一种基于多岛遗传算法的发动机燃烧降噪参数优化方法技术

本发明专利技术公开了一种基于多岛遗传算法的发动机燃烧降噪参数优化方法，包括以下步骤：S1.确定优化目标和优化设计参数，以确定的优化目标为发动机的燃烧噪声，主喷提前角、预喷间隔、预喷油量为设计优化参数，建立如下优化模型：MIN F(X

【技术实现步骤摘要】
一种基于多岛遗传算法的发动机燃烧降噪参数优化方法


[0001]本专利技术涉及发动机主动噪声控制
，尤其涉及一种基于多岛遗传算法的发动机燃烧降噪参数优化方法。

技术介绍

[0002]除了空气质量等自然环境外，噪声也是影响城市环境的一个重要的因素，在众多的噪声来源中，汽车噪声是城市噪音的重要来源。目前，国内各大城市中的汽车保有量依然在逐年增加，汽车产生的噪音也日益成为影响人们身体健康的一大因素。噪音对人体的身体健康有非常大的危害，轻则影响人的睡眠，重则对人的听觉、神经系统及内分泌系统产生影响，甚至会加速心血管疾病的发病率和死亡率，并危害儿童的心血管发育和认知能力的发展。因此，城市噪音引起了世界各国的重视，尤其针对汽车噪音颁布了一系列法规。空气动力噪音、胎噪、发动机燃烧噪音、进排气系统噪音都是汽车的主要噪声源，其中，发动机燃烧噪音是汽车的主要的噪声源。
[0003]主喷提前角、预喷间隔、预喷油量是影响发动机的燃烧噪音的三个主要参数。上述三个参数同优化目标发动机的燃烧噪音之间存在复杂的时变非线性关系。

技术实现思路

[0004]本专利技术的目的在于：为了解决上述问题，而提出的一种基于多岛遗传算法的发动机燃烧降噪参数优化方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于多岛遗传算法的发动机燃烧降噪参数优化方法，包括以下步骤：
[0007]S1.确定优化目标和优化设计参数，以确定的优化目标为发动机的燃烧噪声，主喷提前角、预喷间隔、预喷油量为设计优化参数，建立如下优化模型：
[0008]MIN F(X
i
)＝f(θ,t,τ)
ꢀꢀꢀꢀꢀ
式0；
[0009]式0中：F(X
i
)为发动机燃烧噪声目标函数；θ为主喷提前角，且θ的单位为
°
；t为预喷间隔，且t的单位为us；τ为预喷油量，且τ的单位为mg；
[0010]S2.建立RBF神经网络模型，RBF神经网络模型需要求解的参数有3个：径向基函数的中心、径向基函数的方差和隐含层至输出层的权值，径向基函数用如式1所示的高斯函数：
[0011][0012]式1中X是n维输入向量；σ是为高斯函数的方差，决定了基函数围绕中心点的宽度；C
i
表示高斯函数的中心，与X具有相同的维数；m表征隐含层的节点个数；||X
‑
C
i
||为欧几里德范数；
[0013]通过RBF神经网络模型的结构可得到神经网络的输出为式2所示：
[0014][0015]式2中，为第p个输入样本；p＝1,2,3,...,P；P为样本总数；c
i
为神经网络模型隐含层结点的中心；w
ij
为隐含层到输出层的连接权值，该值是需要通过训练得到的；i＝1,2,3,h为隐含层节点数；y
j
为与输入样本对应的网络的第j个输出结点的实际输出；
[0016]设d是样本的期望输出值，基函数的方差可表示为式3所示：
[0017][0018]S3.验证RBF神经网络模型的拟合精度，基于拉丁超立方试验方法设计10组检验样本点，利用燃烧噪声的有限元模型计算燃烧噪声的试验数值，将10组检验样本点代入已经建立的RBF神经网络模型中，得到10组样本点的误差散点图；
[0019]多元统计系数R2用于检验模型对观测值的拟合程度,计算公式如式6所示,
[0020][0021]式6中：
[0022]n为试验次数；X
i
为RBF神经网络模型预测值；Y
i
为燃烧噪声有限元模型计算值；l
i
为燃烧噪声有限元模型计算值的平均值；
[0023]计算得到体积收缩率RBF神经网络模型R2＝0.99271；由计算结果可知，RBF神经网络模型的拟合精度较高，可以代替燃烧噪音的有限元模型进行后续分析；
[0024]S4.通过多岛遗传算法计算得出燃烧噪声最小的优化参数组合,利用多岛遗传算法通过反复恰当地使用遗传算法的算子和选择原则，从亲代到子代，从子代到孙代，从孙代到崇孙代，不停的繁衍，使得种群对环境的适应性不断升高。
[0025]优选地，所述步骤S2中建立RBF神经网络模型的具体步骤如下：
[0026]S21.基于K
‑
均值聚类方法求取基函数中心c；
[0027]S22.求解方差i；
[0028]该神经网络模型的基函数为高斯函数，方差i可由式4求解：
[0029][0030]式4中，c
max
是所选取中心之间的最大距离，i＝1,2,3；
[0031]S23.计算隐含层和输出层之间的权值；
[0032]隐含层和输出层之间连接权值是需要训练得到的，逐一输入样本，依据最小二乘法计算得到，计算公式如式5所示：
[0033][0034]优选地，所述步骤S4具体包括以下步骤：
[0035]S41.初始化群体，一个种群是若干个个体的集合；因为每个个体代表了问题的一
个解，所以一个种群就是问题的一些解的集合，多岛遗传算法将一个大的种群分成若干个子种群，且每个子种群为岛，而在每个岛上运用传统的GA算法进行子种群进化；
[0036]S42.计算群体上每个个体的适应度值；
[0037]S43.按由个体适应度值所决定的某个规则选择将进入下一代的个体；
[0038]S44.按概率进行交叉操作；
[0039]S45.按概率进行突变操作；
[0040]S46.没有满足某种停止条件，则转步骤S42，否则进入步骤S47；
[0041]S47.输出种群中适应度值最优的染色体作为问题的满意解或最优解。
[0042]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0043]本申请中，利用拉丁超立方试验设计方法在参数给定的取值区域内设计试验样本点，在发动机燃烧噪声的有限元模型中计算样本点对应的响应值，依据计算结果建立优化参数同优化目标之间的径向基函数(RBF)神经网络模型，本申请基于拉丁超立方试验设计方法，并结合RBF神经网络和MIGA，对发动机的燃烧噪声进行优化并给出优化参数的最优值，大幅度的缩短了优化时间，提高了优化效果。
附图说明
[0044]图1示出了根据本专利技术实施例提供的RBF神经网络模型结构示意图；
[0045]图2示出了根据本专利技术实施例提供的样本点误差散点图结构示意图；
[0046]图3示出了根据本专利技术实施例提供的参数优化流程图；
[0047]图4示出了根据本专利技术实施例提供的基于多岛遗传算法在RBF神经网络模型内的主喷提前角寻优迭代过程图；
[0048]图5示出了根据本专利技术实施例提供的基于多岛遗传算法在RBF神经网络模型内的预喷间隔寻优迭代过程图；
[0049]图6示出了根据本专利技术实施例提供的基于多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多岛遗传算法的发动机燃烧降噪参数优化方法，其特征在于，包括以下步骤：S1.确定优化目标和优化设计参数，以确定的优化目标为发动机的燃烧噪声，主喷提前角、预喷间隔、预喷油量为设计优化参数，建立如下优化模型：MIN F(X
i
)＝f(θ,t,τ)
ꢀꢀꢀꢀꢀꢀ
式0；式0中：F(X
i
)为发动机燃烧噪声目标函数；θ为主喷提前角，且θ的单位为
°
；t为预喷间隔，且t的单位为us；τ为预喷油量，且τ的单位为mg；S2.建立RBF神经网络模型，RBF神经网络模型需要求解的参数有3个：径向基函数的中心、径向基函数的方差和隐含层至输出层的权值，径向基函数用如式1所示的高斯函数：式1中X是n维输入向量；σ是为高斯函数的方差，决定了基函数围绕中心点的宽度；C
i
表示高斯函数的中心，与X具有相同的维数；m表征隐含层的节点个数；||X
‑
C
i
||为欧几里德范数；通过RBF神经网络模型的结构可得到神经网络的输出为式2所示：式2中，为第p个输入样本；p＝1,2,3,...,P；P为样本总数；c
i
为神经网络模型隐含层结点的中心；w
ij
为隐含层到输出层的连接权值，该值是需要通过训练得到的；i＝1,2,3,h为隐含层节点数；y
j
为与输入样本对应的网络的第j个输出结点的实际输出；设d是样本的期望输出值，基函数的方差可表示为式3所示：S3.验证RBF神经网络模型的拟合精度，基于拉丁超立方试验方法设计10组检验样本点，利用燃烧噪声的有限元模型计算燃烧噪声的试验数值，将10组检验样本点代入已经建立的RBF神经网络模型中，得到10组样本点的误差散点图；多元统计系数R2用于检验模型对观测值的拟合程度,计算公式如式6所示,式6中：n为试验次数；X

【专利技术属性】
技术研发人员：季宁，于洋洋，么大锁，
申请(专利权)人：天津仁爱学院，
类型：发明
国别省市：