1                11。12             11。26               1。3

2                12。23             11。57              −5。4

3                14。32             14。02              −2。1

4                15。05             16。11                7。0

5                12。58             13。02                3。5

6                13。05             13。65                4。6

The function in the toolbox of MATLAB neural network is  called  to  train  the  BP  network。  After  240  cycles,  when the  total  squared  error  of  the  output  of  samples  reaches 0。000  92,  the  relative  error  of  the  simulation  results  does 

not  exceed  0。1%,  indicating  that  the  fitting  accuracy  is sufficiently high。 With  the  reserved  six  groups  of  data  as  the  input  of  the BP  network,  the  output  is  compared  with  the  actual parameters。  Then  the  BP  network  testing  is  completed。  It can  be  seen  from  the  comparison  (Table  3),  the  absolute values of  the maximum  relative  error  does  not  exceed  8%, which  indicates  that  the  BP  network  has  some  predictive ability。  With  the  increase  of  training  samples,  the  relative error  will  continue  decreasing。  Therefore,  the  predictiveability  of  the  BP  network  will  be  further  strengthened。  It suggests  that  the  BP  network  represents  good  applicability and  reasonable  accuracy  for  the  simulation  of  cylinder  oil consumption model。 

4。3   Optimization process and results 

Cylinder  oil  consumption  after  removing  the  cylinder liner wall evaporation is selected as the target parameter to optimize。  It  is  assumed  that  the  nonlinear  mapping 

relationship from the piston ring parameters to the cylinder oil  consumption  values  after  the  removal  of  the  cylinder liner  wall  evaporation  is  D=f(x1,  x2,  x3),  the  optimal parameter  combination  is  the  peak  value  of  the  discrete points  taken from  D=f(xi)。 Near  the peak  value,  there  may be  a  better  combination  than  the  existing  parameter combination。 So the established BP neural network is used to  further  search  for  a  better  parameter  combination。  A search  method  with  the  gradually  reducing  step  size  is adopted for optimizing。