مدلسازي دماي گازهاي خروجي موتور احتراق داخلي با استفاده از شبكۀ عصبي

Modeling the exhaust gas temperature of the internal combustion engine using a neural network

كنترل موتورهاي احتراق داخلي و ارتقاء آن همواره مورد توجه شركت هاي خودروسازي و صنايع وابسه به آن قرار دارد. براي اين منظور داشتن مدلي دقيق از موتور مورد نظر بسيار ضروري به نظر مي رسد. از طرفي ديگر شبيه سازي موتورهاي احتراق داخلي به دليل پيچيدگي ها و غيرخطي بودن آن بسيار پيچيده است. يكي از روش هاي شبيه سازي موتورهاي احتراق داخلي كه هم سرعت پاسخ آن بسيار مناسب است و هم دقت مناسبي دارد ، مدلسازي به كمك شبكه هاي عصبي است. در اين روش با در نظر گرفتن موتور به صورت يك جعبۀ سياه با داشتن ورودي ها و خروجي هاي متناظر با آن مدلي از موتور بدست مي آيد. در اين پژوهش مدلي از موتور احتراق داخلي با استفاده از دو شبكۀ عصبي پرسپترون چندلايه و توابع پايه شعاعي آموزش و توسعه داده شده است كه دماي گازهاي خروجي از موتور را تخمين مي زند. اين دو نوع از شبكه به دليل سرعت همگرايي و دقت مناسب بسيار براي مدلسازي سيستم هاي غيرخطي مناسب به نظر مي رسد.

The control of internal combustion engines and their improvements and tunings are always at the forefront of the automotive and related industries. So it seems to be necessary to have a detailed and exact model of the engine. On the other hand simulation of internal combustion engines is very difficult because of its nonlinearity and complexity. One of the methods for simulating internal combustion engines, which is both suitable for speed and excellent accuracy, neural networks. In this method, a model of the engine is obtained by considering the engine as a black box with its inputs and outputs. In this study, a model of internal combustion engine is trained and developed using two different kinds of neural networks, multilayer perceptron and radial base functions, that simulate and estimate the exhaust gas temperature of the engine. These two types of networks seem to be suitable for modeling nonlinear systems due to the speed of convergence and accuracy.