| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 高压共轨柴油机的发展现状及设计难点 | 第15-17页 |
| 1.2.1 高压共轨柴油机的发展现状 | 第15-16页 |
| 1.2.2 高压共轨柴油机开发设计难点 | 第16-17页 |
| 1.3 基于模型的标定技术 | 第17-19页 |
| 1.4 本文的主要研究内容 | 第19-21页 |
| 第二章 自动扫描试验平台搭建 | 第21-33页 |
| 2.1 发动机参数 | 第22页 |
| 2.2 发动机台架测控系统 | 第22-23页 |
| 2.3 电子控制单元(ECU) | 第23-25页 |
| 2.4 标定系统 | 第25-32页 |
| 2.4.1 INCA标定系统二次平台开发方案设计 | 第26-27页 |
| 2.4.2 INCA COM-APIs体系结构 | 第27-28页 |
| 2.4.3 接口二次封装 | 第28-29页 |
| 2.4.4 Python脚本在二次开发平台中的实现 | 第29-30页 |
| 2.4.5 与排放仪和测控系统接口设计 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 DOE方法研究 | 第33-45页 |
| 3.1 发动机输入输出因素及其范围的确定 | 第33-35页 |
| 3.2 经典试验设计 | 第35-38页 |
| 3.2.1 析因设计 | 第35-36页 |
| 3.2.2 分式析因设计 | 第36-38页 |
| 3.2.3 经典试验设计的不足 | 第38页 |
| 3.3 空间填充设计 | 第38-41页 |
| 3.3.1 拉丁超立方抽样 | 第39-40页 |
| 3.3.2 sobol序列 | 第40页 |
| 3.3.3 空间填充试验设计设计结果 | 第40-41页 |
| 3.4 最优设计 | 第41-43页 |
| 3.5 发动机试验设计结果评价 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于试验结果的共轨柴油机二阶模型研究 | 第45-71页 |
| 4.1 构建模型的方法 | 第45-56页 |
| 4.1.1 多项式模型 | 第45-46页 |
| 4.1.2 Kriging模型 | 第46-47页 |
| 4.1.3 样条模型 | 第47-48页 |
| 4.1.4 神经网络模型 | 第48-54页 |
| 4.1.4.1 多层感知器神经网络 | 第50-51页 |
| 4.1.4.2 训练神经网络 | 第51-52页 |
| 4.1.4.3 径向基函数神经网络(RBF) | 第52-53页 |
| 4.1.4.4 径向基函数网络与多层感知器网络的比较 | 第53-54页 |
| 4.1.5 不同模型的总结比较 | 第54-56页 |
| 4.2 二阶回归模型 | 第56页 |
| 4.3 二阶共轨柴油机模型的建立 | 第56-70页 |
| 4.3.1 二阶响应模型的构成 | 第56-58页 |
| 4.3.2 局部响应模型的构建 | 第58-61页 |
| 4.3.3 全局响应模型的构建 | 第61-70页 |
| 4.3.3.1 模型功能的选择 | 第62页 |
| 4.3.3.2 训练样本预处理 | 第62-65页 |
| 4.3.3.3 网络训练效果回归分析 | 第65-69页 |
| 4.3.3.4 模型泛化能力试验验证 | 第69-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 基于模型的发动机控制参数优化 | 第71-78页 |
| 5.1 标定优化算法的探讨 | 第71-72页 |
| 5.2 遗传算法应用到共轨柴油机控制参数优化中的依据 | 第72页 |
| 5.3 遗传算法具体实施过程 | 第72-75页 |
| 5.3.1 优化问题描述 | 第72-73页 |
| 5.3.2 初始化种群 | 第73-74页 |
| 5.3.3 目标函数与适应度函数设计 | 第74-75页 |
| 5.3.4 遗传算法运行参数的确定 | 第75页 |
| 5.4 遗传算法优化结果 | 第75-77页 |
| 5.5 本章小节 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 全文总结 | 第78-79页 |
| 6.2 工作展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间发表的论文 | 第84页 |
