مدلسازي موتور پرخوران بنزيني با روش مقدار ميانگين توسعه يافته و شبكه عصبي

Modeling the Turbocharged SI Engine with Extended Mean Value Models & ANN

دراين مقاله ، مدل كنترلي از موتور توربوشارژ اشتعال جرقه اي با استفاده از تيوري مدل مقدار ميانگين توسعه يافته و شبكه عصبي ارايه شده است. اين مدل، اين قابليت را داردكه اثرات ورودي هاي موتور را بصورت بلادرنگ آشكار سازد. با توجه به هزينه هاي بالاي آزمون در طراحي و توسعه سيستمهاي كنترلي موتورهاي احتراق داخلي، استفاده از رويكرد مدل محور در توسعه اين سامانه ها امري اجتناب ناپذير است. در مدل ارايه شده، فرآيند احتراق به صورت شبه استاتيكي فرض شده كه با مدل هاي ديناميكي پيراموني احاطه شده است. اين مدل استاتيكي با مدل هاي ديناميكي در تعامل است و نتايج نشان داده، استفاده از اين مفهوم در مدل سازي، قابليت توسعه مدل هاي كارآ، سريع و دقيق را دارا مي باشد. صحت و سرعت از مهمترين پارامترهاي يك مدل كنترلي مي باشند، در اين مدل سعي شده است كه هر دو موضوع مصالحه درخوري داشته باشند. در روش مقدار ميانگين، مجموعه موتور به منظور حصول به مدل هاي تك وظيفه اي به زير سامانه هايي تقسيم ميشود؛ سپس معادلات ديفرانسيل معمول جهت سيستمهاي ديناميكي همچوم ديناميك غشاء سوخت و انباره ورودي و خروجي اعمال مي گردد. در ادامه با آموزش شبكه عصبي توسط داده هاي توليد شده از مدل ترموديناميكي صحه گذاري شده با مقادير اندازه گيري شده موتور به عنوان سيستم درون سيلندري مورد توجه قرار گرفته است. در ادامه با تركيب مدل مزبور مدلهاي ديناميكي پيراموني در محيط شبيه سازي سيمولينك، به مدلي دست پيدا خواهد شد كه به صورت بلادرنگ و با دقت خروجي هاي موتور همچون گشتاور موتور، دماي خروجي، سرعت موتور، سرعت توربوشارژر، فشار چندراهه هاي ورودي و خروجي و مقدار مصرف سوخت را پيش بيني مي كند.

In this paper, a model-based for SI turbocharge national engine (EF7 TC) is presented which use the mean value models & neural network. This model will have the capability which can predict, the effects of inputs at the outputs stage in real-time. In recent years governments and legislation departments have made more limits on engine emissions in transient. So the models which have capability of predicting the performance & emissions are importance. Due to high cost and time consuming of designing motor & controller systems, it is needed to provide such models. In general, SI engines are nonlinear dynamics model; the proposed model will assume the combustion as semi-static process which is surrounded with peripheral dynamic models. Accuracy & speed are two main parameters of a control oriented model, in this proposed model, a tradeoff between these two items are made. In mean value methods the main system split into subsystems to reach the simplest individual tasks, then the ordinary time differential equations are used to model the peripheral dynamic system such as wall wetting ,intake and exhaust systems. In the following with training experimental data to a neural network for internal combustion & incorporating into the peripheral dynamic systems models which is implemented in Simulink ,will obtain a precise model which predicts the engine torque, Exhaust temperature & BSFC.