应用PTC材料加热高压油管内柴油的温度测试与分析

论文摘要

随着柴油轿车的逐渐普及，柴油机冷起动困难及排放高的问题也开始成为人们关注的焦点。利用加热元件加热柴油，改善其雾化，提高柴油机冷起动性能和降低排放是目前研究的一个重要方向。PTC （positive temperaturecoefficient）材料是一种具有正温度系数的热敏材料，其电阻率在居里点温度附近随温度升高而急剧增加。因此，当电压固定时，其发热功率向着平抑其温度变化的方向急剧变化。利用该材料所制成的加热元件具有自限温加热的特性。本文提出了一种利用PTC材料加热柴油机高压油管内燃油的方法，通过PTC材料加热高压油管内的柴油，提高其温度，改善冷起动时的燃油雾化，最终提高柴油机冷起动性能和降低冷起动排放。首先建立PTC材料加热高压油管内燃油的传热模型，对柴油在静止和流动时的加热效果分别进行仿真；再搭建实验平台，建立PTC材料加热高压油管内燃油的测试系统，分别测试不同的燃油流速和加热时间下的燃油温度；最后，为了实现喷油温度的不解体测量，根据实验结果设计了BP神经网络模型。采用集中参数法，建立PTC材料加热高压油管内静止燃油的传热模型。计算结果表明，PTC材料加热高压油管内燃油，可以有效地提高柴油温度。当柴油初始温度为293K时，居里点温度为373K的PTC材料可在60s将柴油加热到371K。并总结出PTC材料加热高压油管内静态柴油的一般规律。然后以某型柴油机工作时的实测油管压力等作为边界条件，建立高压油管内流动柴油的加热模型。运用计算流体动力学对流动柴油进行流动和传热数值仿真，得到油管内的温度场分布和油管加热效果。仿真结果表明，动态加热时，若PTC材料居里温度为398K，加热段分别为500mm和700mm时，柴油初始温度为298K时，其出口柴油温度分别提高32K和68K。若PTC材料的居里温度提高到513K，加热长度缩短为105mm，其出口面柴油平均温度提高3040K。仿真结果还表明，加热长度的增加可以防止柴油温度产生较大的波动。为获得较佳的加热柴油温度，需要选择合适的PTC材料居里温度和加热长度。利用油泵实验台搭建了PTC材料加热高压油管内柴油的温度测试系统，并进行了实验研究。油管外壁及喷油嘴处设置温度测量点，其中油管外壁布设有5个测量点，分别位于加热段两端和中间，以及加热段外的管外壁上，各测量点的间隔均为3.5cm。首先对油管内的静止柴油加热，使其达到恒定温度，然后测量不同油泵转速时的喷油温度。实验结果表明：当PTC材料的居里温度为240℃，PTC材料的加载电压为24V，加热长度为10.5cm时，转速越高喷油温度升温越快，而平衡温度则越低；100s内喷油温度提高了1520℃，且随着静态加热时间的延长，喷油的温度相应提高。研究结果还表明， PTC材料可以将高压油管的外壁面温度加热至180℃，且加载电压越大加热速度越快；当油泵转动时，PTC材料通过改变自身电阻值达到控制其加热温度的效果。加热过程中，油管外壁面各点温度的测量结果表明：静态加热时，加热段中部由于热耗散较少，所以加热效果最好；当油泵转动时，各点的加热效果又呈现沿燃油流动方向递增的趋势。实车中，柴油机工作时燃烧室内温度较高，若直接测量喷油温度有一定的困难，为了实现对喷油温度的不解体测量，运用BP神经网络的学习原理，以高压油管外壁的温度测量点作为输入变量，喷油温度作为输出变量，设计了一个三层BP神经网络。通过引入Powell-Beale算法方法对BP神经网络进行训练。预测结果表明：BP神经网络能够较好地实现喷油温度的预测。

论文目录

• 致谢
• 摘要
• Abstract
• 目次
• 图清单
• 附表清单
• 1 绪论
• 1.1 引言
• 1.2 柴油机冷起动研究现状
• 1.2.1 柴油机冷起动困难的因素
• 1.2.2 柴油机低温冷起动的危害
• 1.2.3 柴油机冷起动的改善措施
• 1.3 PTC材料作为自控温加热元件的研究现状
• 1.4 本文研究目的和主要内容
• 2 PTC加热柴油的计算仿真研究
• 2.1 静态加热效果的研究
• 2.1.1 加热模型的建立
• 2.1.2 模拟结果与分析
• 2.1.3 发动机起动后加热效果分析
• 2.2 动态加热时的温度场与压力场分析
• 2.2.1 计算模型的建立
• 2.2.2 0.5m长高压油管计算结果分析
• 2.2.3 增加高压油管长度进行计算
• 2.2.4 缩短加热长度和提高PTC材料居里点温度进行计算
• 2.3 本章小结
• 3 实验系统
• 3.1 实验装置
• 3.2 传感器的误差分析
• 3.2.1 模型的建立
• 3.2.2 仿真分析
• 3.2.3 结论
• 4 实验研究
• 4.1 实验方法
• 4.2 PTC材料的物性研究
• 4.3 实验结果与分析
• 4.3.1 油管外壁面的温度变化规律与分析
• 4.3.2 喷油温度的分析
• 4.4 结论
• 5 缸内喷油温度的不解体预测
• 5.1 BP神经网络的原理
• 5.2 基于BP算法的温度预测模型设计
• 5.2.1 训练样本数与训练误差间的关系
• 5.2.2 样本数据的准备
• 5.2.3 隐层层数和隐层节点数的设计
• 5.3 预测结果分析
• 5.4 本章小结
• 6 全文总结与展望
• 6.1 全文总结
• 6.2 课题展望
• 参考文献
• 作者简历