柴油机气缸垫状态参数预测与结构优化研究

doi:10.19562/j.chinasae.qcgc.2021.02.011

摘要/Abstract

摘要：

为提高某重型柴油机气缸垫的可靠性和疲劳寿命，基于其温度场、热机耦合应力场和变形情况等状态参数利用相关方法对气缸垫的工作参数进行了优化研究。利用正交实验方法分析了缸垫的气缸圆直径、上水孔圆直径、隔热带长度、缸垫厚度和螺栓预紧力等5个工作参数对上述3个状态参数的影响规律，并确定了影响最为显著的4个工作参数。利用所提出的混合神经网络模型建立了工作参数与状态参数的对应关系模型，结合所提出的改进灰狼算法计算确定了气缸垫的最优工作参数值。分析结果表明改进后气缸垫的温度应力和变形情况得到显著改善，证明了改进的有效性和算法的准确性。

关键词: 柴油机, 气缸垫, 优化, 混合神经网络, 改进灰狼算法

Abstract:

In order to improve the reliability and fatigue life of a heavy?duty diesel engine cylinder head gasket， based on its state parameters such as temperature field， thermal?mechanical coupling stress field and deformation， the working parameters of the cylinder head gasket are optimized using related methods. The orthogonal experiment method is used to analyze the influence of the five working parameters of cylinder circle diameter， water hole circle diameter， heat insulation strip length， cylinder gasket thickness and bolt pre?tightening force on the above three state parameters， with the four most significant working parameters defined . Using the proposed hybrid neural network model， the corresponding relationship model between the working parameters and the state parameters is established， and the optimal working parameter value of the cylinder head gasket is calculated and determined in combination with the proposed improved gray wolf algorithm. The finite element analysis results show that the temperature stress and deformation of the cylinder head gasket after the improvement have been significantly improved， which proves the effectiveness of the improvement and the accuracy of the algorithm.

Key words: diesel engine, cylinder head gasket, optimization, hybrid neural network, improved grey wolf algorithm

董意,刘建敏,李普,刘艳斌,乔新勇. 柴油机气缸垫状态参数预测与结构优化研究[J]. 汽车工程, 2021, 43(2): 232-240.

Yi Dong,Jianmin Liu,Pu Li,Yanbin Liu,Xinyong Qiao. Research on Prediction of State Parameters and Structure Optimization of Diesel Engine Cylinder Gasket[J]. Automotive Engineering, 2021, 43(2): 232-240.

图/表 21

表1

图 1

图 2

表2

图 3

图 4

表3

L25(56)的实验表格与计算结果"

序号	$A$	$B$	$C$	$D$	$E$	$T m a x$ /K	$S m a x$ /MPa	$D m a x$ /mm
1	1	1	1	1	1	536.24	243.51	0.484 4
2	1	2	2	2	2	534.47	242.70	0.285 0
3	1	3	3	3	3	524.16	230.02	0.309 5
4	1	4	4	4	4	534.99	237.63	0.350 9
5	1	5	5	5	5	536.12	250.01	0.449 6
6	2	1	2	3	4	531.18	253.76	0.362 9
7	2	2	3	4	5	536.85	226.73	0.425 3
8	2	3	4	5	1	533.37	251.56	0.496 3
9	2	4	5	1	2	536.45	225.64	0.383 6
10	2	5	1	2	3	535.80	229.66	0.350 1
11	3	1	3	5	2	531.38	256.49	0.382 5
12	3	2	4	1	3	533.18	233.61	0.385 3
13	3	3	5	2	4	531.62	243.36	0.248 8
14	3	4	1	3	5	531.30	235.74	0.207 5
15	3	5	2	4	1	534.81	245.86	0.476 1
16	4	1	4	2	5	536.38	247.56	0.322 3
17	4	2	5	3	1	531.18	244.87	0.441 1
18	4	3	1	4	2	535.67	247.27	0.358 1
19	4	4	2	5	3	535.87	232.76	0.354 3
20	4	5	3	1	4	533.99	242.24	0.344 7
21	5	1	5	4	3	536.40	261.49	0.219 4
22	5	2	1	5	4	532.73	225.18	0.297 8
23	5	3	2	1	5	531.76	233.14	0.344 4
24	5	4	3	2	1	532.71	238.26	0.377 5
25	5	5	4	3	2	533.86	243.55	0.326 5

表3

表4

3个状态参数计算结果的方差分析表"

指标	指标	$S i 2$	$S i 2 / f i$	F值	F值临界值			显著性
指标	指标	$S i 2$	$S i 2 / f i$	F值	0.10	0.05	0.01	显著性
温度	A	18.717	4.679	0.540	2.250	2.870	4.430
	B	39.300	9.825	1.133	2.250	2.870	4.430
	C	24.133	6.033	0.696	2.250	2.870	4.430
	D	80.837	20.209	2.331	2.250	2.870	4.430	※
	E	10.376	2.594	0.299	2.250	2.870	4.430
应力	A	103.673	32.818	0.278	2.250	2.870	4.430
	B	1124.412	126.088	3.018	2.250	2.870	4.430	※※
	C	237.836	42.609	0.638	2.250	2.870	4.430
	D	211.473	42.408	0.568	2.250	2.870	4.430
	E	185.625	67.386	0.498	2.250	2.870	4.430
变形	A	0.024	0.006	0.984	2.250	2.870	4.430
	B	0.008	0.002	0.328	2.250	2.870	4.430
	C	0.004	0.001	0.164	2.250	2.870	4.430
	D	0.061	0.015	1.025	2.250	2.870	4.430
	E	0.120	0.030	2.500	2.250	2.870	4.430	※

表4

图 5

图 6

表5

混合神经网络部分训练样本"

序号	$A$	$B$	$D$	$E$	$T m a x$ /K	$S m a x$ /MPa	$D m a x$ /mm
1	153.0	23.1	2.05	134.8	532.338 1	241.496 1	0.465 340
2	153.0	24.2	2.60	145.8	534.027 2	240.668 6	0.289 510
3	153.0	25.5	3.25	158.8	529.614 3	235.986 9	0.329 427
4	153.0	26.8	3.90	171.8	532.389 5	246.393 7	0.427 519
5	154.0	23.1	3.05	164.8	528.703 9	252.573 5	0.366 654
6	154.0	24.4	3.70	157.8	530.752 6	238.510 1	0.454 281
7	154.0	25.7	2.60	140.8	530.554 0	235.373 8	0.416 173
8	154.0	27.0	2.50	153.8	535.800 0	229.660 0	0.350 100
9	155.0	23.3	3.40	146.8	534.377 6	251.141 5	0.383 875
10	155.0	24.6	2.30	159.8	534.850 1	238.629 9	0.302 998
11	155.0	25.9	2.95	172.8	533.918 7	237.744 6	0.210 332
12	155.2	26.2	3.30	141.8	532.506 1	248.427 4	0.444 810
13	156.0	23.5	2.75	153.8	537.080 8	244.863 7	0.385 204
14	156.0	24.8	3.40	141.8	536.854 2	248.083 8	0.371 042
15	156.0	26.1	3.80	154.8	534.346 8	232.051 3	0.353 681
16	156.4	25.4	2.60	159.8	530.991 1	247.894 2	0.291 781
17	157.0	23.7	3.85	160.8	535.046 3	237.800 9	0.272 666
18	157.0	25.0	2.00	173.8	531.760 0	233.140 0	0.344 400
19	157.0	26.3	2.65	136.8	529.145 7	242.215 6	0.364 453
20	157.0	27.0	3.00	143.8	533.860 0	243.550 0	0.326 500

表5

表6

混合神经网络计算值与预测值的对比"

序号	$A$	$B$	$D$	E	$T m a x$ /K		误差/%	$S m a x$ /MPa		误差/%	$D m a x$ /mm		误差/%
序号	$A$	$B$	$D$	E	计算值	预测值	误差/%	计算值	预测值	误差/%	计算值	预测值	误差/%
1	153.0	24.0	2.50	143.8	534.47	518.88	2.92	242.70	244.30	-0.66	0.285 00	0.284 48	0.18
2	153.0	24.9	2.95	152.8	530.30	549.12	-3.55	230.07	238.88	-3.83	0.308 35	0.306 37	0.64
3	153.0	25.8	3.4	161.8	527.60	515.45	2.30	234.42	228.21	2.65	0.340 17	0.340 77	-0.18
4	153.0	27.0	4.00	173.8	536.12	550.72	-2.72	250.01	251.31	-0.52	0.449 60	0.466 05	-3.66
5	153.4	25.4	3.60	169.8	534.01	529.07	0.92	252.55	264.47	-4.72	0.411 85	0.419 37	-1.83
6	154.0	26.2	2.10	145.8	537.03	528.73	1.54	224.76	233.98	-4.10	0.374 50	0.362 16	3.29
7	154.0	26.9	2.45	152.8	537.19	529.54	1.42	231.43	230.75	0.29	0.353 52	0.364 66	-3.15
8	155.0	23.1	3.80	144.8	533.76	548.69	-2.80	256.38	266.05	-3.77	0.384 35	0.401 43	-4.44
9	155.0	24.6	2.30	159.8	534.85	513.51	3.99	238.63	227.39	4.71	0.303 00	0.308 13	-1.69
10	155.6	24.6	2.90	157.8	533.26	517.57	2.94	248.15	247.10	0.42	0.384 01	0.401 46	-4.55
11	156.0	23.3	2.65	161.8	539.84	536.30	0.66	248.46	259.93	-4.62	0.359 15	0.375 88	-4.66
12	156.0	26.6	2.80	159.8	537.53	536.07	0.27	237.79	228.44	3.93	0.345 07	0.342 17	0.84
13	157.0	23.8	3.90	161.8	537.21	519.08	3.37	232.47	229.89	1.11	0.282 20	0.276 99	1.85
14	157.0	24.7	2.60	170.8	536.81	528.71	1.51	230.70	221.02	4.19	0.331 11	0.320 97	3.06
15	157.0	26.2	2.60	135.8	528.34	509.59	3.55	237.52	240.49	-1.25	0.370 87	0.367 07	1.02

表6

图 7

图 8

表7

图 9

表8

图 10

图 11

图 12

表9

优化前后各个指标的对比"

指标	$T m a x$ /K	$S m a x$ /MPa	$D m a x$ /mm
优化前	534.16	239.96	0.375 7
优化后	506.28	223.12	0.322 9
差值	27.88	16.84	0.052 8
差值比例	5.22%	7.02%	14.05%

表9

参考文献 10

1	李卫民，赵文川，刘志强.基于有限元分析的汽油发动机密封性能多物理场耦合研究［J］.润滑与密封，2018，43（4）：99-103，107.
	LI Weimin， ZHAO Wenchuan， LIU Zhiqiang. Multiphysics coupling research of gasoline engine sealing performance based on finite element analysis ［J］.Lubrication Engineering， 2018，43 （4）： 99-103，107.
2	何联格，左正兴，向建华.螺栓装配连接工艺对气缸密封的影响［J］.内燃机学报，2014，32（6）：562-568.
	HE Liange， ZUO Zhengxing， XIANG Jianhua. Effect of bolt assembly and connection technology on cylinder seal ［J］.Journal of Internal Combustion Engines， 2014，32 （6）： 562-568.
3	ZHAO J， MA Y， ZHANG Z， et al. Optimization and matching for range⁃extenders of electric vehicles with artificial neural network and genetic algorithm［J］. Energy Conversion and Management2019， 184： 709-725.
4	LIU J，MA B， ZHAO H. Combustion parameters optimization of a diesel/natural gas dual fuel engine using genetic algorithm［J］. Fuel， 2020， 260： 116-115.
5	刘建敏，董意，王普凯，等.基于流固耦合的柴油机缸体/缸套温度场分析［J］.装甲兵工程学院学报，2016，30（3）：41-44，49.
	LIU Jianmin， DONG Yi， WANG Pukai， et al. Analysis of temperature field of diesel engine block / cylinder liner based on fluid⁃solid coupling ［J］.Journal of Academy of Armored Force Engineering， 2016，30 （3）： 41-44，49.
6	PRABHAHAR M， PRAKASH S， GEORGE I， et al. Optimization of performance and emission characteristics of bio diesel fuelled VCR engine using Taguchi approach［C］. Materials Today： Proceedings， 2020.
7	DONG Y， LIU J， LIU Y， et al.A RBFNN & GACMOO⁃based working state optimization control study on heavy⁃duty diesel engine working in plateau environment［J］. Energies， 2020， 13： 279.
8	BAKLACIOGLU T， TURAN O， AYDIN H. Dynamic modeling of exergy efficiency of turboprop engine components using hybrid genetic algorithm⁃artificial neural networks［J］. Energy， 2015，86：709-721.
9	LIU J， YANG Z， LI D. A multiple search strategies based grey wolf optimizer for solving multi⁃objective optimization problems［J］. Expert Systems with Applications， 2020，145： 113-134.
10	KARABOGA D， BASTURK B. A powerful and efficient algorithm for numerical function optimization： artificial bee colony （ABC） algorithm［J］. Journal of Global Optimization， 2007，39（3）：459-471.

参数	数值
型式	四冲程涡轮增压直喷水冷
缸数及排列	12缸V排列
缸径/mm	150
冲程/mm	180
压缩比	13.5
排量/L	38.8
连杆长度/mm	320
额定功率/kW	537(2 000 r·min^-1)
最大转矩/（N·m）	2 991(1 400 r·min^-1)

测点	1	2	3	4	5	6
实验/K	414.73	417.59	412.71	420.05	417.45	422.84
计算/K	391.81	414.75	432.88	446.83	447.10	440.32
误差/%	5.53	0.68	-4.89	-6.37	-7.10	-4.13

[1]	王庞伟,刘程,汪云峰,张名芳. 面向城市道路的智能网联汽车多车道轨迹优化方法[J]. 汽车工程, 2024, 46(2): 241-252.
[2]	卢紫旺,田光宇,李润峰,纪文菲,孙毅文,喻云昶. 单双电机机械变速器直连系统性能对比研究[J]. 汽车工程, 2024, 46(2): 310-319.
[3]	张琳,蒙华,冯宇,赵晓龙,魏超,严运兵. 高速湿式离合器摩擦片表面微织构优化设计[J]. 汽车工程, 2024, 46(2): 320-328.
[4]	原江鑫, 何莉萍, 李耀东, 李罡. 电动汽车BMS从控板热分析及散热优化[J]. 汽车工程, 2024, 46(1): 128-138.
[5]	熊萌,张栋,尤国建,孙添飞,盛凯,魏学哲. 电动汽车无线充电高效高利用率磁芯的多目标优化设计[J]. 汽车工程, 2023, 45(9): 1740-1752.
[6]	朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.
[7]	陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.
[8]	张翼霄,马骁,卢鑫辉,王志,诸葛伟林,帅石金. 柴油机喷雾碰壁引燃进气预热特性研究[J]. 汽车工程, 2023, 45(8): 1489-1498.
[9]	胡杰, 张志豪, 陈瑞楠, 陈锐鹏, 刘昊岩, 朱琪, 陈晖. 基于改进混合A*的智能汽车时空联合规划方法[J]. 汽车工程, 2023, 45(7): 1123-1133.
[10]	刘平, 陈卓, 刘明杰, 朴昌浩, Soohyun Jang, 万凯林. 阶段约束下Gauss配点离散化平行车位自动泊车轨迹规划[J]. 汽车工程, 2023, 45(7): 1163-1173.
[11]	邹渊,孙文景,张旭东,温雅,曹万科,张兆龙. 面向时间敏感网络的车载以太网网络架构多目标优化[J]. 汽车工程, 2023, 45(5): 746-758.
[12]	靳春宁,高妍,高世哲,邹天下,刘洋,张智恒. 基于辊冲一体式纵梁的轻量化拖挂式房车底盘[J]. 汽车工程, 2023, 45(5): 865-872.
[13]	张宗阳,谢双双,王凯,张玉鹏,邴涛,孙士涛. 基于复杂边界的牵引车车架疲劳研究[J]. 汽车工程, 2023, 45(5): 873-879.
[14]	廉玉波,衣本钢,崔营营,田洪生,闫军飞,程晨. 基于扭转刚度的电池包与车身集成设计研究[J]. 汽车工程, 2023, 45(4): 647-653.
[15]	高云凯,张锁,袁泽. 考虑疲劳性能的驾驶室拓扑优化设计[J]. 汽车工程, 2023, 45(3): 468-476.