下载文档原格式
书山有路勤为径；学海无涯苦作舟
共轨喷油器结构参数的分析研究
共轨喷油器结构参数的分析研究
根据共轨喷油器各部分的液力特性，利用AMESim仿真软件建模，将其
分为容器类、压力驱动阀类、流道类和短管类。
为了验证模型的准确性，将仿真计算数据与试验数据进行了比较，结果表明，仿真模型的搭建合理，在此基础上分析了喷油器不同结构参数对喷射规律的影响。
1）控制室进
油孔直径（din）和出油孔直径（din）对燃油喷射性能有重要的影响，不
同的孔径比对应不同的流量比，不同的流量比会使针阀的开启和关闭速率不同，导致不同的喷油规律。
2）控制活塞直径的变化会影响针阀开启和
关闭的时间，随着直径的增加，针阀的开启速度和关闭速度降低，喷油始点延迟，喷油终点提前。
3）不同的针阀弹簧的预紧力也会对喷油量产生
影响。
在较大的预紧力下，喷油始点延迟，喷油终点提前，喷油量减少。
4）不同控制活塞的刚度对喷油规律有一定影响。
为了获得理想的燃油的
喷射规律，要尽可能提高针阀刚度，减少因针阀变形引起的压力波动。
5）在保证所需流通面积的前提下应尽可能减小针阀升程。
6）控制室容积过大或过小对系统都有不利影响：过小则针阀打开过早，喷油速率在最大值持续时间长，对针阀最大升程有所限制；过大则系统反映慢，且喷油速率不能达到最大值，使柴油机性能变坏。
因此，在保证针阀开启的情况下应尽可能地减小控制室的容积，来提高针阀的响应速度。
专注下一代成长，为了孩子。
基于AMESim和LS-SVM的高压共轨系统建模与仿真邓元望;元野;周飞;陈可亮【摘要】为了提高高压共轨压力预测模型的精确性,采用AMESim软件建立了柴油机高压共轨仿真模型.利用灰色关联分析方法对共轨压力影响因素进行理论分析计算,并确定了高压共轨压力预测模型的输入输出变量；然后利用最小二乘支持向量机对共轨压力与主要的影响因素之间的数值关系进行了智能拟合,并利用自适应粒子群算法优化了最小二乘支持向量机的初始参数.通过20个预测样本的检测,最小二乘支持向量机模型的最大预测误差为0.079 1,平均相对误差降至0.039 6,其性能明显优于BP神经网络.%To increase the precision of high pressure common rail forecast model, the modeling of high pressure common rail diesel engine based on AMESim was introduced. On this basis, grey relational theoretical analysis was used to analyze the multi-parameter system and calculation to determine the input and output variables of the predictive model. Adaptive weighted Particle Swarm Optimization algorithm was applied to the optimization of initial parameters of least square support vector machine. Through the examination of 20 forecasting samples, the maximal error of the forecast model is 0. 079 1, and the average relative error is reduced to 0. 039 6 by the least square support vector machine, which is far superior to commonly used empirical formula and neural network.【期刊名称】《湖南大学学报（自然科学版）》【年(卷),期】2012(039)001【总页数】5页(P47-51)【关键词】高压共轨;最小二乘支持向量机;灰色关联分析;粒子群优化算法【作者】邓元望;元野;周飞;陈可亮【作者单位】湖南大学机械与运载工程学院,湖南长沙410082;湖南大学机械与运载工程学院,湖南长沙410082;湖南大学机械与运载工程学院,湖南长沙410082;湖南大学机械与运载工程学院,湖南长沙410082【正文语种】中文【中图分类】TK4柴油机高压共轨喷射系统是一个复杂的、非线性的、时变的系统，其过程参数随工况不断变化，建立柴油机高压共轨系统模型是对其进行控制和优化的前提，国内外在这方面进行了大量的研究[1－2].用传统建模方法建立整个系统的数学模型时，包含的数学方程多，求解难度大，计算结果的准确度也不高[3]，因此需要进一步完善共轨系统仿真模型.基于神经网络的非机理建模方法用于建立柴油机高压共轨系统模型，也取得了较好的结果，但该方法是基于大样本数据条件下获得的，需要大量的实验数据，同时该方法在处理随机性和时变特性方面的效果并不理想[4－5].支持向量机方法与神经网络方法都能对复杂的非线性系统进行拟合，但在针对小样本的泛化能力方面，支持向量机方法明显优于神经网络方法.目前支持向量机已广泛应用于模式识别与时间序列预测中[6]，取得了很好的效果.本文通过对柴油机高压共轨喷射系统结构和工作过程的分析，在AMESim仿真软件中建立包括高压油泵、共轨管部件和共轨喷油器在内的共轨系统模型，研究各参数对共轨压力的影响.并用灰色关联分析数据确定出共轨模型的输入参数，再用最小二乘支持向量机（LS－SVM）对高压共轨系统进行拟合，根据仿真软件所得的样本数据训练该模型，并与BP神经网络拟合进行性能对比，验证高压共轨模型的精确性.1 基于AMESim的高压共轨系统模型高压共轨系统由燃油低压子系统、共轨压力控制子系统、燃油喷射控制子系统、电控发动机管理系统组成.低压油从油箱进入三柱塞高压泵产生高压油，经高压油管进入共轨管（Rail），分配到喷油器入口端，通过控制喷油器电磁阀控制喷油.当共轨压力超过一定数值时，限压阀（Flow Limiter）开启进行卸压.本文利用AMESim软件的发动机仿真平台IFP－Engine，建立了四缸直喷柴油机仿真模型. 1）将现实的物理模型加以抽象，转化为AMESim软件中的各个模块.高压油泵（Supply pump）部分包括：凸轮模块、柱塞模块、出油阀模块、PCV 模块、回油阀模块.共轨（Rail）部分包括：共轨容积模块、共轨各部分相对位置.喷油器（Injector）部分包括：电磁阀驱动力模块、球阀腔模块、进（回）油孔、控制腔模块、控制活塞、顶针、针阀体、喷嘴内油管、控制腔、盛油槽、压力室容积、喷油嘴、喷孔数目及直径、回位弹簧的刚度及预紧力、针阀的泄露、回油压力. 2）在AMESim中将这些子模块按共轨系统的结构连接起来，组成后的高压共轨系统模型，如图1所示.为了便于观察，图中高压油泵、调压阀、限压阀和喷油器均为封装后的超级元件.图1 高压共轨系统模型Fig.1 The model of high－pressure common rail system在AMESim软件中建好模型后，根据高压共轨台架结构参数及其试验条件设定共轨系统模型参数，选取的共轨系统参数为压力控制阀开启角（PCV＿ON）、泵油量（Vp）、喷油器电磁阀信号（TWV）、共轨容积（Vr）和柱塞泵转速（Rp）、共轨压力（Pr），见表1.再利用软件中的批运行功能研究了不同参数下共轨管压力的建立过程，并进行模型验证.仿真与试验结果如图2所示.表1 轨压影响因数Tab.1 The Impact factors of rail pressure编号 PCV＿ON／（°）Vp／（mm3·r－1）TWV／ms Vr／mm3Rp／（r·min－1）Pr／MPa 1 46.80 115.5 1.9 37 759 101.0 2 44.21 113.6 2.9 59 677 98.0 3 41.10 104.02.7 59 607 88.6 4 40.20 108.5 2.9 53 549 83.2 5 45.40 90.0 2.4 48 508 81.0 6 45.10 103.0 2.8 58 643 86.0 7 37.89 88.0 2.6 52 497 78.0 8 36.90 121.0 2.849 436 75.0 9 35.70 100.0 2.7 55 424 73.6 10 45.50 105.0 2.9 58 666 100.5图2 压力建立过程的实验结果与仿真结果比较Fig.2 Comparison between the simulation result and the experimental result based on pressure built－up process由图中可以看出，该仿真模型的仿真结果与试验结果具有一致的趋势，能很好地跟踪共轨压力的实际情况.建立的基于AMESim的高压共轨系统仿真模型准确，基本上可以对系统进行仿真研究.2 基于灰色关联分析方法的模型输入参数灰色关联分析是灰色系统理论的一个重要组成部分，它通过计算关联因素变量的数据序列和系统特征变量数据序列的灰色关联度，进行大小排序确定事物之间的关联度强弱[7－8].本文采用灰色关联分析方法计算影响共轨压力各因素的关联度大小，以此来确定共轨模型的输入参数.2.1 确定参考数列与比较数列为了对参评对象数据序列进行评价，首先要确定评价参考数据序列与比较数据序列.本文将共轨压力作为参考数列，记为x0（k）；把压力控制阀开启角、泵油量、共轨容积、油泵转速、喷油器电磁阀信号作为比较数列，记为xi（k）（i＝1，2，…，5；k＝1，2，…，10）.2.2 原始数据的规范化处理鉴于原始数据（见表1）中各计量单位各不相同，需将原始数据进行无量纲化处理，即指标区间化和归一化处理：2.3 计算关联系数对应于一个参考数据序列，有若干个比较数据序列，则第i个比较数据序列与参考数据序列在对应的第k个指标的相对差即为关联系数.利用式（2）计算出每个时刻点上参考数列与5个比较数列差的绝对值：根据式（2）计算出的结果计算参考数列与各比较数列的关联系数：式中：Δ（min），Δ（max）分别表示所有比较序列各个时刻绝对差中的最大值与最小值；ρ为分辨系数，一般取0.5.计算结果见表2.2.4 计算灰色关联度关联度由关联系数的平均值求出：由式（4）计算可得：r1＝7.298，r2＝7.133，r3＝4.988，r4＝4.943，r5＝8.437.根据结果r5＞r1＞r2＞r3＞r4可知，压力控制阀开启角、高速柱塞泵转速、油量的关联度大于共轨容积和喷油器电磁阀信号.因此选取前3个参数作为共轨压力仿真模型的输入参数.表2 灰色关联系数Tab.2 Grey relation coefficient编号ξ1（k）ξ2（k）ξ3（k）ξ4（k）ξ5（k）1 1.000 1.000 1.000 1.000 1.000 2 0.889 0.835 0.542 0.528 0.987 3 0.831 0.788 0.501 0.469 0.836 4 0.708 0.629 0.431 0.446 0.977 50.401 0.479 0.337 0.333 0.584 6 0.734 0.824 0.499 0.481 0.901 7 0.4840.518 0.337 0.333 0.649 8 0.814 0.559 0.438 0.466 0.619 9 0.551 0.4810.346 0.340 0.949 10 0.886 1.000 0.557 0.547 0.9353 最小二乘支持向量机及自适应权重粒子群优化方法3.1 最小二乘支持向量机（LS－SVM）根据支持向量机理论，对于所给的非线性样本（x1，y1），（x2，y2），…，（xk，yk）（k＝1，2，…，N）（xk为输入数据，yk为输出数据）的拟合问题可以转化为对式（5）的求解：依据最小二乘理论，将式（5）转化为如下矩阵方程：式中：y＝｛y1，y2，…，yl｝T；Al＝｛1，1，…，1｝；a＝｛a1，a2，…，al｝T；I为单位矩阵；Ω ＝φ （x）Tφ（xk）＝ K（x，xk），K（x，xk）为核函数.本文采用高斯径向基函数（RBF）作为核函数.式（6）为一线性方程组，可用最小二乘法求解得出a，b的值，最后代入式（8）可得到在输入空间中所用的非线性分类决策函数：将最小二乘支持向量机用于共轨压力仿真，从AMESim所得数据中随机选取100个训练样本，则式（8）中的N ＝80，输入为3维向量：｛PCV＿ON，高压油泵油量，转速｝，输出向量为共轨压力.在LS－SVM方法中，可调正规化参数γ和核参数σ作为一个整体来使用，并且直接决定着LSSVM的训练和泛化性能.本文利用具有快速全局优化特点的改进后的自适应权重粒子群（SA－PSO）方法[9]确定γ和σ的值.3.2 自适应权重粒子群优化算法（SA－PSO）在粒子群算法的可调参数中，惯性权重w是最重要的参数.惯性权重w取较大值有利于提高算法的全局搜索能力，而较小的w会增强算法的局部搜索能力，根据不同的权重变化公式，可以得到不同的PSO算法[10－11].此处采用非线性的动态惯性权重系数公式[12]：在式（9）中，惯性权重随着微粒的目标函数值f的变化而自动改变.当微粒的目标值趋于一致或者趋于局部最优时，将使w值增加；而各微粒的f值比较分散时，将使w值减小；同时f值大于平均目标值favg的微粒，其对应的w值较小，从而保护了该微粒，反之对于f值小于favg的微粒，其对应的w值较大，使得微粒向更好的搜索区域靠拢.这种自适应权重粒子算法能够平衡PSO算法的全局搜索能力和局部改良能力[12].4 基于LS－SVM的共轨压力预测模型4.1 SA－PSO优化LS－SVM 的关键参数自适应权重粒子群优化算法[13]所要优化的参数为正规化参数γ和核函数参数σ.此处参数选择如下：种群数目N＝40，待优化的参数量即问题的维数D＝2，最大迭代次数M＝200，学习因子c1和c2均取2，最大惯性权重wmax＝0.9，最小惯性权重wmin＝0.6.将训练样本误差的均方差作为目标值返回.目标值表达式为：式中：f（xk），yk分别为 LS－SVM 的期望输出值与训练输出值.基于SA－PSO 算法的参数寻优算法流程图如图3所示.4.2 基于SA－PSO优化LS－SVM后的共轨压力预测通过自适应粒子群算法优化，最后得到正规化参数γ以及核函数参数σ的最优参数组合值，分别为γ＝60，σ＝1.2.利用最小二乘支持向量机对共轨系统的共轨压力进行拟合.图3为基于LS－SVM的共轨系统模型的共轨压力预测值与实际值的比较曲线.从图4可知，LS－SVM的预测精度较高，并且较好地跟踪了共轨压力的变化趋势.经对比预测值与实际值可知，基于最小二乘支持向量机模型的最大相对误差为7.9%，最小相对误差为1.07%，平均相对误差为3.96%.该方法表现出很好的泛化能力，测试样本的泛化均方误差仅为0.079 1.4.3 最小二乘支持向量机模型与神经网络模型预测结果的比较采用BP神经网络方法时，由于拟合的对象模型具有3个输入参数、1个输出参数，可根据2n＋1（n为输入层个数）求出隐含层节点数为7个，则该网络结构为3－7－1[14].隐含层函数用tansig，因为油压为正值，所以输出层函数取logsig.训练算法选用Levenberg－Marquardt法.图3 SA－PSO参数优化流程图Fig.3 SA－PSO parameter optimization flow chart图4 共轨压力预测值与实际值的比较Fig.4 Comparison of rail pressure between the forecast and actual results神经网络训练样本仍旧选用前文中的80个样本，选取剩下的20组数据作为检测样本，对训练好的BP神经网络模型进行检测.本文仅比较最小二乘支持向量机、BP神经网络二者预测误差，见图5.图5 LS－SVM与神经网络拟合误差比较Fig.5 Comparison of the fitting error between LS－SVM and Neural networks由图5可见，基于BP神经网络模型的最大相对误差为18.4%，最小相对误差为3.2%，平均相对误差为9.01%；比较可知最小二乘支持向量机模型拟合误差明显小于神经网络模型.5 结论本文基于AMESim建立了高压共轨系统仿真模型，对不同参数影响下的共轨系统进行仿真计算，并与试验数据进行对比，结果显示本文建立的共轨系统模型较准确.并利用灰色关联分析方法对影响共轨压力的参数进行分析评估，得出影响高压共轨轨压关联度较大的3个参数.再依据AMESim软件所得数据作为训练样本，建立了基于最小二乘支持向量机高压共轨压力预测模型，最小二乘支持向量机参数γ＝60，σ＝1.2，最后将最小二乘支持向量机模型与BP神经网络模型进行了比较，表明了最小二乘支持向量机高压共轨压力预测模型在预测高压共轨压力方面的优越性.参考文献[1] AHLIN K.Modeling of pressure waves in the common rail diesel injection system[D].Linköping，Sweden：Linköping University，Dept of Electrical Engineering，2000.[2] GAUTHIER C，SENAME O，DUGARD L，et al.Modeling of a diesel engine common rail injection system [C]／／Proceedings ofIFAC2005.Trondheim，Norway：NTNU，2005.[3] 颜松，魏建勤.高压共轨系统轨压模拟计算[J].液压与气动，2005（2）：3－5.YAN Song，WEI Jian－qin.Simulation of rail pressure in high pressure common rail pressure[J].Chinese Hydraulics ＆Pneumatics，2005（2）：3－5.（In Chinese）[4] 冯宗磊，杨福源，任亮，等.发动机的组合神经网络建模[J].清华大学学报：自然科学版，2005，45（11）：1522－1525.FENG Zong－lei，YANG Fu－yuan，REN Liang，et al.Modeling of engine control systems using assembled neural networks[J].Journal of Tsinghua University：Science and Technology，2005，45（11）：1522－1525.（In Chinese）[5] 李先成，冯静，祝柯卿，等.基于BP神经网络的GD－1高压共轨系统的建模研究[J].小型内燃机与摩托车，2008，37（1）：14－17.LI Xian－cheng，FENG Jing，ZHU Ke－qing，et al.Study on BP neural networks modeling for GD－1high pressure common rail system[J].Small Internal Combustion Engine and Motorcycle，2008，37（1）：14－17.（In Chinese）[6] KULKARNI A，JAYARAMAN V K，KULKARNI B D.Support vector classification with parameter tuning assisted by agent－basedtechnique[J].Engineering，2004，8（3）：311－319.[7] 刘思峰，谢乃明.灰色系统理论及其应用[M].北京：科学出版社，2008：44－71.LIU Si－feng，XIE Nai－ming.Grey system theory and itsapplication[M].Beijing：Science Press，2008：44－71.（In Chinese）[8] 曲晓慧，乔新勇，陈玫，等.基于灰色关联分析的柴油机状况评估[J].兵工学报，2005，26（4）：557－559.QU Xiao－hui，QIAO Xin－yong，CHEN Mei，et al.Condition evaluation for diesel engine based on grey relation analysis[J].Acta Armamentarii，2005，26（4）：557－559.（In Chinese）[9] NIKNAM T，FARSANI E A.A hybrid self－adaptive particle swarm optimization and modified shuffled frog leaping algorithm for distribution feeder reconfiguration[J].Engineering Applications of Artificial Intelligence，2010，23（8）：1340－1349.[10] SUYKENS J A K，BRABANTER J D，LUKAS L，et al.Weighted least squares support vector machines：robustness and sparse approximation [J].Neurocomputing，2002，48（1／4）：85－105.[11] KENNEDY J，EBERHART R C.Particle swarm optimization[C]／／Proceedings of IEEE International Conference on Neural Networks.New York：IEEE，1995：1942－1984.[12] LI Xiu－fen，FU Hong－jie，ZHANG Chang－heng.A self－adaptive particle swarm optimization algorithm.[C]／／Proceedings of IEEE International Conference on Computer Science and Software Engineering.New York：IEEE，2008：186－189.[13] 吴晓刚，王旭东，余腾伟.磁粉离合器自适应权重粒子群优化模糊控制的研究[J].汽车工程，2010，23（6）：511－513.WU Xiao－gang，WANG Xu－dong，YU Teng－wei.A research on the fuzzy control of magnetic powder clutch based on adaptive weight particle swarmoptimization[J].Automotive Engineering，2010，23（6）：511－513.（In Chinese）[14] 梁峰，冯静，肖文雍，等.BP神经网络在高压共轨式电控柴油机故障诊断中的应用[J].内燃机工程，2004，25（2）：46－49.LIANG Feng，FENG Jing，XIAO Wen－yong，et al.Application of BP nerual network to fault diagnosis of high－pressure common rail fuel system of electronic control diesel engines[J].Chinese Internal Combustion Engine Engineering，2004，25（2）：46－49.（In Chinese）。
《基于AMESim的液压系统建模与仿真技术研究》篇一一、引言随着现代工业技术的不断发展，液压系统在各种机械设备中扮演着至关重要的角色。
为了更好地理解液压系统的性能，优化其设计，以及进行故障诊断和预测，建模与仿真技术显得尤为重要。
本文将介绍基于AMESim的液压系统建模与仿真技术研究，以期为相关领域的研发和应用提供有益的参考。
二、AMESim软件概述AMESim是一款功能强大的工程仿真软件，广泛应用于机械、液压、控制等多个领域。
它提供了一种直观的图形化建模环境，用户可以通过简单的拖拽和连接元件来构建复杂的系统模型。
此外，AMESim还支持多种物理领域的仿真分析，包括液压、气动、热力等。
三、液压系统建模在AMESim中，液压系统的建模主要包括以下几个方面：1. 液压元件建模：包括液压泵、液压马达、油缸、阀等元件的建模。
这些元件的模型可以根据实际需求进行参数设置和调整。
2. 流体属性设置：根据液压系统的实际工作情况，设置流体的属性，如密度、粘度等。
3. 系统拓扑结构构建：根据实际系统的结构，搭建系统拓扑结构，并设置各元件之间的连接关系。
4. 仿真参数设置：根据仿真需求，设置仿真时间、步长等参数。
四、液压系统仿真在完成液压系统的建模后，可以通过AMESim进行仿真分析。
仿真过程主要包括以下几个方面：1. 初始条件设置：设置系统的初始状态，如初始压力、流量等。
2. 仿真运行：根据设置的仿真时间和步长，运行仿真程序。
3. 结果分析：通过AMESim提供的可视化工具，分析仿真结果，如压力、流量、温度等参数的变化情况。
五、技术应用与优势基于AMESim的液压系统建模与仿真技术具有以下优势：1. 高效性：通过图形化建模环境，可以快速构建复杂的液压系统模型，提高建模效率。
2. 准确性：AMESim提供了丰富的物理模型和算法，可以准确模拟液压系统的实际工作情况。
3. 灵活性：用户可以根据实际需求，灵活地调整模型参数和仿真条件，以获得更符合实际的结果。
Internal Combustion Engine&Parts0引言随着科技的不断发展，人们对于柴油机提出了更高的要求，旨在提升柴油机的动力性、经济性、环保性,以适应目前经济社会的发展要求。
共轨式喷油系统是建立在直喷技术、预喷射技术和电子控制技术基础之上的一种新型供油系统。
高的喷射压力不仅可以使燃料与空气充分混合，而且燃烧也更彻底，燃料电控喷射可以实现喷油规律的柔性控制，能有效降低柴油机的噪声，油耗以及有害气体排放。
1AMESim软件介绍AMESim最初是法国IMAGINE公司于1995年推出的系统建模、仿真及动力学分析软件，在2007年被比利时LMS公司收购，并于2012年被西门子公司收购。
AMESim 软件是一款功能强大的系统仿真软件，它有着一套标准且优化应用库，如机械库、液压库、液压元件设计库、气动库、信号控制库、热库等，为设计人员提供了便捷的开发平台，实现了多学科交叉领域系统的数学建模和仿真分析。
由于注重于实际的物理系统，工程技术人员可以从复杂的数值仿真算法和繁琐的编程工作中被解放出来。
AMESim软件用图形的方式来描述系统中各设备间的联系，能够反映元件间的负载效应和系统中能量、功率的流动情况。
目前AMESim在汽车、船舶、航空航天等诸多领域已经得到了非常好的应用。
近年来，AMESim已被用在高压共轨喷油系统的仿真研究。
2研究现状与进展国内开展电控喷油器仿真研究已有一段时间，并取得了一定的进展。
在建立仿真模型时，需要对喷油器各部分进行划分，通常喷油器模型包括两部分，即电磁阀部分和喷油器的液力系统部分。
2.1电磁阀影响参数电磁阀部分的影响参数主要有衔铁残余气隙、控制阀杆升程、电磁阀预紧力、驱动电压。
哈尔滨工程大学马修真教授的研究表明：衔铁残余气隙（衔铁残余气隙是指电磁铁与衔铁吸合时，两者之间的最小距离）减小，会使喷油持续期增长，有利于电磁阀的开启[1]。
哈尔滨工程大学田丙奇博士的研究指出：控制阀杆升程的变化产生的影响与衔铁残余气隙相似，一方面增大控制阀杆升程即相当于增大了电磁铁与衔铁的距离，使电磁力减小。
《基于AMESim的液压系统建模与仿真技术研究》篇一一、引言随着现代工业技术的飞速发展，液压系统在众多领域中发挥着至关重要的作用。
液压系统的设计与分析一直是工程领域的重要课题。
为了更有效地进行液压系统的设计与优化，研究人员开发了多种仿真软件，其中AMESim软件在液压系统建模与仿真方面具有广泛的应用。
本文旨在探讨基于AMESim的液压系统建模与仿真技术的研究。
二、AMESim软件及其在液压系统建模中的应用AMESim是一款多学科领域的仿真软件，广泛应用于机械、液压、控制等多个领域。
在液压系统建模中，AMESim提供了丰富的液压元件模型库，如泵、马达、缸体、阀等，可以方便地构建出复杂的液压系统模型。
此外，AMESim还提供了强大的仿真求解器和友好的用户界面，使得建模与仿真过程更加便捷。
三、液压系统建模流程基于AMESim的液压系统建模流程主要包括以下几个步骤：1. 确定系统需求与目标：明确液压系统的功能、性能指标及工作条件。
2. 建立系统模型：根据系统需求与目标，选择合适的液压元件模型，并构建出整个液压系统的模型。
3. 设置仿真参数：根据实际需求设置仿真时间、步长、初始条件等参数。
4. 进行仿真分析：运行仿真模型，观察并记录仿真结果。
5. 结果分析与优化：根据仿真结果，对液压系统进行性能分析，并针对存在的问题进行优化设计。
四、液压系统仿真技术研究液压系统仿真技术是利用计算机技术对液压系统进行模拟分析的一种方法。
基于AMESim的液压系统仿真技术具有以下优点：1. 高效性：可以快速地构建出复杂的液压系统模型，并进行大量的仿真分析。
2. 准确性：通过精确的数学模型和物理定律，可以准确地模拟液压系统的实际工作情况。
3. 灵活性：可以根据需求随时调整仿真参数和模型结构，以获得更好的仿真结果。
在液压系统仿真技术中，还需要注意以下几点：1. 模型验证：在进行仿真分析之前，需要对建立的模型进行验证，以确保其准确性。
航空发动机燃油计量装置的AMESim建模航空发动机燃油计量装置的AMESim建模随着航空业的发展，航空发动机的燃油计量装置的可靠性和精度越来越受到关注。
在此背景下，建立一种能够准确模拟航空发动机燃油计量装置的数值模型是十分必要的。
本文将介绍一种基于AMESim的航空发动机燃油计量装置的建模方法。
1. 模型基本思路航空发动机的燃油计量装置主要是由燃油供给系统和测量系统两部分组成。
建立模型时，首先需要分别建立两部分模型。
然后，将两部分模型结合起来形成完整的模型。
最后，利用AMESim进行仿真验证。
2. 燃油供给系统模型燃油供给系统主要包括燃油箱、燃油泵、燃油过滤器、燃油喷射器等组成。
在此模型中，我们将燃油系统看作是一个油泵强制供油的过程。
燃油流量方程：Q=CVN(p2-p1)其中，Q表示燃油流量，C为流量系数，V为流体体积，N为转速，p2-p1为压差。
3. 测量系统模型测量系统主要包括传感器和计算器。
传感器方程：V=kf*rho*deltaP其中，V为燃油体积，kf为传感器系数，rho为燃油密度，deltaP为传感器测得的压差。
计算器方程：mf=V/tau其中，mf为燃油质量，tau为积分时间常数。
4. 整体模型将燃料供给系统和测量系统结合起来，得到完整的模型。
整体模型方程如下：mf=C*tau*kf*rho*N(p1-p2)其中，mf为燃油质量，C为流量系数，tau为积分时间常数，kf为传感器系数，rho为燃油密度，N为转速，p1-p2为压差。
5. 结论本文采用AMESim软件建立了航空发动机燃油计量装置的数值模型，并对其进行了仿真验证。
仿真结果表明，该模型的计算结果与实际数据相符合，证明了该模型的准确性和可靠性。
该模型为研究航空发动机燃油计量装置提供了一种有效的手段，也为提高航空发动机燃油的可靠性和精度提供了参考。
根据不同领域的需求和目的，相关数据可以包括各类定量数据和定性数据。
以下以举例分析为主。
《基于AMESim的液压系统建模与仿真技术研究》篇一一、引言随着科技的不断进步，液压系统在各种工业应用中发挥着越来越重要的作用。
液压系统的建模与仿真技术是研究液压系统性能、优化设计以及故障诊断的重要手段。
AMESim作为一种功能强大的液压系统建模与仿真软件，被广泛应用于液压系统的研究与分析。
本文将介绍基于AMESim的液压系统建模与仿真技术的研究，探讨其应用及发展前景。
二、AMESim软件简介AMESim是一款多学科领域的工程仿真软件，主要用于液压、机械、控制等系统的建模与仿真。
它具有丰富的液压元件模型库，可以方便地建立各种液压系统模型。
此外，AMESim还具有强大的求解器，可以快速准确地求解液压系统的动态性能。
三、液压系统建模3.1 建模步骤基于AMESim的液压系统建模主要包括以下几个步骤：（1）确定液压系统的结构和工作原理，明确各元件的连接关系和功能。
（2）选择合适的元件模型，在AMESim中建立液压系统的模型。
（3）设置模型的参数，如液压油的性质、管道的尺寸等。
（4）进行模型的验证和优化，确保模型的准确性和可靠性。
3.2 建模注意事项在建模过程中，需要注意以下几点：（1）准确描述液压系统的结构和工作原理，确保模型的准确性。
（2）选择合适的元件模型和参数，以反映液压系统的实际性能。
（3）注意模型的验证和优化，确保模型的可靠性和有效性。
四、液压系统仿真4.1 仿真过程液压系统仿真是指在建立的模型基础上，通过改变模型的参数或输入信号，观察系统的输出响应，以分析系统的性能。
在AMESim中，可以通过设置仿真时间和步长，以及输入信号的类型和大小，来观察液压系统的动态性能。
4.2 仿真结果分析通过对仿真结果的分析，可以得出以下结论：（1）液压系统的动态性能：包括压力、流量、速度等参数的变化情况。
（2）液压系统的稳定性：通过观察系统的响应曲线，可以判断系统的稳定性是否良好。
（3）液压系统的优化设计：通过改变模型的参数或结构，可以优化液压系统的性能，提高其工作效率和可靠性。
基于AMESim二次开发的共轨喷油器建模基于AMESim二次开发的共轨喷油器建模刘言伟，刘敏，王胜利（无锡油泵油嘴研究所，江苏无锡 214063）摘要：喷油器在应用AMESim建模时，某些子模型描述的几何结构与喷油器元件结构不相符。
为了解决这个问题，提高建模精度，本文应用AMESim软件的二次开发平台AMESet，通过重新编写C代码的方法，开发符合实际结构的子模型。
开发后的子模型能正常运行，并且计算精度得到提高。
关键词：共轨喷油器；AMESim；AMESet；二次开发1 引言AMESim作为一款优秀的液力仿真软件，广泛应用于液压系统设计中。
其提供的模型库可以满足大部分建模需要，并能取得较高的计算精度，但是对于某些实际结构与子模型不相符，或者模型库中没有的子模型，就需要通过二次开发的方式，对子模型进行自定义。
本文对喷油器中的油嘴进行详细的物理模型分析和数学建模，利用AMESet开发油嘴子模型，最终建立符合实际结构的油嘴模型，并进行性能仿真，计算结果表明，开发子模型的计算精度比原子模型的要高。
2油嘴物理模型分析喷油嘴作为喷油器中的关键零部件，它的设计要求很高，油嘴密封座面处有多段节流，每段节流的流量特性都对喷油器性能有较大影响，因此精确的描述每段节流至关重要。
AMESim自带的子模型中油嘴结构如图1。
图1 AMESim自带油嘴结构示意图而要研究的喷油器油嘴结构如图2。
图2自主喷油器油嘴结构示意图由图1和图2可以看出，自主喷油器油嘴结构与软件自带的结构不相符，自主油嘴结构中db和dc处节流面积均是由针阀向针阀体作垂线得到，而AMESim自带油嘴dc处节流面积是由针阀体向针阀作垂线的面积，db处是AMESim内置公式求得的。
由于节流面积直接影响节流处的节流特性，因此在二次开发时应编写符合要求的db和dc的节流面积公式。
油嘴在工作时，油液会经过三个节流位置（db、dc和喷孔）以及两个腔体（中间腔和sac腔）。
基于AMESim的高压共轨喷油器的建模及分析作者：蔡珍辉摘要：通过AMESim 软件建模, 对高压共轨喷油器进行模块化分析和仿真研究。
将模拟结果与实测结果进行对比, 两者变化趋势比较吻合, 从而验证了模型的准确性。
然后通过改变关键结构参数, 探讨了该喷油器主要结构参数对喷射过程的影响, 确定了保证系统稳定性的结构参数的选取原则, 对高压共轨电控喷油器的设计具有一定的参考价值。
关键词：高压共轨喷油器AMESim1 前言高压共轨喷油系统, 具有有效喷射压力高、喷油定时灵活控制、喷油压力独立控制、喷油量可控且能快速断油等特点, 因而能有效地降低柴油机油耗、排放和提高动力性。
但高压共轨系统相对复杂,为此本文对该系统的核心部件———喷油器的结构参数进行仿真研究, 来了解、分析结构参数及其对燃油喷射过程的影响, 为高压共轨喷油器的结构参数的设计和优化提供参考依据, 从而降低开发成本。
比较国内各大科研机构所用模拟仿真软件,Hydsim 是当前使用较多的仿真软件, 该软件有丰富的模块库, 可以搭建高压共轨模型, 但对电磁阀模块、液力模块做了很大的简化。
因此, 高压共轨系统仿真研究还需要进一步完善系统模型, 提高仿真精度, 丰富仿真研究内容。
在此基础上选择了Imagine 公司的AMESim 模拟仿真软件。
与Hydsim软件相比, 其优势在于其涵括了机械、液力、电磁等多方面的模块, 从而可以更好地综合分析电、机、液对喷油器特性的影响。
AMESim 建模的语言是工程技术语言, 仿真模型的建立扩充或改变都是通过图形界面(GUI) 来进行的, 使用者不用编制任何程序代码, 这样使得用户可以从繁琐的数学建模中解放出来而专注于物理系统本身的设计。
2 模型的建立2.1 喷油器物理模型及其工作原理喷油器( 球阀型) 的基本结构如图1 所示, 它是由电磁阀、衔铁、球阀、控制活塞、顶杆以及针阀体组成的。
喷油器根据ECU 发出的信号, 将高压油轨中的高压燃油以最佳的喷射定时、喷射量、喷射率和喷射方式喷射到发动机燃烧室中。
使用球阀和节流孔对喷射进行控制, 通过球阀的开启与关闭对压力室中的压力进行控制, 从而对喷射的开始和结束进行控制。
通过节流孔可以控制油嘴打开的速度来控制喷射率。
压力室的压力通过控制活塞传递到喷嘴针阀来控制油嘴的打开和关闭, 当喷嘴针阀打开时, 喷嘴将燃油雾化并进行喷射。
2.2 喷油器数学模型2.2.1 喷油器液力过程子模型[1~3]液力过程子模型主要由共轨、连接油管和喷油器3 部分组成。
喷油器是通过一些容积腔、孔、阀相互连接起来的, 同时由于喷油器开启过程中, 油液流动会导致压力波动, 所以在建模过程中, 需要考虑共轨和外部连接管道中的压力波动。
当然, 在驱动信号接通的瞬间, 我们可以将共轨中的压力设为恒定值[4]。
因为轨中压力波动主要是由受液力过程的影响, 对于单次喷射, 周期性运动以及喷油器动作对压力波动所造成的影响与液力过程的影响相比, 是可以忽略的。
但是, 对于4 缸或者多缸的连续喷射, 这些因素对压力波动的影响就不可以忽略了。
1) 容积腔模型对于一些容积模型, 比如控制腔、盛油槽、死容积, 在建立模型中, 其基本的数学模型是基于如下流量守恒方程:式中: V———容积腔体积;B———燃油的弹性模量;Qi———流进或者流出的燃油流量;dV/dt———泵唧效率。
对于移动的部件则有其中A 是有效面积, v 是速度。
基于贝努利方程, 计算流进、流出容积腔的流量:其中Cd 为流量系数, 对于没有气穴现象的,Cd 与孔的几何形状、液体流速、液体密度以及液体粘度相关; A 是有效面积; ρ是燃油密度。
泄漏量的计算:根据环形间隙渗油流量公式[5]:其中Δp 两端压力差; δ为控制活塞与配合面间隙; l 为密封长度; μ为运动粘度。
2) 管道模型在建立燃油管道模型的时候, 考虑管道中的压力波动。
采用一维连续流动方程:q为流量速率, θ为与水平的夹角, h( q) 是与管壁的相对刚度相关的粘度摩擦。
其中c 是声速, uA 是管道的截面积。
3) 控制活塞受力平衡方程:其中mpis 为控制活塞质量; a 控制活塞加速度;An 针阀的承压面积; α为阻尼系数。
2.2.2 喷油器机械部件子模型[3]每个部件根据它自身的位置以及它的维数, 可以分成2 个或者更多的元件, 如图2 所示。
将质量为M的活塞分为质量分别为M1、M2 的2 个质量元件, 2 个质量元件又分别由2 个相等的质量块组成( 图中的M1 分为两个M1/2、M2 分为2 个M2/2) , 在活塞的顶端和底端分别是M1/2、M2/2, 中间部分是M1/2+M2/2, 这3 部分之间是通过弹簧和阻尼元件与相邻部分连接起来的。
每个元件受到的外部作用力包括液压力Fp、阻尼力和弹性力。
对于每一个质量- 弹簧- 阻尼部件来说, 基本方程:其中m 是质量; c 是阻尼系数; k 是弹性常数; F 是沿喷油器轴向的力。
2.2.3 喷油器电磁铁响应特性分析电磁铁响应特性的基本方程[6~8]1) 电磁铁线圈电路方程式中, U 为电磁阀驱动电压; i 为通电线圈电流; r 为线圈内阻; Φ为磁通量。
2) 磁路方程式中, i 为电流; Nc 为线圈匝数; Φ 为磁通量; Gδ为气隙磁导; Gm 为铁磁导。
3) 电磁铁吸力计算公式式中, Fm 为电磁力; μ0 为空气磁导率; S 为导磁面积。
4) 电磁阀衔铁运动方程m·a=Fm+Fh- Fs- Ff式中, Fs 为衔铁弹簧力; Ff 为衔铁及电磁阀运动阻力; Fh 为衔铁所受液压力( 其中衔铁上升时表现为辅助力, 衔铁下降时表现为阻力) ; m 为衔铁质量;a 为衔铁的运动加速度, 开启时a>0, 关闭时a<0。
2.3 喷油器的仿真模型2.3.1 电磁阀分析电磁阀部分, 利用AMESim 软件的电磁模块搭建电磁阀模型, 考虑2 部分: ( 1) 电磁阀驱动电路部分; ( 2) 电磁阀的内部物理结构部分。
根据电磁阀驱动电路及其方程, 搭建电磁阀的模型, 如图3 所示。
最终输出的电磁力见图4, 符合喷油器的工作要求[7]。
当然, 在搭建这个模型的时候, 还是做了相应简化, 没有考虑磁滞、涡电流、磁性元件磁泄漏等因素对电磁阀性能的影响。
随着试验手段和测试技术的进步, 我们会逐渐完善这个模型。
2.3.2 喷油器模型分析和验证所建立的喷油器模型如图5 所示, 调整参数,进行验证计算, 使得模型更加准确。
为了验证模型的准确性, 将仿真计算的单次喷油量与试验所得的单次喷油量进行了对比, 参见图6。
可见, 模拟结果的趋势和试验结果的趋势完全一致。
在高轨压( 120 MPa) 大脉宽时的模拟结果与试验数据很吻合。
小油量的不吻合主要是考虑到试验误差和测量误差, 以及在喷油器模型中弹性模块的接触刚度和接触阻尼2 个参数的设置是依托经验值。
但这并不影响轨压波动的分析, 这是因为轨压波动是由于油泵向轨内瞬时泵油, 以及喷油器的瞬时喷油引起的, 只要油泵向轨内泵油的油量和喷油器的喷油量一致就可以了。
因为轨压120 MPa时的模拟数据和试验数据很一致, 下文中的计算分析都是在120 MPa 时进行的。
图6 不同轨压下喷油量的实测值和计算值3 变参数分析[9~10]3.1 出油节流孔A 参数的影响在参数模式下, 将进油孔Z 直径固定在某一合适的值, 同时在压力120 MPa, 脉宽1.5 ms 的条件下, 改变出油孔A 的直径, 分析其对喷油器性能( 针阀抬起速度、喷油率) 的影响。
设定出油孔基准直径为0.27 mm, 步长为0.02。
图7 为A 孔对针阀抬起速度和喷油速率影响的仿真结果, 分别对应出油孔直径为0.25 mm、0.27 mm、0.29 mm和0.31 mm。
图7 出油节流孔A 直径的影响当出油节流孔直径过小时, 电磁阀通电后, 控制腔的压力不能迅速降低, 喷油器的针阀抬起就会很慢甚至不能抬起, 喷油速率就达不到预期值; 当出油节流孔直径变大, 电磁阀通电后, 控制腔压力迅速降低, 针阀速度抬起时刻变早, 上升变快, 且最大速度变大, 快速到达喷油状态。
出油节流孔直径越大, 喷油率上升速度越快, 保持最大喷油率的时间越长, 喷油量大。
当直径增大到一定值时, 会带来控制腔内压力下降过于迅速, 导致针阀抬起时刻过于提前, 从而不利于形成先缓后急的喷油率曲线。
出油孔孔径的改变没有对喷油结束时刻以及喷油末期速率产生影响, 不同孔径下喷油结束时间的一致性很好, 同时喷油率下降速率的一致性也比较好。
3.2 进油节流孔Z 参数的影响在参数模式下, 将出油节流孔A 的直径固定在某一合适的值, 同时在压力120 MPa, 脉宽1.5ms 的条件下, 改变进油孔Z 直径, 分析其对喷油器性能的影响。
设定进油孔Z 的基准直径为0.24mm, 步长为0.02。
图8 给出了Z 孔对针阀抬起速度和喷油速率影响的仿真结果, 分别对应直径为0.22 mm 、0.24 mm、0.26 mm 、0.28 mm。
图8 进油节流孔Z 直径的影可以看到, 进油孔直径的大小对于针阀抬起速度的影响是比较大的。
进油节流孔直径过小时, 当电磁阀一旦打开, 通过回油孔迅速回油, 从而控制腔压力下降较快, 针阀迅速开启; 当电磁阀断电,关闭回油通道后, 进油孔径较小则进油速度较慢,控制腔的压力升高比较缓慢, 则针阀落座比较缓慢。
当进油孔孔径过小时, 由于针阀腔的压力波动, 可能还会造成2 次喷射。
进油节流孔直径越大, 针阀抬起时刻越晚, 上升越慢, 且最大速度越小; 喷油结束后, 控制腔压力迅速建立, 针阀落座迅速, 不会产生2 次喷射。
但是当进油孔孔径增大到一定程度时, 电磁阀通电, 衔铁抬起后, 控制腔压力降低的速度会比较慢, 针阀开启过程变慢直至完全不能开启。
同样的道理, 进油口直径对针阀升程的影响等同于对喷油率的影响。
直径越大, 针阀抬起初始时刻越后延, 同时回位时刻也会提前, 即在针阀最高位移保持时间越短。
随着进油口直径的增加, 喷油率迅速增加的时刻会相应后移, 而且保持在最大喷油率的持续时间会缩短。
这是由于直径增大, 会造成一开始进入盛油槽的油量相对减小, 导致喷油率迅速增加的起始时刻后移, 同时进油口直径的增加, 在泄油口直径保持不变的情况下, 进油口直径的增加, 会使得控制活塞顶端的油量增加, 从而使得控制活塞下移, 也就使得喷油持续时间变得更短, 所以在大直径下, 针阀会表现得“晚开早闭”。
3.3 其它参数的影响1) 顶杆弹簧预紧力对喷油率的影响虽然顶杆弹簧的预紧力相比于作用在其上的液压力是很小的, 但它的大小对喷油速率也有一定的影响: 预紧力的增加, 会导致喷油起始时刻的延迟, 同时喷油结束时刻提前, 参见图9。
