基于神经网络的混凝土泵车发动机万有特性建模与工况优化

贺尚红，杨昀梓

(长沙理工大学 汽车与机械工程学院，湖南 长沙，410114)

摘  要：将底盘传动系纳入发动机动力系统，提出混凝土泵车发动机万有特性模型的现场测试方法。利用BP神经网络建立某型号混凝土泵车发动机的万有特性模型，并以此为依据对该型号混凝土泵车工况进行优化，获得4种工况下与液压系统最佳匹配的发动机转速。试验结果表明：利用BP神经网络建立的某型号混凝土泵车发动机万有特性模型最大相对误差仅为2.31%；建模方法简单、精度高，以该模型为依据优化后的发动机工况节油效果明显，最大可节油11.67%。

关键词：混凝土泵车；万有特性模型；神经网络；工况优化

中图分类号：TH421.7；TU646          文献标志码：A         文章编号：1672-7207(2010)04-1398-07

Modeling of universal characteristics and optimization of operating conditions of concrete pump truck based on neural network

HE Shang-hong, YANG Yun-zi

(School of Automotive and Mechanical Engineering, Changsha University of Science & Technology,
Changsha 410114, China)

Abstract: Combining the transmission system with engine, a new on-site test method of universal characteristics of power system for concrete pump was put forward. With BP artificial neural network, the model of universal characteristics of a concrete pump truck engine was established, and the optimal matched speed between engine and hydraulic system of a concrete pump truck was acquired in four different working conditions. The experimental results show that the maximum relative error of specific fuel consumption between expected value and measured value is about 2.31%. The neural network is a simple and accurate method for modeling universal characteristics of engine. The maximum percentage of fuel consumption saving is 11.67% under optimal operating conditions.

Key words: concrete pump truck; model of universal characteristics; neural network; optimization of operating conditions

工程机械发动机的燃油经济性是评价产品主要使用性能的重要经济指标。燃油经济性主要取决于发动机和工作系统的匹配程度及发动机工况的优化程度。国内对挖掘机、推土机、履带起重机、装载机等工程机械进行了发动机与液压负载系统匹配的节能技术研究^[1-4]。发动机工况优化的依据是发动机的万有特性模型。发动机在每一种运行工况下都有一个最优经济工作点，不同工况的最优工作点构成最优经济目标控制曲线^[5-6]。若发动机工作点位于最优经济目标控制曲线附近，则发动机的燃油利用率高。对于能提供万有特性曲线的发动机，可根据发动机的经济工况设计工作系统或施加一定的控制策略，使发动机在最低比油耗状态下工作。发动机万有特性曲线通常通过专用的发动机台架实验获取，其方法是首先在某一固定转速下采集多个工况点，记录转速、转矩、单位时间的油耗，然后，将实验数据拟合成负荷特性曲线，再用一系列等比油耗线截取上述负荷特性曲线簇，取出所得交点的扭矩和曲线自身的转速参数，将离散点拟合得万有特性曲线^[7]。混凝土泵车是一种用于输送和浇筑混凝土的专用工程机械，其特点是功率大，工况多变，油耗高^[8]。目前，国内混凝土泵车基本采用日本五十铃、瑞典沃尔沃、德国奔驰等进口底盘，底盘生产商将发动机与底盘传动系集成供给中国市场。在这些厂商向中国泵车企业提供的技术资料中，均不包含发动机万有特性曲线，给泵车的节能优化设计带来困难。要获得发动机的万有特性模型，一般要将发动机拆下做台架试验。但进口底盘生产商提供的产品，发动机及相关控制系统与底盘传动系统高度集成，发动机拆下重装后会破坏原有系统的完整性和可靠性，无法进行发动机台架试验，必须寻求一种有效的适合于泵车在线测试和数据处理的方法，间接获取泵车发动机的万有特性模型。万有特性测试及曲线绘制的传统方法存在2个原理性缺陷：一是不能利用曲线外的单个工况点，当某一转速下所测得的点不足以拟合出一条负荷特性曲线时，该组数据就只能放弃，大大降低了实验数据的利用率；二是由于不同的曲线在拟合过程中，考虑的仅仅是构成此曲线自身点的相互关系，前一条曲线并不对下一条曲线的拟合产生任何影响，因此，在某些情况下，2条等比油耗曲线有可能相交。实际上，这种情况是不应该出现的。发动机万有特性模型的实质是比油耗g_e与转速n和转矩T之间呈一种非线性函数关系。万有特性曲线也可看作是三维曲面g_e=f(n, T)的二维等高投影。因此，对已知的数据点用数值算法构造接近实际的三维曲面，再用不同的等比油耗平面去截取便可得到万有特性曲线。马向平等^[9]提出发动机的比油耗与转速和转矩之间存在幂指函数关系，用多元回归法对发动机的万有特性曲面进行了拟合；王灵犀等^[10]用大型CAD软件Ideas的三维造型功能绘制了发动机的万有特性曲线；关志伟等^[11]则利用曲面拟合方法，用MATLAB语言绘制了发动机的万有特性曲线。利用人工神经网络也可映射发动机万有特性模型的这种非线性关系。只要能获取足够的由比油耗、转速和转矩组成的离散数据点样本，经网络训练后即可建立万有特性非线性关系^[12]。这种方法可从根本上避免传统方法对发动机工况苛求的弊端。针对上述技术问题，本文作者研究泵车发动机万有特性曲线在线测试及数据处理的方法和技术，用神经网络建立泵车发动机的万有特性模型，并以此为依据对泵车发动机进行工况优化。

1  发动机万有特性的神经网络建模方法

采用BP神经网络建立混凝土泵车发动机的万有特性模型。以发动机的转速 n、转矩T为输入，比油耗g_e为输出设计BP人工神经网络，用试验数据点训练后得出g_e=f(n, T)的非线性关系。

普通BP神经网络具有很强的非线性映射能力，能以任何精度逼近一个有限间断点的非线性函数，但存在以下2个缺陷^[13]：

(1) 由于BP算法本质上是一种非线性优化问题，不可避免地会出现局部最小点，这对建立泵车的万有特性模型是非常不利的。若网络陷入局部最小点，则所找出的“最佳点”也就不是发动机真实的最佳工   作点。

(2) BP算法收敛速度慢。当学习样本增加时，收敛速度更慢。然而，在建立混凝土泵车万有特性模型时，学习样本越多，模型越精确。

为此，采用一种改进的训练算法——变梯度算法，原理如下^[14-15]。

选择初始搜索方向为沿着最陡梯度下降方向开始搜索：

p(0)= -g(0)                (1)

然后，决定最佳距离的线性搜索沿着当前搜索的方向：

x(k+1)=x(k)+αp(k)            (2)

p(k)=-g(k)+β(k)p(k-1)          (3)

式中：x(k)为第k次迭代各层之间的连接权向量；p(k)为第k+1次迭代的搜索方向；α为学习速率；g(k)为第k次迭代的神经网络输出误差对各权值的梯度向量，负号表示梯度的反方向，即梯度的最速下降方向；系数β(k)采用Fletcher-Reeves修正算法，

           (4)

在建立BP人工神经网络时，如何选择网络的层数和每层的节点数，到目前为止还没有一个通用的理论公式^[16]，一般根据具体问题来确定。本文设计含2个隐层的三层网络(不包括输入层)，其中，第1隐层15个节点，第2隐层9个节点。网络结构如图1所示。

图1  发动机万有特性模型的神经网络结构

Fig.1  Neural network structure of model of engine universal characteristics

利用MATLAB中的神经网络工具箱来建立BP人工神经网络，其中：第1隐层的传输函数为，第2隐层的传输函数为。

根据试验样本训练网络可得发动机万有特性模型(图2)，该模型是一个以转速n为X坐标，转矩T为Y坐标，比油耗g_e为Z坐标的三维曲面。如果用一系列相互平行的等油耗平面截该三维曲面，然后，投影于转速-转矩坐标系中就得到一系列等油耗曲线，即万有特性曲线(图3)。

图2  发动机万有特性模型三维曲面

Fig.2  3-D surface of universal characteristics model of engine

图3  发动机万有特性曲线

Fig.3  Universal characteristics curves of engine

2  混凝土泵车发动机万有特性模型测试

利用泵车现有的发动机控制系统及液压系统设计测试方案，在不对原系统进行任何改变的前提下对发动机进行加载，并测试有关参数。

发动机输出转矩是发动机万有特性曲线必须测试的参数之一，但由于泵车底盘传动系空间的限制及拆装困难，无法在发动机输出轴上安装扭矩传感器，只能间接获取。

泵车发动机输出轴经过传动轴、变速箱及分动箱环节后联接液压泵。从发动机输出端到分动箱输出轴为纯机械传动，能量损失为摩擦消耗，测量有困难。为此，将整个机械传动系统看作发动机的一部分，将发动机输出延伸到分动箱输出端。而分动箱与液压泵相连，用液压加载方式间接对发动机进行加载，测量液压泵的压力和流量获得液压泵功率，推算出动力系统输出功率，再根据发动机转速计算输出转矩，避免动力输出轴上转矩的测量。液压系统加载工况设定  如下：

(1) 泵送油缸不工作，相当于泵口主油路堵塞，主泵工作压力通过溢流阀调定。

(2) 搅拌系统、换向系统、臂架系统不工作，液压泵空载运行。

(3) 为了保证工况稳定及足够的发动机负荷，将主液压泵恒功率点压力调到32 MPa，确保整个加载过程中液压泵不进入变量状态，以保证发动机足够的加载范围。

(4) 测试参数为发动机转速、液压泵压力、液压泵流量。

(5) 用称量法计量每种工况下稳定运行后一定时间间隔内消耗的燃油量。

搅拌系统、换向系统液压泵均为定量泵，按空载压力推算功率。各部分功率均按效率推算到分动箱输出轴，累加后作为发动机输出功率。

主泵的压力和流量通过专门安装的压力和流量传感器测量，用INV306U-5160盒式采集仪采集数据进行离线分析。其他辅助系统液压泵压力通过机载仪表读取，流量则通过给定的液压泵排量及转速计算。

为了提高主液压泵消耗功率的计算准确性，在专用的液压泵试验台架上，按照泵车加载工况设定液压泵负载压力，分别测试主液压泵容积效率和总效率，以此计算主泵消耗功率。

测试按发动机转速分为若干组，由泵车发动机速度控制系统设定并控制每档速度，按主液压泵压力从低到高设定12个加载工况，为了提高测试精度，每个工况分别测试3次，记录液压泵压力、流量、5 min耗油量，取平均值作为测量值。表1所示为某型号泵车发动机现场测试计算得出的部分数据。

以表1中数据为样本训练BP神经网络，得到如图4所示的泵车发动机万有特性模型。图5所示为相应的万有特性曲线(图中双曲线为另加的等功率曲线)。表2所示为部分比油耗试验值与网络学习值的比较结果。从表2可以看出：比油耗相对误差很小。

表1  某型号混凝土泵车发动机万有特性模型测试数据

Table 1  Test data of model of concrete pump truck engine universal characteristics

图4  某型号泵车发动机万有特性模型三维曲面

Fig.4  3-D surface of universal characteristics model of concrete pump truck engine

图5  某型号泵车发动机万有特性曲线

Fig.5  Universal characteristics curves of concrete pump  truck engine

表2  部分比油耗试验值与学习值比较

Table 2  Specific fuel consumption comparison of testing value and training value

为了验证泵车发动机万有特性模型的准确性，在某公司混凝土泵车调试场模拟泵送工况进行现场检验。用循环水代替水泥混凝土，通过输送管入口处节流装置模拟泵车泵送负载，记录不同工作模式下主油泵和辅助油泵的压力、主液压泵流量、发动机转速、每分钟换向次数，6 min油耗，取3次实测结果的平均值作为测量值。

因泵送换向时产生压力冲击，对发动机工作有一定影响，严格地说，发动机在非稳态下工作。泵车工作时，泵送次数为3~15次/min，泵送周期为4~20 s，而泵送1次换向时间仅0.45 s，与泵送周期相比，换向时间很短。因此，将发动机工作状态看作稳态工况处理。各参数在稳定泵送行程中多次测量并求平均值。

若要预测某一工况下的油耗，先通过计算液压系统消耗的功率换算出发动机输出功率，再通过发动机转速算得转矩，将转速、转矩输入训练好的神经网络可得到比油耗预测值，再根据发动机功率及时间间隔计算该时段的油耗预测值。表3所示为某型号泵车在5种不同工况下6 min油耗预测值与试验值的对   比，可见：6 min油耗预测值与实测值的相对误差较低，表明预测精度较高，由此证明用本文方法建立的发动机万有特性模型是符合实际情况的。

3  混凝土泵车工况优化

根据泵车发动机万有特性的神经网络模型对泵车工况进行优化。优化的目标是寻找混凝土泵车发动机在不同泵送工况下比油耗最低的最佳转速。发动机在该转速下工作，可保证在原有工作效率不变的前提下油耗最低。

在万有特性曲线图上可画出等功率曲线(图5)，等功率曲线与万有特性曲线相切点所对应的转速为发动机的最佳转速。发动机工况优化的基本前提是要保证优化前后泵送功率相同，即保证泵送油缸单位时间的换向次数相同。通过调整液压系统参数，将发动机转速匹配到最低比油耗工况。

在实际系统匹配中，因受到多种因素的约束，对于每个功率不一定都能匹配到切点，但只要工作在经济工作区，或工作在对应功率尽可能小的比油耗点，则可达到工况优化的目的。

泵车发动机功率经变速箱和分动箱传递给液压泵。考虑主液压泵消耗85%以上的发动机功率，该泵为电液比例恒功率变量柱塞泵，在泵车控制系统中，通过设置控制电流调整液压泵排量。发动机工况优化主要是在主液压泵排量与发动机转速之间取得协调。

表4所示为已经在现场实现的4个工况优化结果。可见：在这4种工况下，节油效果显著，尤其是在满功率(第4工况)下节油百分比达7.59%。

由图5所示的万有特性曲线可得到不同发动机功率下的最佳转速，即发动机最优经济性目标控制曲线(图6)。该曲线已被用于某型号混凝土泵车的工况优化设计。

表3  混凝土泵车发动机油耗预测值与试验值比较

Table 3  Comparison between predictive value and testing value of concrete pump truck engine

表4  某型号泵车发动机部分工况优化结果

Table 4  Optimal operating conditions of pump truck engine

图6  某型号混凝土泵车发动机最优经济性目标控制曲线

Fig.6  Optimal rotational speed control curve of concrete pump truck engine

4  结论

(1) 提出了一种混凝土泵车现场加载试验方法。将泵车发动机输出扩展到底盘传动系统，用混凝土泵车的液压工作系统对发动机进行加载，避免了发动机台架试验，也避免对发动机扭矩的直接测量，实现了发动机万有特性模型的在线测试。

(2) 利用BP神经网络建立了某型号混凝土泵车发动机的万有特性模型。现场模拟工况实测油耗与根据万有特性模型预测的油耗吻合良好，验证了泵车发动机加载方法及万有特性模型的正确性。

(3) 依据某型号混凝土泵车发动机实测的万有特性模型，对泵车的4个工况进行了优化。通过调整液压系统参数，使发动机转速与比油耗点匹配。工况优化后的泵车节油效果明显，最大节油百分比达11.67%，满负荷工作时节油百分比达7.59%。

(4) 获得了某型号混凝土泵车发动机全局功率经济目标控制曲线，为该型号混凝土泵车功率匹配设计提供了理论依据。

(5) 本文所提出的方法和技术可推广到其他工程机械。

参考文献：

[1] 彭天好, 杨华勇. 液压挖掘机泵与发动机匹配研究[J]. 中国公路学报, 2001, 14(4): 118-120.
PENG Tian-hao, YANG Hua-yong. Research on pump-engine match in hydraulic excavator[J]. China Journal of Highway and Transport, 2001, 14(4): 118-120.

[2] 欧阳联格. 全液压推土机传动系统与发动机匹配[J]. 工程机械, 2004(11): 44-47.
OUYANG Lian-ge. Matching between transmission system and engine of full hydraulic bulldozer[J]. Construction Machinery and Equipment, 2004(11): 44-47.

[3] 王欣, 刘宇, 蔡福海, 等. 履带起重机发动机与液压泵的匹配[J]. 中国工程机械学报, 2007, 5(2): 182-185.
WANG Xin, LIU Yu, CAI Fu-hai, et al. Matching between engines and hydraulic pumps for crawler cranes[J]. Chinese Journal of Construction Machinery, 2007, 5(2): 182-185.

[4] 陈淑清. ZL80装载机发动机与液力变矩器的匹配优化设计[D]. 长春: 吉林大学机械科学与工程学院, 2008: 10-15.
CHEN Shu-qing. Optimization design of matching on ZL80 loader engine and hydrodynamic torque converter[D]. Changchun: Jilin University. College of Mechanical Science and Engineering, 2008: 10-15.

[5] 姚怀新. 工程车辆液压动力学与控制原理[M]. 北京: 人民交通出版社, 2006: 135-136.
YAO Huai-xin. Theory of hydraulic dynamics and controls on mobile construction machinery[M]. Beijing: China Communications Press, 2006: 135-136.

[6] 彭天好, 杨华勇, 傅新. 工程机械中的泵与发动机匹配[J]. 工程机械, 2001(8): 37-40.
PENG Tian-hao, YANG Hua-yong, FU Xin. Pump-engine matching on construction machinery with engines[J]. Construction Machinery and Equipment, 2001(8): 37-40.

[7] 张志沛. 汽车发动机原理[M]. 北京: 人民交通出版社, 2007: 186-187.
ZHANG Zhi-pei. Principle of automobile engine[M]. Beijing: China Communications Press, 2007: 186-187.

[8] 黄长礼, 刘古岷. 混凝土机械[M]. 北京: 机械工业出版社, 2001: 71-76.
HUANG Chang-li, LIU Gu-min. Concrete machinery[M]. Beijing: China Machine Press, 2001: 71-76.

[9] 马向平, 李春燕, 骆清国, 等. 一种发动机万有特性曲面拟合的新方法[J]. 装甲兵工程学院学报, 2006, 20(1): 52-54.
MA Xiang-ping, LI Chun-yan, LUO Qing-guo, et al. A new method for camber fitting of universal characteristic of engine[J]. Journal of Academy of Armored Force Engineering, 2006, 20(1): 52-54.

[10] 王灵犀, 霍勇. 内燃机万有特性实验数据曲面造型处理方法的研究[J]. 沈阳工业学院学报, 2003, 22(4): 50-53.
WANG Ling-xi, HUO Yong. A study on the processing method of curved surface moulding for experimental data of universal characteristics in IC engine[J]. Journal of Shengyang Institute of Technology, 2003, 22(4): 50-53.

[11] 关志伟, 杨玲, 施继红, 等. 基于MATLAB语言的发动机万有特性研究[J]. 吉林农业大学学报, 2003, 25(3): 339-342.
GUAN Zhi-wei, YANG Ling, SHI Ji-hong, et al. Research of engine universal characteristics based on MATLAB[J]. Journal of Jilin Agricultural University, 2003, 25(3): 339-342.

[12] 王兴海, 张谢恩, 宁智, 等. 内燃机特性曲线绘制的神经网络技术[J]. 航空计算技术, 2007, 37(5): 1-4.
WANG Xing-hai, ZHANG Xie-en, NING Zhi, et al. Study on characteristic curve painting of internal combustion engine by neural network technology[J]. Aeronautical Computing Technique, 2007, 37(5): 1-4.

[13] 阎平凡, 张长水. 人工神经网络与模拟进化计算[M]. 北京: 清华大学出版社, 2000: 23.
YAN Ping-fan, ZHANG Chang-shui. Artificial neural network and simulated evolutionary computation[M]. Beijing: Tsinghua University Press, 2000: 23.

[14] 田景文, 高美娟. 人工神经网络算法研究及其应用[M]. 北京: 北京理工大学出版社, 2006: 35-38.
TIAN Jing-wen, GAO Mei-juan. Study and application of artificial neural network algorithm[M]. Beijing: Beijing Institute of Technology Press, 2006: 35-38.

[15] 周开利, 康耀红. 神经网络模型及其MATLAB仿真程序的设计[M]. 北京: 清华大学出版社, 2005: 75-76.
ZHOU Kai-li, KANG Yao-hong. Neural network models and MATLAB simulation program design[M]. Beijing: Tsinghua University Press, 2005: 75-76.

[16] 刘雪梅, 皇甫中民, 张树生. 利用神经网络实现地形面的曲面构造[J]. 华北水利水电学院学报, 2005, 26(1): 64-66.
LIU Xue-mei, HUANGPU Zhong-min, ZHANG Shu-sheng. Neural network method used to construct terrain surface[J]. Journal of North China Institute of Water Conservancy and Hydroelectric Power, 2005, 26(1): 64-66.

收稿日期：2009-08-16；修回日期：2009-12-10

基金项目：国家自然科学基金资助项目(50875028)

通信作者：贺尚红(1965-)，男，湖南宁乡人，教授，博士生导师，从事机械动力学、节能技术、液压技术研究；电话：0731-85258627；E-mail: heshanghong@126.com

(编辑 赵俊)