توسعه مدل فرآيند درون سيلندري موتور بنزيني مجهز به سامانه زمانبندي متغير دريچه هوا با استفاده از شبكه عصبي

Development of an in-cylinder processes model of a CVVT gasoline engine using artificial neural network

استفاده از روش‌هاي مدل‌مبنا در طراحي و توسعه محصولات قواي محركه خودرو رو به گسترش است. بهره‌گيري از روش‌هاي مدل مبني در طراحي سامانه‌هاي كنترلي موتور، بهينه‌سازي و زينه‌بندي موتور و تحليل حساسيت موتور، مستلزم در اختيار داشتن مدل‌هاي دقيق و در عين حال سريع مي باشد. در اين مقاله، مدل فرآيند درون‌سيلندري موتور بنزيني تنفس طبيعي مجهز به سامانه زمانبندي متغير پيوسته دريچه هوا با هدف استفاده در مدل مقدار ميانگين توسعه‌يافته و نيز فرآيند زينه‌بندي مدل مبناي موتور توسعه داده شده است. مدل فرآيند درون‌سيلندري، مدل ترموسيالاتي استاتيكي است كه با اخذ شرايط مرزي حاكم بر سيلندر، مقادير شاخص‌هاي عملكردي و آلايندگي سيكل موتور را پيش‌بيني مي‌نمايد. با توجه به زمان حل نسبتاً بالاي مدل‌هاي ترموسيالاتي موتور، استفاده مستقيم از اين مدل‌ها در شبيه‌سازي‌هاي كنترلي موتور -بواسطه زمان حل نسبتاً بالا-، پاسخگوي نياز مدل‌سازي كنترلي نخواهد بود. از اينرو، ابتدا مدل ترموديناميكي موتور در يك نرم‌افزار تجاري تحليل سيكل‌هاي موتور توسعه داده شده و پس از صحه‌گذاري مدل مزبور، نتايج مدل در ازاي ورودي‌هاي مختلف در قالب داده‌هاي ورودي-خروجي آماده شده است. در ادامه مجموعه داده‌هاي توليد شده، به يك شبكه عصبي چندلايه آموزش داده شده است. مقايسه نتايج حاصل از مدل‌ توسعه‌يافته با مقادير تجربي نشان مي‌دهد، مدل شبكه عصبي مي‌تواند شاخص‌هاي عملكردي و آلايندگي موتور در ازاي ورودي‌هاي مختلف در شرايط تمام بار و ميان‌بار موتور را با دقت مناسب و در زمان بسيار كوتاه پيش‌بيني نمايد و از اينرو مي‌تواند در مدل‌هاي مقدار ميانگين توسعه يافته و نيز زينه‌بندي مدل مبنا مورد استفاده قرار گيرد.

Today, employing model based design approach in powertrain development is being paid more attention. Precise meanwhile fast to run are required for applying model based techniques in powertrain control design and engine calibration. In this paper an in-cylinder process model of a CVVT gasoline engine is developed to be employed in extended mean valve control oriented model and also model based calibration procedure. In-cylinder models are a static thermos-fluid model, which predicts the performance and emission index of engine based on boundary conditions of cylinder. Due to computations burned of thermos-fluid models, they are not fast enough to be used in control models. In this paper a validated thermodynamic model of engine is developed using a commercial engine analyzing software. The developed model is employed for generation input-output data sets which are used for training an artificial multi-layer neural network. Comparison of neural network results with experimental results shows that the developed model is able to predict the engine emission and performance indices with required accuracy and fast enough in both full-load and part-load conditions and might be employed in extended mean value models as well as model based engine calibration with required performance.