马自达加速了SKYACTIV技术的下一代发动机开发

挑战

优化SKYACTIV发动机的效率,同时满足全球严格的排放标准

使用Si万博1manbetxmulink和基于模型的标定工具箱,以加快HIL仿真的生成和最佳校正设置,ECU可嵌入模型的发展,发动机的车型

结果

  • 发动机校准工作最小化
  • 模型复杂度降低一半
  • 模型的精度提高

“基于模型的标定工具箱,不仅使我们能够确定的SKYACTIV-d引擎优化校准设置,这大大降低了所需的工程工作。该机型它产生的加速控制逻辑的发展,提供了宝贵的见解,并使其易于尝试新的想法“。

香取Harada马自达
马自达的SKYACTIV-D引擎。

SKYACTIV技术引擎开发正在使马自达商业化省油的柴油和汽油发动机,不依赖于小型化和稀薄燃烧。SKYACTIV-G是世界上第一个大批量生产的车辆,以实现14.0的压缩比汽油发动机:1,从而导致效率和扭矩增加了15%。Its diesel counterpart, SKYACTIV-D, has the world’s lowest diesel-engine compression ratio, enabling it to deliver 20% more fuel efficiency while meeting strict exhaust regulations—including Euro6 and automobile exhaust gas regulations in Japan—without using costly exhaust after-treatment that reduces nitrogen oxide (NOx) emission.

马自达的工程师依赖于MATLAB®,S万博1manbetximulink的®和基于模型的标定工具箱对于发动机控制器设计,验证,和校准。

“SKYACTIV发动机将与硬件的进步,可提供更大的扭矩,提高燃油经济性,”在马自达经理助理吾原田说。“基于模型的标定工具箱帮助我们利用这些进展,提取更好的燃油效率和更低的废气排放比接近将有可能采用手动,基于电子表格的校准。”

在参数为最大气缸压力的精度数绘制显示减少(P最高)模型提高。

挑战

随着马自达发动机变得越来越复杂,它已经变得越来越难以找到最佳校准设置使用传统的方法。Harada说:“用电子表格和测试单元进行试验和出错需要大量的实验室时间,这使得它很难满足交货时间表。”“更重要的是,即使对经验丰富的校准工程师来说,在五个或更多维度的搜索空间中找到最优解决方案也是困难的,所以我们永远不能确定我们找到了可能的最佳设置。”

马自达希望降低skyactive - d的压缩比,以最大限度地减少烟尘和氮氧化物的排放。为了达到这个和其他的设计目标,工程师们需要ecu嵌入的最大钢瓶压力和废气温度的统计模型。这些模型的最初版本各有40个参数,在ECU上运行过于复杂。马自达需要在不牺牲精确度的前提下降低模型的复杂性。

马自达使用Simuli万博1manbetxnk和基于模型的校准工具箱来定义测试计划,开发统计模型,并为skyactive - d引擎生成最佳校准。他们使用相同的产品为skyactives manbetx 845 - g开发统计模型,并执行发动机控制逻辑的半实物仿真(HIL)。

马自达使用基于模型的标定工具箱以设计为基于实验设计的SKYACTIV-d发动机优化的测试计划。该计划只包括表征发动机性能和排放的响应所需的测试点,最大限度地减少测试时间。

在测试电池进行测试后,工程师们使用基于模型的标定工具箱导入的测量数据和发展引擎的响应的统计模型。

使用基于模型的标定工具箱中的标定生成(CAGE)工具和内部开发的基于MATLAB的优化界面,从发动机的车型球队产生最佳的校准。

为了为仿真、优化和嵌入式模型评估定义一个真实的操作区域,他们使用基于模型的校准工具箱来创建边界模型。

与基于模型的标定工具箱,生成马自达工程师嵌入模型,包括对生产SKYACTIV-d ECU使用的最大气缸压力模型。

出于同样的ECU,它们产生的喷射的燃料的总质量为多个工作点的变量的函数。该模型与排气温度模型,也通过基于模型的标定工具箱生成所使用的,以改善燃料质量模型的可靠性和性能。

SKYACTIV-d发动机满足严格的欧洲和日本的排放标准,并安装在生产汽车,包括马自达CX-5。

开发skyactive - g发动机的工程师使用基于模型的校准工具箱开发了一个统计发动机油耗模型。他们将该模型导出到Simulink,用于发动机控制逻辑的万博1manbetx开发、调试和HIL仿真。该模型在自动变速器油耗模拟中得到重用,进一步减少了模型开发的工作量。

结果

  • 发动机校准工作最小化。Harada说:“用传统方法,在校准一台新发动机时获取数据需要进行大量的测试。”“使用基于模型的校准工具箱,我们重用了现有数据并模拟了响应,这使我们能够将获取测试数据和测试单元使用的工作负载都最小化。”

  • 模型复杂度降低一半。“我们最初的嵌入式最大钢瓶压力模型有38个参数。使用基于模型的校准工具箱,我们将这个数字减少到20,这反过来也减少了CPU的负载。”Harada说。“同样,这个工具箱使我们能够将废气温度模型中的参数从40个减少到20个,同时保持同样的精确度水平。”

  • 模型的精度提高。“表示使用基于模型的标定工具箱创建边界模型,我们提高了我们的烟模型的准确度和降低80%的根均方误差(RMSE),”原田说。