Journal of KONES Powertrain and Transport, Vol. 3, No. MODELLING OF HE SPARK-IGNITION ENGINE OPERATIONAL PERFORMANCE Krzysztof Malewicz Opole University of Technology ul. St. Miko ajczyka 5, 45 27 Opole, Poland tel.: +48 77 46272, fax.+48 77 46342 e-mail: malewicz@klio.po.opole.pl S awomir Prokop Opole University of Technology ul. St. Miko ajczyka 5, 45 27 Opole, Poland tel.: +48 77 46272, fax.+48 77 46342 e-mail:slawomir_prokop@poczta.onet.pl Jaros aw Mamala Opole University of Technology ul. St. Miko ajczyka 5, 45 27 Opole, Poland tel.: +48 77 46272, fax.+48 77 46342 e-mail:mamala@po.opole.pl Abstract In this paper potential of artificial neural network to modelling and approximation SI engine characteristics using digital technique tests is presented. Correctly designed and trained artificial neural network is able to modelling of torque engine characteristic on the basis of tests in real traffic conditions. Presented that neural network which was trained in real traffic conditions generate better interactions in powertrain, so there is possibility to change Look-up Table technique which approximate engine characteristic by artificial neural network. The article presented particularly approximation results of static performance at use of various methods in relating to the engine torque and the fuel consumption, the relative operate performance of the power engine mapped with the neural network as well as results of simulation at application of neuronal operative engine performance for real speed profile. An essential advantage of proposed method is that the acquired knowledge by the neural network issues from real, not static, working engine conditions. Keywords: SI combustion engine, engine performance, modelling, simulation, neural networks MODELOWANIE CHARAKTERYSTYKI EKSPLOATACYJNEJ SILNIKA O ZAP ONIE ISKROWYM Streszczenie. Autorzy artyku u dowodz mo liwo ci wykorzystania sztucznych sieci neuronowych do modelowania i aproksymacji charakterystyk silnika spalinowego o zap onie iskrowym w badaniach realizowanych technik symulacji cyfrowej. Wykazano, i poprawnie zaprojektowana i wytrenowana sztuczna sie neuronowa nadaje si do modelowania charakterystyki mocy silnika na podstawie wyników pomiarów zrealizowanych w rzeczywistych warunkach ruchu. Wykazano, e sie neuronowa wytrenowana w oparciu o wyniki pomiarów uzyskanych
K. Malewicz, S. Prokop, J. Mamla podczas normalnego ruchu drogowego, lepiej odwzoruje rzeczywiste zale no ci w uk adzie nap dowym. Tym samym istnieje mo liwo zast pienia dotychczasowej techniki Look-up Table s u cej do aproksymacji charakterystyk silnika przez sztuczne sieci neuronowe. Artyku prezentuje w szczególno ci wyniki aproksymacja charakterystyki statycznej przy wykorzystaniu ró nych metod w odniesieniu do momentu obrotowy silnika oraz zu ycie paliwa, wzgl dn eksploatacyjn charakterystyk mocy silnika odwzorowan za pomoc sieci neuronowej jak równie wyniki symulacji przy wykorzystaniu neuronowej charakterystyki eksploatacyjnej silnika dla rzeczywistego profilu pr dko ci. Istotn zalet proponowanej metody jest to, e wiedza nabyta przez sie neuronow wynika z rzeczywistych a nie statycznych warunków pracy silnika. S owa kluczowe: silnik spalinowy ZI, charakterystyki silnika, modelowanie, symulacja, sieci neuronowe. Wprowadzenie Kluczowym zagadnieniem w badaniach realizowanych technik symulacji cyfrowej jest modelowanie charakterystyki silnika spalinowego. Silnik spalinowy charakteryzuje wieloetapowy proces przetwarzania energii dostarczonej w paliwie, a istniej ce modele silnika nie pozwalaj na okre lenie wyst puj cych w nim zale no ci w prosty sposób [ 4, 8]. Wielowymiarowo charakterystyk silnika i ich nieliniowy charakter, stopie z o ono ci i jedynie cz ciowe odwzorowanie niektórych zale no ci, ogranicza ich przydatno. St d opracowanie poprawnego modelu silnika, obejmuj cego ca y obszar jego pracy, za pomoc równa analitycznych jest mocno skomplikowane i poch aniaj ce du e moce obliczeniowe. Dlatego w badaniach realizowanych technik symulacji cyfrowej wykorzystuje si modele silnika oparte o charakterystyki statyczne zapisane w postaci macierzy liczbowej w pami ci komputera. Przyj te uproszczenia skutkuj b dami obliczeniowymi i wymagaj przeprowadzania czasoch onnych bada stanowiskowych silnika spalinowego. W artykule wskazuje si na mo liwo ci wykorzystania sztucznych sieci neuronowych do modelowania i aproksymacji charakterystyk silnika ZI w badaniach realizowanych technik symulacji cyfrowej. Sztuczne sieci neuronowe ze wzgl du na swoje mo liwo ci nadaj si do modelowania zjawisk silnie nieliniowych [, 3]. 2. Modelowanie charakterystyki silnika W badaniach symulacyjnych wykorzystywane s charakterystyki ogólne silnika, które s zapisane w pami ci komputera za pomoc macierzy liczbowych zawieraj cych w z y równomiernej siatki obejmuj cej ca e pole pracy silnika [6, 9]. Najcz ciej s to charakterystyki momentu obrotowego silnika oraz czasowego zu ycia paliwa wyra one jako funkcja pr dko ci obrotowej i uchylenia przepustnicy lub podci nienia w kolektorze dolotowym. Podj ty w opracowaniu problem rozpatrzono na przyk adzie charakterystyk silnika ZI, którego podstawowe parametry zestawiono w tabeli. Tab.. Parametry techniczne silnika ZI Tab.. The technical of SI engine parameters Nazwa Parametr Typ Silnika CE Pojemno skokowa w cm 3 598 Moc maksymalna wg DIN w kw 59 Pr dko obrotowa mocy maksymalnej w obr/min 52 Maksymalny moment obrotowy wg DIN w N m 25 Pr dko obrotowa maksymalnego momentu w 32 obr/min 3
MODELLING OF HE SPARK-IGNITION ENGINE OPERATIONAL PERFORMANCE Pomiary przeprowadzono na stanowisku badawczym [5, 7] okre laj c charakterystyk ogóln silnika dla charakterystyki pr dko ciowej, przy arbitralnie przyj tych warto ciach uchylenia przepustnicy i pr dko ci obrotowej silnika zmieniaj cej si co obr/min. Proces modelowania charakterystyki w postaci macierzy liczbowej jest pracoch onny i wymaga zastosowania szeregu procedur przetwarzania danych pomiarowych. Problem ten jest szeroko opisywany w pracach [6, 8]. Do odczytu charakterystyki z macierzy stosuje si technik Look-up table z liniowym mechanizmem aproksymacji. Alternatywn metod dla tej techniki jest modelowanie charakterystyki silnika za pomoc sztucznych sieci neuronowych bezpo rednio na wynikach pomiaru otrzymanych z hamowni silnikowej [6]. U ycie sieci neuronowych skraca czas opracowania modelu silnika oraz daje mo liwo wykorzystania ich do aproksymacji wska ników pracy. Jako odwzorowania charakterystyki dla punktów w z owych za pomoc tych dwóch technik przedstawiono na rys., gdzie na osiach odniesiono rzeczywiste warto ci uzyskane podczas pomiaru do warto ci otrzymanych w wyniku aproksymacji charakterystyki. Z przedstawionego rysunku wynika, i punkty aproksymacji le blisko linii idealnego odwzorowania. a) b) Moment z symulacji [Nm] 9 7 5 3-5 -3-3 5 7 9 - -3-5 Mo - SSN Moment z pomiarów [Nm] Mo - Look up table 6 5 4 3 2 Ge - SSN Ge - Look up table 2 3 4 5 6 Rys.. Wyniki aproksymacji charakterystyki statycznej przy wykorzystaniu ró nych metod a) moment obrotowy silnika, b) zu ycie paliwa Fig.. Approximation results of static characteristics with use different methods a) engine torque, b) fuel consumption Okre lenie jako ci odwzorowania charakterystyki z przedstawionego rysunku jest trudne. Dlatego za kryterium porównawcze przyj to warto b du wzgl dnego obu sposobów aproksymacji charakterystyki silnika: n n x p xs i x %, () 2 x i gdzie: x p wynik pomiaru z hamowni silnikowej, x s wynik aproksymacji modelu. p Zu ycie paliwa z pomiarów [g/s] 2 Zu ycie paliwa z symulacji [g/s] Warto powy szego równania oznacza sum kwadratów b dów aproksymacji charakterystyki silnika odniesion do sumy kwadratów warto ci zmierzonych. B d ten zestawiono w tabeli 2. Tab. 2. Wzgl dny b d oblicze wska ników silnika Tab. 2. Relative computation error of coefficients of engine Metoda aproksymacji B d wzgl dny % Moment Zu ycie paliwa Look-up table,6,7 SSN,49,5 3
K. Malewicz, S. Prokop, J. Mamla Przyj te sposoby aproksymacji charakterystyki statycznej silnika skutkuj b dem wzgl dnym nie przekraczaj cym,5%. 3. Modelowanie charakterystyki eksploatacyjnej silnika Jednak cech charakterystyczn samochodu poruszaj cego si w rzeczywistych warunkach ruchu s cz ste zmiany mocy silnika, dlatego wykorzystanie modelu silnika opartego o statyczn charakterystyk silnika skutkuje b dem. B d ten wynika z nieuwzgl dnienia stanów przej ciowych pracy silnika. Szczególnie w warunkach jazdy miejskiej, gdzie cz stotliwo, zakres i dynamika zmian jest bardzo du a. W rezultacie pr dko obrotowa silnika i podci nienie w kolektorze dolotowym nie s sta e jak w przypadku pomiarów wykonywanych podczas wyznaczania charakterystyki ogólnej silnika na hamowni silnikowej. W opracowaniu zaproponowano wykorzystanie sztucznych sieci neuronowych do modelowania charakterystyki silnika bezpo rednio z pomiarów rzeczywistych zarejestrowanych podczas prób drogowych samochodu do wiadczalnego na odcinku 7,5 km w czasie min. Samochód do wiadczalny by wyposa ony w identyczny silnik jak podczas bada stanowiskowych oraz zosta a wykorzystana identyczna aparatura pomiarowa, na któr sk ada si m.in. uk ad do pomiaru momentu obrotowego na wale nap dowym [5], z którego obliczono moc silnika w uk adzie nap dowym. Poni ej (rys. 2) przedstawiono eksploatacyjn charakterystyk mocy silnika otrzyman bezpo rednio z bada drogowych w rzeczywistych warunkach ruchu, wyznaczon za pomoc sztucznej sieci neuronowej..8 Wzgl dna moc silnika.6.4.2.8.6.4 Wzgl dne podci nienie.2.8.6.4.2 Wzgl dna pr dko obrotowa Rys. 2. Wzgl dna eksploatacyjna charakterystyka mocy silnika odwzorowana za pomoc sieci neuronowej Fig. 2. Relative operating engine power map represented with artificial neural network Okre lone za pomoc sztucznych sieci neuronowych charakterystyki silnika mo na, jak wykazano w pracy [6], wykorzysta do aproksymacji parametrów wybranego punktu pracy silnika, w tym przypadku mocy w zale no ci od zadanej warto ci pr dko ci obrotowej i podci nienia w przewodzie dolotowym. Zgodnie z przyj tymi za o eniami, zaprojektowane sieci neuronowe odwzoruj ce charakterystyki mocy silnika: statyczn i eksploatacyjn poddano weryfikacji. W tym celu przeprowadzono badania symulacyjne wykorzystuj c nak adk Simulink z pakietu Matlab. 32
MODELLING OF HE SPARK-IGNITION ENGINE OPERATIONAL PERFORMANCE Wyniki symulacji przedstawiono na rys. 3, gdzie porównano moc silnika zarejestrowan podczas bada drogowych do mocy silnika aproksymowanej z charakterystyk: statycznej i eksploatacyjnej. Rys. 3. Wyniki symulacji przy wykorzystaniu neuronowej charakterystyki eksploatacyjnej silnika dla rzeczywistego profilu pr dko ci Fig. 3. Simulation results with use neutral network exploitation characteristics of engine in real profile speed Okre lono tak e b d wzgl dny odwzorowania równania nr, przyjmuj c jako warto odniesienia moc zmierzon podczas bada drogowych w rzeczywistych warunkach ruchu. Warto otrzymanego b du przedstawiono w tabeli 3. Tab. 3. Wzgl dny b d oblicze mocy silnika w uk adzie nap dowym Tab. 3. Relative computation error of engine power Metoda aproksymacji B d odwzrowania % Moc Look-up table 7,5 SSN 5,86 Jak wida (tab. 3), wzgl dny b d jest wi kszy w przypadku odwzorowania mocy silnika dla rzeczywistego profilu pr dko ci przy u yciu charakterystyki statycznej. 4. Podsumowanie W pracy dowiedziono, e odpowiednio zaprojektowana i wytrenowana sztuczna sie neuronowa dobrze odwzoruje silnie nieliniowe, wielowymiarowe zale no ci wynikaj ce z dzia ania samochodowego uk adu nap dowego. Sie neuronowa wytrenowana na zbiorze danych pomiarowych zebranych w rzeczywistych warunkach ruchu umo liwia symulacyjne badania uk adu nap dowego. Tym samym mo liwe jest okre lenie wybranych wska ników pracy dla dowolnego profilu pr dko ci, równie syntetycznego. Istotn zalet proponowanej metody jest to, e wiedza nabyta przez sie neuronow, wynika z rzeczywistych a nie statycznych warunków pracy silnika. 33
K. Malewicz, S. Prokop, J. Mamla Literatura [] Arsie, L., Pianese, C., Pizzo, G., Enhancement of control oriented engine model using neural network, 23. [2] Ghazi Zadeh, A., Fahim, A, El-Gindy, M., Neural network end fuzzy logic applications to vehicle systems: literature survey, International Journal of Vehicle Design, 997. [3] He, J., Rutland, C., Application of artificial neutral network for integration of advanced engine simulation methods, Peoria, 2. [4] Howlett, R. J., Zoysa, M. M, Walters, S. D., Howson, P. A., Neutral network techniques for monitoring and control of internal combustion engines, Presented at Int. Symposium on Intelligent Industrial Automation 999, Italy, Genova 999. [5] Jantos, J., Mamala, J., Stanowiskowy symulator obci enia drogowego silnika, Teka Komisji Naukowo-Problemowej Motoryzacji PAN oddzia w Krakowie, Konstrukcja, badania, eksploatacja, technologia pojazdów samochodowych i silników spalinowych, Kraków 999, t.8, ss. 3-9 [6] Mamala, J., Jantos, J., Odwzorowanie charakterystyk silnika za pomoc sztucznych sieci neuronowych, Zeszyt naukowy Politechniki Opolskiej, seria Mechanika, Opole 25 (w druku). [7] Mamala, J., Jantos, J., Stanowisko dynamiczne do bada uk adu pojazd - silnik technik symulacji stanowiskowej, VI Mi dzynarodowa Konferencja Naukowo - Techniczna AUTOPROGRES 98, Jachranka 998, ss. 9-27. [8] Yoon, P., Myoungho, S., A nonlinear modelling of SI engines for controller design, International Journal of Vehicle Design, Vol. 26, No 2/3, 2, s. 277-297 [9] Zuranda, J., Barski, M., J druch, W., Sztuczne sieci neuronowe, PWN, Warszawa 996 Artyku powsta w ramach Projektu ZPORR, wspó finansowanego ze rodków Unii Europejskiej z Europejskiego Funduszu Spo ecznego i bud etu pa stwa 34