力的參數進行分析評估，得出影響高壓共軌軌壓關聯度較大的3個參數.再依據AMESim軟件所得數據作為訓練樣本，建立了基于最小二乘支持向量機高壓共軌壓力預測模型，最小二乘支持向量機參數γ = 60，σ = 1.2，最后將最小二乘支持向量機模型與BP神經網絡模型進行了比較，表明了最小二乘支持向量機高壓共軌壓力預測模型在預測高壓共軌壓力方面的優越性.

參考文獻

［1］ AHLIN K. Modeling of pressure waves in the common rail diesel injection system[D]. Linkping， Sweden: Linkping University， Dept of Electrical Engineering， 2000.

［2］ GAUTHIER C， SENAME O， DUGARD L， et al. Modeling of a diesel engine common rail injection system [C]//Proceedings of IFAC2005. Trondheim， Norway: NTNU， 2005.

［3］ 顏松，魏建勤.高壓共軌系統軌壓模擬計算[J].液壓與氣動，2005(2):3-5.

YAN Song， WEI Jian-qin. Simulation of rail pressure in high pressure common rail pressure[J].Chinese Hydraulics Pneumatics，2005(2):3-5.(In Chinese)

［4］ 馮宗磊，楊福源，任亮，等.發動機的組合神經網絡建模[J].清華大學學報：自然科學版，2005，45(11):1522-1525.

FENG Zong-lei， YANG Fu-yuan， REN Liang， et al. Modeling of engine control systems using assembled neural networks[J]. Journal of Tsinghua University: Science and Technology， 2005，45(11):1522-1525.(In Chinese)

［5］ 李先成，馮靜，?？虑洌?基于BP神經網絡的GD-1高壓共軌系統的建模研究[J].小型內燃機與摩托車，2008， 37(1):14-17.

LI Xian-cheng， FENG Jing， ZHU Ke-qing， et al. Study on BP neural networks modeling for GD-1 high pressure common rail system[J].Small Internal Combustion Engine and Motorcycle，2008，37(1):14-17.(In Chinese)

［6］ KULKARNI A， JAYARAMAN V K， KULKARNI B D. Support vector classification with parameter tuning assisted by agent-based technique[J].Engineering，2004， 8(3):311-319.

［7］ 劉思峰，謝乃明.灰色系統理論及其應用[M].北京:科學出版社，2008:44-71.

LIU Si-feng， XIE Nai-ming. Grey system theory and its application[M]. Beijing: Science Press， 2008:44-71.(In Chinese)

［8］ 曲曉慧，喬新勇，陳玫，等.基于灰色關聯分析的柴油機狀況評估[J].兵工學報，2005，26(4):557-559.

QU Xiao-hui， QIAO Xin-yong， CHEN Mei， et al. Condition evaluation for diesel engine based on grey relation analysis[J].Acta Armamentarii， 2005， 26(4): 557-559. (In Chinese)

［9］ NIKNAM T， FARSANI E A. A hybrid self-adaptive particle swarm optimization and modified shuffled frog leaping algorithm for distribution feeder reconfiguration [J]. Engineering Applications of Artificial Intelligence， 2010，23(8):1340-1349.

［10］SUYKENS J A K， BRABANTER J D， LUKAS L， et al. Weighted least squares support vector machines: robustness and sparse approximation [J].Neurocomputing， 2002，48(1/4):85-105.

［11］KENNEDY J， EBERHART R C. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks. New York: IEEE， 1995:1942-1984.

［12］LI Xiu-fen， FU Hong-jie， ZHANG Chang-heng. A self-adaptive particle swarm optimization algorithm.[C]// Proceedings of IEEE International Conference on Computer Science and Software Engineering. New York: IEEE，2008: 186-189.

［13］吳曉剛， 王旭東， 余騰偉. 磁粉離合器自適應權重粒子群優化模糊控制的研究[J].汽車工程，2010，23(6): 511-513.

WU Xiao-gang，WANG Xu-dong， YU Teng-wei. A research on the fuzzy control of magnetic powder clutch based on adaptive weight particle swarm optimization[J]. Automotive Engineering， 2010，23(6):511-513.(In Chinese)

［14］梁峰， 馮靜， 肖文雍， 等. BP神經網絡在高壓共軌式電控柴油機故障診斷中的應用[J].內燃機工程，2004，25(2): 46-49.

LIANG Feng， FENG Jing， XIAO Wen-yong， et al. Application of BP nerual network to fault diagnosis of high-pressure common rail fuel system of electronic control diesel engines[J].Chinese Internal Combustion Engine Engineering， 2004，25(2):46-49.(In Chinese)