Modelling and identification of an internal combustion engine to provide simulator for control purposes

Abstract

Sistem tanımlanması alanı önemli disiplin haline gelmiştir. Tanımlama temelde fiziksel bir sistemi deneysel verileri kullanarak matematiksel olarak modelinin geliştirilmesidir. Doğrusal olmayan dinamik sistemlerin tanımlanması kontrol için önemli bir bölümdür. Bu nedenle, uygun modeller doğrusal olmayan dinamik sistemleri kontrol etmek için geliştirilmelidir. Prosedürün altında yatan ana düşünce ilgilenilen sisteme ilişkin düzenli ve matematiksel olarak kolay işlenebilir bir modelin elde edilmesidir. Otomotiv içten yanmalı motor kontrolü, kontrol sistem mühendisleri ve araştırmacılar için en karmaşık kontrol sorunlarından biridir. Tüm motor kontrol değişkenleri arasında motor torku bir motorun en önemli performans değişkenlerinden biridir. Bu nedenle, bir tork kontrol sistemi tüm aracın büyük ölçüde performansını arttırabilir. Bu çalışmanın iki amacı vardır. Birincisi, benzinli bir motor torkunu ve özgül yakıt tüketimini yapay sinir ağları ve genetik programlama kullanarak kararlı hal modelini geliştirmektir. İkincisi, benzinli bir motorun torkunun en yaygın doğrusal olmayan Hammerstein and NARX parametrik modeli kullanılarak oluşturulması ve ileri beslemeli, radyal tabanlı ve Elman tipi yinelenen yapay sinir ağı modelinin doğru ve kesin olarak geliştirilmesidir. Bu geliştirlen metotlar 1400 hacimli 4 silindirli fiat marka benzinli bir motora uygulanmıştır. Yapay sinir ağları (YSA) tanımlama yöntemleri arasında yeni geliştirilmiş bir tekniktir. Yapay sinir ağlarının eğitiminde birçok yöntem kullanılmaktadır. Bu çalışmada iki yöntem ele alınmıştır: hata geriye yayma yöntemi ve Levenberg-Marquardt algoritmasıdır. Bu tezde farklı doğrusal olmayan tanımlama yaklaşımları kullanılmıştır. Bunlar arasından yapay sinir ağları tabanlı model sistem dinamiklerini çok iyi yakalamıştır ve bu model benzinli bir motor torkunu modellemek için uygundur. Ancak, tüm doğrusal olmayan tanımlama metotları doğruluğu kabul edilebilir düzeyde bir motor tork dinamiğini tanımlamıştır.

Field of ?System Identification? has become an important discipline. Identification is basically the process of developing a mathematical representation of a physical system using experimental data. The identification of nonlinear dynamical systems is a substantial part of the control science and therefore appropriate models should be developed to control nonlinear dynamic systems. The main idea that lies under the procedure is to obtain a regular and mathematically tractable model of the system of interest. Automotive internal combustion engine (ICE) control is one of the most complex control problems for control system engineers and researchers. Among all the engine control variables, the engine torque is one of the most important performance variables of an ICE and, for this reason, a technique based on optimizing the engine torque control can improve substantially the performance of the overall vehicle. There are two objective of this work. First one is to develop a steady-state model of a gasoline engine torque and brake specific fuel consumption by using neural network and genetic programming and second one is to develop an accurate and robust model of a spark ignition (SI) engine torque by using the most common nonlinear black-box parametric models namely Hammerstein model, nonlinear auto-regressive with exogenous inputs (NARX) model and neural network model that is including multilayer feedforward neural network (FFNN) model, radial basis function (RBF) neural network model and Elman type recurrent neural network model. These developed methods are implemented to an existing 1400 cc, four cylinder Fiat SI engine. The artificial neural network (ANN) is a newly developed technique among the other identification methods. There are various methods used for training of ANN. Two of them are included in this study. These are, namely, the bacpropagation method and the Levenberg-Marquardt algorithm. The different nonlinear identification approaches are used in this thesis. The neural network based model has captured the dynamics very well and the method has been found suitable for modeling the SI engine torque. However all the nonlinear identification methods identified the SI engine torque dynamics at acceptable levels of accuracy.