پديد آورندگان :
شامخي، اميرمحمد دانشگاه صنعتي خواجه نصيرالدين طوسي تهران - دانشكده مهندسي مكانيك - گروه مهندسي خودرو , شامخي، اميرحسين دانشگاه صنعتي خواجه نصيرالدين طوسي تهران - دانشكده مهندسي مكانيك - گروه مهندسي خودرو
كليدواژه :
موتورهاي اشتعال جرقه اي , مدل سازي كنترل محور , مدلهاي مقدار ميانگين , ساختار جعبه خاكستري , شبكه هاي عصبي مصنوعي
چكيده فارسي :
در اين مقاله روشي بهبوديافته بلادرنگ و با دقت بالا در مدل سازي كنترل محور موتورهاي احتراق داخلي، به نام نورو ام وي ام ارايه مي شود. اين مدل، تركيبي از مدل هاي مقدار ميانگين و شبكه هاي عصبي بوده و قادر است بر نواقص هر دو روش فايق آيد. به بيان ديگر، با بهره گيري از مزاياي هر دو روش اين توسعه جعبه خاكستري داراي قابليت اعتمادي بالاتر از يك شبكه عصبي جعبه سياه صرف و همچنين دقتي بالاتر از روابط رياضي (تقريبا) جعبه سفيد مدل هاي مقدار ميانگين خواهد بود. با بهبود اين روش در مقاله حاضر مدل حاصله براي طراحي كنترلر مناسب خواهد بود. به واسطه استفاده از روش هاي پيشرفته تر طراحي (مانند ساختارهاي گروهي، تقسيم بندي بهبوديافته و به خصوص ساده سازي وظيفه شبكه ها) شبكه هاي عصبي بادقت بالا و رگرسيون هاي شبه خطي حاصل مي شود. چنانچه ملاحظه خواهد شد، مدل نهايي به دقت براساس داده هاي آزمايشگاهي- نرم افزاري صحه گذاري شده و قادر است خروجي هاي حالت ماندگار و گذراي موتور (مانند آلاينده هاي خروجي، فشار منيفولد، وقوع ضربه و دور موتور) را با دقت بالا و به صورت بلادرنگ پيش بيني كند. در پايان تاثير ورودي هاي كنترلي موتور بر آلاينده ها و مصرف سوخت مورد مطالعه قرار مي گيرد. موتور مورد بررسي در اين پروهش، يك موتور بنزيني با پاشش راهگاهي است.
چكيده لاتين :
In this paper, an improved, real-time, highly accurate control-oriented style, named Neuro
Mean Value Modeling, is presented for IC engine modeling. This model is a combination of
neural networks and mean value model, and is able to overcome the shortcomings of both
styles. In other words, taking advantage of both methods, this grey-box extension will be of
more reliability than a mere black-box neural network, and also of more accuracy than roughly
white-box mathematical relations of mean value model. In this paper, the model is modified
to become suitable for designing an engine controller. Thanks to the sophisticated methods
applied (such as committee method, improved partitioning, and especially, simplifying neural
networks’ tasks), neural networks of high accuracy with line-like regressions will be achieved.
As will be seen, the model is precisely validated based on experimental-software data and it is
capable of accurately predicting the engine’s outputs (such as pollutant emissions, manifold
pressure, knock probability, and engine speed) all in real time. In the end, the effect of engine
control inputs on pollutant emissions and fuel consumption will be examined. The engine
employed to establish the model is a ported fuel injection SI engine.
