基于神經網絡的柴油機混合建模方法研究

孫 彬 曾凡明

海軍工程大學船舶與動力學院 武漢 430033

基于神經網絡的柴油機混合建模方法研究

孫 彬 曾凡明

海軍工程大學船舶與動力學院 武漢 430033

針對柴油機性能仿真中的建模問題，分析不同建模方法的特點，提出機理和神經網絡相結合的混合建模方法，采用神經網絡在線補償機理模型的誤差，提高模型精度，并能夠適應柴油機的時變特性。以6PA6型渦輪增壓柴油機為例，在Matlab環境下建立機理-神經網絡混合模型。仿真分析得出混合建模的一些結論。

柴油機 機理模型 神經網絡 混合建模

在船舶動力裝置性能仿真中，柴油機模型是核心模塊，通常采用機理建模的方法建立。由于機理建模過程中多采用理想的假設和經驗公式，不可避免的會產生誤差。另外，柴油機具有時變特性，工作一段時間后，性能會發生變化［1］，導致模型的精度降低。如何自適應調整模型輸出，提高模型精度是一個值得研究的問題。通過神經網絡在線補償，建立了柴油機的機理-神經網絡混合模型。

1 機理-神經網絡混合建模方法

機理模型基于建模對象所遵循的物理化學規律，它能反映對象的內部特性，表達比較直觀，但對于機理復雜的系統建模，一般要進行簡化或采用經驗公式，導致模型精度難以保證。神經網絡具有很強的學習能力和逼近任意非線性函數的特點，它無需深入了解系統的內部機理，只需通過系統的輸入輸出數據，設計相應的網絡并進行網絡訓練，便可得到系統模型。但神經網絡模型的理論依據還不夠完善，且模型對訓練數據的依賴性較大［2-4］。

機理-神經網絡混合建模方法就是在建模過程中充分發揮神經網絡和機理建模各自的優點，從而更好的反映建模對象的規律特性。兩者的聯接模式主要有兩種：一種是并聯模式，以機理建模為主，同時采用神經網絡對機理模型進行進一步的修正完善，從而得到較為理想的模型，見圖1。

圖1 并行模型

另一種是串聯模式，將系統分解成可描述和未知兩部分，針對可描述部分采用機理來建模，而那些機理難以描述的部分采用神經網絡來建模，最后按照子系統綜合的方式，建立合理的系統整體模型，見圖2［5-6］。

文中柴油機混合建模的思想是：用準穩態法建立柴油機的機理模型，用BP網絡構建神經網絡補償模型，以補償機理模型的誤差。圖3是混合模型的基本原理框圖。DE是要辨識的柴油機，NN是神經網絡構成的補償模型，MODEL是機理模型，三者并聯。將輸入同時加到DE、MODEL和NN上，得到輸出分別為實際輸出Yd、機理輸出Ym和神經網絡補償輸出Ynn，利用誤差的絕對值E＝|Yd—Ym—Ynn|來修正NN中的權值，直到E等于0時權值修正停止，通過神經網絡模型實現對機理模型的補償。當柴油機長時間工作，實際輸出發生變化后，誤差E發生變化而不為0，繼續修正神經網絡的權值，改變補償量，從而使混合模型能夠適應柴油機的特性變化。

圖2 串行模型

圖3 柴油機混合模型原理圖

2 機理-神經網絡混合模型與仿真分析

2．1 柴油機混合模型

以某應急電站柴油機6PA6為例，建立機理-神經網絡混合模型。6PA6直列式渦輪增壓柴油機額定功率為1 770 kW，額定轉速為1 000 r／min，配有VTR254自由式廢氣渦輪增壓器，UG8D系列全制式液壓調速器。

機理模型采用準穩態法建立。將柴油機劃分為柴油機本體、調速器、渦輪、壓氣機、中冷器等子系統［7］。

柴油機轉矩平衡方程為

式中：Mm——機理模型的輸出轉矩；

Ml——帶動同步發電機所需克服的阻力轉矩，即負載轉矩；

Ie——柴油機轉動慣量；

Il——發電機的轉動慣量；

nde——柴油機轉速。

式中：Hu——燃油低熱值；

Ge，ηi——柴油機的循環噴油量和指示熱效率；

Mf——柴油機摩擦轉矩；ns——活塞平均轉速；

V——柴油機氣缸總排量。

負載轉矩Ml與定子繞組電壓U、定子繞組電流I、功率因數cosφ、轉子轉速n等有關，在文中將不同工況下的負載轉矩簡化為額定值的線性函數。

增壓器轉矩平衡方程為

式中：Mt——渦輪轉矩；

Mc——壓氣機轉矩；

Itc——增壓器轉動慣量；

ntc——增壓器轉速。

神經網絡模型采用三層BP網絡［8］，網絡結構為3—18—1。輸入層3個節點，對應循環供油量Ge、柴油機轉速nde、壓氣機空氣流量Gm。隱層18個節點，激勵函數f（x）采用logsig函數，輸出層1個節點，對應輸出轉矩的補償值，激勵函數g（x）采用purelin函數。神經網絡模型的輸出為

式中：wi——隱層到輸出層的權值；

yi——隱層的輸出值，

其中：vij——輸入層到隱層的權值；

xj——輸入值。

由于柴油機具有時變特性，隨著工作時間的增長，在輸入不變的情況下，它的性能會發生變化。采用靜態神經網絡就無法適應柴油機的時變特性。所以，本文用實際輸出與混合模型輸出的差值ΔM作為誤差通過BP算法調整神經網絡的權值。當實際輸出變化時，ΔM隨著變化，從而重新調整網絡權值，改變補償量，以適應柴油機時變特性。

圖4為6PA6渦輪增壓柴油機混合模型框圖，由Matlab仿真語言實現。

圖4 柴油機混合模型框圖

2．2 模型分析

為了分析混合模型的補償效果，在柴油機不同負載穩態工況下，比較機理模型輸出轉矩、混合模型輸出轉矩和柴油機實際輸出轉矩，見圖5。

圖5 穩態工況轉矩輸出的對比

從中可以明顯看到混合模型的輸出比機理模型的輸出更接近實際值，神經網絡起到了補償機理模型的作用，混合模型提高了機理模型的仿真精度。

為了分析神經網絡的動態補償性能，令柴油機開始在額定負荷下工作，一段時間后輸出轉矩發生小的突減。神經網絡補償模型初始值為0，圖6是仿真結果，在額定負載工況下，混合模型與實際輸出存在誤差，經過4次迭代調整神經網絡權值后，誤差等于0，當實際輸出發生突變后，混合模型與實際輸出的誤差又重新產生，神經網絡繼續動態的調整權值，經過3次迭代后，兩者的輸出達到相等。這說明，神經網絡通過動態的調整權值能有效補償機理模型的時變誤差，基于神經網絡動態補償的混合模型能夠適應柴油機的時變特性。

圖6 柴油機轉矩突變過程的動態特性

3 結論

1）分析機理和神經網絡的混合建模方法，并依此建立柴油機機理-神經網絡混合模型。

2）通過實際輸出與混合模型輸出的差值動態調整神經網絡的權值，提高柴油機模型的精度，并使得模型能夠適應對象的特性變化。

［1］陳國鈞，曾凡明．現代艦船輪機工程［M］．長沙：國防科技大學出版社，2001：651-656．

［2］郭江華，梁述海，王英輝，陳國鈞．艦用柴油機建模方法綜述［J］．船舶工程，2005（1）：58-61．

［3］陳虞濤，曾凡明．基于動態神經網絡的柴油機建模研究［J］．海軍工程大學學報，2003（1）：90-93．

［4］Robert P．Kasprow，Hybrid Modeling（Neural Networks and First Principles）of Fermentation：Combining Biochemical Engineering Fundamentals and Process Data［D］．Engineering and Applied science University of Virginia，2000：14-21．

［5］陳曉東，馬廣富，王子才．改進的Elman網絡與機理模型的互補建模方法［J］．系統仿真學報，1999（2）：97-100．

［6］金 蓉．神經網絡結構優化及混合建模研究［D］．北京化工大學，2000：67-90．

［7］丁東東．帶脈沖負載的柴油機動力裝置總體優化設計［D］．海軍工程大學，2002：11-29．

［8］肖健梅，王錫淮，鮑敏中．神經網絡在船舶主柴油機建模中的應用［J］．船舶工程，2001（6）：46-48．

On the hybrid modeling method for the diesel engine based on neural network

SUN Bin ZENG Fan-ming
School of Naval Architecture and Power Naval University of Engineering Wuhan 430033

After analyzing different modeling methods of the diesel engine in performance simulation，a hybrid model using neural network to compensate the error from the principle model is described in this paper．It improves the model precision，and suit the behavior changing of diesel engine．The principle-neural network hybrid model of type 6PA6 turbocharged diesel engineis set up in environment of Matlab，some conclusions are drawn by simulation analysis．

diesel engine principle model neural network hybrid model

U664．121

A

1671-7953（2007）02-0048-03

2006-08-11

修回日期2006-11-06

孫 彬（1978—），男，碩士生。