Оптимизация системы нейтрализации дизельного двигателя с помощью MATLAB и GT-SUITE

За последнее десятилетие системы нейтрализации выхлопных газов дизельных двигателей были быстро разработаны для соответствия строгим стандартам выбросов дизельных двигателей, которые также быстро изменились за этот период. Современные системы последующей обработки дизельного топлива представляют собой очень сложные компоненты, и проектирование и оптимизация систем последующей обработки является важной частью процесса разработки двигателя.

Хорошо откалиброванная система нейтрализации выхлопных газов сохраняет выбросы на нормативном уровне, позволяя двигателю достигать наиболее эффективных рабочих точек для экономии топлива. Для достижения этой цели инженерам необходимо выполнить одновременную оптимизацию нескольких подсистем, включая двигатель, органы управления, автомобиль и систему дополнительной обработки.

В этой статье описывается рабочий процесс для моделирования и оптимизации компонента катализатора окисления аммиака (AOC) системы нейтрализации выхлопных газов дизельного двигателя. В этом рабочем процессе MATLAB ® и Simulink ® используется для оптимизации модели построена и симуляцией в GT-SUITE.

Ужесточение правил и другие проблемы

Регулируемые выбросы включают окись углерода (CO), несгоревшие углеводороды, твердые частицы или сажу и оксиды азота (NOx). Система нейтрализации выхлопных газов снижает эти выбросы за счет каталитических реакторов и фильтров, составляющих выхлопную систему между двигателем и выхлопной трубой. Поскольку для некоторых из этих реакторов требуются драгоценные металлы, такие как платина и палладий, они представляют собой значительную стоимость для производителей.

В сфере дорожных и внедорожных транспортных средств регулирование вредных выбросов продолжает ужесточаться. Правила Tier 4 Агентства по охране окружающей среды для внедорожных дизельных двигателей призывают к дальнейшему снижению выбросов выхлопных газов на 90% и требуют использования дизельного топлива для снижения уровня серы более чем на 99%.

Выбросы парниковых газов, в первую очередь двуокиси углерода (CO2), в настоящее время становятся предметом более пристального изучения. Европейские регулирующие органы уже некоторое время регулируют выбросы CO2. Тем временем EPA ужесточает ограничения на выбросы CO2 от тяжелых грузовиков, а развивающиеся страны, такие как Китай и Индия, выдвигают свои собственные цели. Решение проблемы сокращения выбросов CO2 - повышение экономии топлива автомобилем.

Снижение выбросов и повышение экономии топлива - задачи, которые сложно достичь одновременно. Чтобы соответствовать этим конкурирующим требованиям, система нейтрализации выхлопных газов и двигатель должны проектироваться одновременно, поскольку каждая система влияет на производительность другой. Например, добавление фильтра или катализатора в выхлопную систему создает более высокое противодавление для двигателя, снижая эффективность двигателя и экономию топлива. Точно так же конструктивные решения двигателя, касающиеся рециркуляции выхлопных газов, параметров впрыска топлива, соотношения воздух-топливо и стратегий прогрева, влияют на производительность системы нейтрализации выхлопных газов и, следовательно, на выбросы автомобиля.

Выполнение оценки параметров с помощью MATLAB

Начнем с настройки модели реабилитации в GT-SUITE. Компоненты системы последовательно связаны между собой. Для дизельного двигателя эти компоненты могут включать катализатор окисления дизельного топлива (DOC), сажевый фильтр (DPF), подсистему селективного каталитического восстановления (SCR) и катализатор окисления аммиака (AOC) (Рисунок 1).

Рисунок 1. Типичная выхлопная система дизеля, смоделированная в GT-SUITE.

Газы, выходящие из цилиндров двигателя, проходят через DOC и DPF, в которых удаляются CO, несгоревшие углеводороды и сажа. Затем они поступают в подсистему SCR, которая удаляет NOx за счет впрыска водного раствора мочевины или выхлопной жидкости дизельного двигателя (DEF). Эта жидкость распадается с образованием аммиака, который снижает или удаляет NOx в SCR. Последний катализатор, AOC, окисляет избыток аммиака до того, как он покинет выхлопную трубу.

Наличие хороших значений параметров для моделей последующей обработки выхлопных газов необходимо для получения значимых результатов от модели. Однако некоторые из этих параметров можно измерить напрямую. Шаги, описанные ниже, описывают, как использовать оценку параметров для калибровки компонента AOC в модели GT-SUITE с использованием экспериментальных данных. Эти же действия можно применить к каждому компоненту системы последующей обработки.

Поведение AOC можно смоделировать в GT-SUITE с использованием шести глобальных реакций, при этом температурная зависимость скорости каждой реакции представлена ​​в виде уравнения Аррениуса с двумя константами скорости (рис. 2).

Рис. 2. Слева: реакции AOC, смоделированные в GT-SUITE. Справа: уравнение Аррениуса для скоростей реакции.

Необходимо оценить 14 независимых переменных (параметров): две константы скорости для каждой из шести реакций и две глобальные константы ингибирования для AOC.

Мы хотим найти значения для этих 14 параметров, чтобы результаты моделирования GT-SUITE соответствовали экспериментальным (измеренным) данным (рисунок 3). Задача оптимизации состоит в том, чтобы минимизировать разницу между моделированными данными и измеренными данными путем нахождения оптимальных значений для 14 параметров реакции.

Рис. 3. График, показывающий экспериментальные данные для концентраций NH3, N20, NO и NO2, покидающих АОС, в зависимости от температуры.

Контроллер будет реализован в Simulink. Simulink также предоставляет оптимизатору канал для доступа к параметрам модели GT-SUITE. Мы начинаем с добавления блока ремней безопасности Simulink к модели GT-SUITE (рисунок 4). Этот блок используется для связи с моделью Simulink. Модель Simulink использует соответствующий блок модели GT-SUITE для передачи значений для 14 параметров реакции в GT-SUITE.

Рисунок 4. Модель GT-SUITE AOC с блоком ремней безопасности Simulink (вверху справа).

Мы запускаем сотни совместных симуляций с Simulink и GT-SUITE, используя разные значения параметров. Чтобы найти набор значений, который минимизирует различия между смоделированными и измеренными результатами, мы пишем простой скрипт MATLAB, который вызывает MultiStart решающую программу, решающую программу оптимизации в Global Optimization Toolbox, которая ищет глобальный минимум ограниченной нелинейной функции многих переменных.

Поскольку выполнение каждого моделирования занимает несколько секунд, оптимизация может занять около часа, чтобы найти подходящее соответствие (рис. 5). Этот процесс можно ускорить, используя Parallel Computing Toolbox ™ для параллельного выполнения моделирования на нескольких вычислительных ядрах. Обратите внимание, что MultiStart использует решатель оптимизации на основе градиента, и он лучше всего работает, когда целевая функция является гладкой. Если целевая функция негладкая или имеет разрывы, MATLAB имеет несколько других решателей глобальной оптимизации, которые можно использовать.

Рисунок 5. График, показывающий смоделированные концентрации NH3, N20, NO и NO2 после оптимизации 14 параметров.

Оптимизация дает нам набор значений параметров, которые позволяют модели давать результаты, которые близко соответствуют результатам, измеренным в лаборатории. Обновляя модель GT-SUITE AOC этими значениями и повторяя этот процесс для других компонентов системы последующей обработки, мы гарантируем, что моделирование на уровне системы даст точные и значимые результаты.

Выполнение оптимизации на уровне системы

Теперь, когда у нас есть хорошо откалиброванная модель системы нейтрализации выхлопных газов, мы можем выполнять различные исследования на уровне системы, такие как анализ взаимодействия между выбросами, противодавлением двигателя и экономией топлива или изучение стратегий управления для впрыска жидкости в выхлопных газах дизельных двигателей. Мы также можем определить оптимальные размеры компонентов системы последующей обработки, включая AOC. Поскольку в качестве каталитического материала AOC используется платина, если она будет слишком большой, она будет слишком дорогой. Однако, если он слишком мал, он не будет соответствовать требованиям по выбросам.

Чтобы проанализировать компромисс между выбросами NOx и стоимостью AOC, нам необходимо решить многокритериальную задачу оптимизации, в которой переменными являются длина SCR, длина AOC и загрузка каталитического материала AOC.

Чтобы решить эту проблему оптимизации, мы создаем модель транспортного средства, которая включает двигатель, систему нейтрализации выхлопных газов, систему управления водителем (которая проводит автомобиль через Новый европейский ездовой цикл (NEDC)) и транспортное средство. Как и в случае с проблемой оценки параметров, мы строим модель Simulink с интерфейсом к модели GT-SUITE (рисунок 6). Контроллер в модели Simulink управляет дозировкой мочевины в модели GT-SUITE на основе измеренных NOx, температуры и проскока аммиака (аммиака, проходящего через SCR). Эта установка поддерживает косимуляцию с обратной связью с использованием модели GT-SUITE в качестве объекта.

Рисунок 6. Модель Simulink с интерфейсом к модели автомобиля GT-SUITE.

Мы пишем сценарий MATLAB, который использует многоцелевой генетический алгоритм solver (gamultiobj) для настройки параметров в модели GT-SUITE. Решающая программа запускает тысячи симуляций с различными комбинациями длины SCR, длины AOC и нагрузки AOC, и оценивает их стоимость и выбросы NOx на NEDC.

В такой многокритериальной задаче оптимизации, как эта, ни одно решение не оптимизирует одновременно каждую цель. Вдоль фронта Парето существует множество оптимальных решений (рис. 7).

Рис. 7. График фронта Парето для оптимизации последующей обработки, полученный с помощью многоцелевого генетического алгоритма MATLAB.

Синие круги на Рисунке 7 представляют собой оптимальные решения вдоль фронта Парето, что позволяет легко увидеть компромисс между выбросами NOx и стоимостью AOC. Эти решения минимизируют стоимость для заданного предела выбросов NOx или, с другой точки зрения, минимизируют выбросы при заданной стоимости. Поскольку наша цель - удерживать выбросы ниже определенного предела, мы выбираем решение по фронту Парето, которое ниже этого предела и имеет наименьшую стоимость. Например, если целевой показатель выбросов составляет 0,18 г / км, то минимальная стоимость AOC будет меньше 20 долларов.

Тысячи раз симуляция полного цикла привода может быть длительным процессом - для запуска всех необходимых симуляций для одной оптимизации потребовалось приблизительно пять дней на одном процессоре. К счастью, генетические алгоритмы хорошо подходят для ускорения с использованием методов параллельных вычислений. Мы использовали Parallel Computing Toolbox и MATLAB Parallel Server ™ для запуска моделирования на 64-ядерном вычислительном кластере. Поскольку у нас было 64 ядра, мы выбрали размер популяции 64 для генетического алгоритма, что позволило алгоритму одновременно оценивать 64 точки в каждой итерации или поколении. На вычислительном кластере наша оптимизация заняла около четырех часов.
Расширение этого подхода
Подход, описанный в этой статье, может быть применен к настройке дополнительных параметров или может использоваться для поддержки дополнительных целей, таких как минимизация веса транспортного средства. Например, его можно использовать для компромисса между стратегиями управления и оптимизации параметров контроллера, чтобы минимизировать расход выхлопной жидкости дизельного двигателя и, как результат, снизить стоимость владения автомобилем. Используя огромное количество доступных сегодня вычислительных ресурсов, инженеры могут быстро исследовать изменения конструкции и оптимизировать некоторые параметры на системном уровне.

авторы: Сет ДеЛанд, MathWorks, и Райан Даджен, Gamma Technologies

Перевод: Татьяна К.