Journal of KONES Internal Combustion Engines 25, vol. 2, -2 EXPLOITATION CHARACTERISTICS OF AN ENGINE CAR Jaros aw Mamala, Jerzy Jantos Politechnika Opolska ul. Miko ajczyka 5 45 27 Opole tel.: +48 77 46272 fax: +48 77 46272 e-mail: mamala@po.opole.pl Abstract The authors of the paper prove the ability of artificial neural network to determination of spark ignition engine power map not only on the stand investigations basis but also with use of measurement results. It is shown that the artificial neutral network trained on the basis of road measurement represents, better real relationships. On the job one proved that properly projected and trained artificial neural network well would copy strongly non-linear, multidimensional consequential dependences from the activity of the car driving powertrain. Proposed method can be especially useful to estimation of the impact of algorithms of the steering with the powertrain system of the passenger car. CHARAKTERYSTYKI EKSPLOATACYJNE SILNIKA SAMOCHODOWEGO Streszczenie Autorzy referatu dowodz mo liwo ci wykorzystania sztucznych sieci neuronowych do okre lenia charakterystyki mocy silnika o zap onie iskrowym nie tylko w oparciu o wyniki bada stanowiskowych, ale równie na podstawie wyników pomiarów zrealizowanych w rzeczywistych warunkach ruchu. Wykazano, e sie neuronowa wytrenowana w oparciu o wyniki pomiarów uzyskanych, podczas normalnego ruchu drogowego, lepiej odwzoruje rzeczywiste zale no ci w uk adzie nap dowym. 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. Proponowana metoda mo e by szczególnie przydatna do oceny dzia ania algorytmów sterowania uk adem nap dowym samochodu osobowego.. Wprowadzenie Uk ad nap dowy wywiera decyduj cy wp yw na w asno ci ruchowe samochodu, zu ycie paliwa oraz emisj substancji szkodliwych. Proces doskonalenia uk adu nap dowego jest ci le powi zany z ocen jako ci dzia ania jego podzespo ów, w sk ad którego wchodz silnik i skrzynia biegów [6]. Konieczne jest zatem prowadzenie stosownych bada. Poszukiwanie optymalnej konfiguracji uk adu nap dowego samochodu osobowego wi e si konieczno ci testowania wielu wariantów. Sprawdzon i skuteczn metod rozwi zywania tego typy problemów s badania realizowane technik symulacji cyfrowej. Jednak opis systemu energetycznego uk adu nap dowego w postaci równa analitycznych jest utrudniony. Zasadniczym powodem tych trudno ci jest wieloetapowo procesu przetwarzania energii zachodz cego w silniku, charakteryzuj cego si m.in. cykliczno ci, niestacjonarno ci i siln nieliniowo ci oraz zjawiskami akumulacji. Z tego wzgl du, w badaniach w asno ci trakcyjnych uk adu nap dowego zak ada si uproszczenia polegaj ce na opisie silnika za pomoc odpowiednich charakterystyk statycznych zapisanych w pami ci uk adu. Najcz ciej s to charakterystyki mocy, momentu obrotowego silnika oraz czasowego zu ycia paliwa wyra one jako funkcje pr dko ci obrotowej i podci nienia w kolektorze dolotowym czy zamiennie uchylenia przepustnicy. Jednak udzia stanów przej ciowych w pracy 27
samochodowego silnika ZI jest na tyle znacz cy, e wspomniane wy ej uproszczenia skutkuj b dami obliczeniowymi. Znane s liczne prace okre laj ce dok adno odwzorowania parametrów silnika za pomoc charakterystyk statycznych [4, 7]. W tym opracowaniu zaproponowano w asn metod opart na sztucznej sieci neuronowej [, 2, 3, 5, 8, ], któr wykorzystano do odwzorowania charakterystyki silnika. W celu uwzgl dnienia rzeczywistych warunków eksploatacji wykorzystano sztuczne sieci neuronowe do odwzorowania charakterystyki eksploatacyjnej silnika otrzymanej na podstawie wyników bada drogowych. Jak znacz cy jest wp yw jako ci odwzorowania charakterystyki silnika na wynik oblicze mocy w uk adzie nap dowym to kolejny problem, który poruszono w tym opracowaniu. 2. Za o enia metody Znane s metody okre lania charakterystyk silnika z wykorzystaniem sztucznych sieci neuronowych (rys. ). Wej cie Warstwa ukryta Warstwa wyj ciowa Wyj cie obroty moc podcisnienie Rys.. Struktura wykorzystanej sieci neuronowej 2 x 9 x typu Feed-forward back propagation Fig.. Structure of used Feed-forward back propagation neural network 2 x 9 x Jak wykazano w pracach [, 2, 3, 5, 8,,, 2], mo na do tego celu wykorzysta sztuczne sieci neuronowe, które s trenowane bezpo rednio na wynikach pomiarów. Za o enie to wynika z charakterystycznych w a ciwo ci sieci neuronowej a w szczególno ci mo liwo ci odwzorowania silnie nieliniowych, wielowymiarowych zale no ci. W literaturze jest wiele przyk adów wykorzystania sztucznych sieci neuronowych [, 2, 6]. Jak wykazano w pracy [8] sie neuronowa typu radialbasis nadaj si dobrze do odwzorowania i aproksymacji charakterystyki silnika w warunkach ustalonych, jednak do silnie nieliniowych zale no ci, jakie zachodz w warunkach rzeczywistej jazdy drogowej, lepiej nadaj si sieci ze wsteczn propagacj b du typu feed-forward back propagation opisanej w pracach [5, ]. Ze wzgl du na w asno ci sztucznych sieci neuronowych dane wej ciowe do sieci nale y sprowadzi do warto ci wzgl dnych. Warto wzgl dn obliczono ze wzoru: x w x x x x min. () max min 28
Jako wielko ci wej ciowe do sieci neuronowej przyj to, pr dko obrotow silnika i podci nienie w kolektorze dolotowym, które w uk adzie rzeczywistym s podstawowymi wielko ciami charakteryzuj cymi stan pracy. 3. Charakterystyki silnika Proponowane rozwi zanie z wykorzystaniem sztucznych sieci neuronowych wyró nia si sposobem uj cia rozpatrywanych zale no ci. W odró nieniu od typowych zastosowa w tym przypadku wykorzystano sie neuronow do modelowania charakterystyki silnika bezpo rednio z danych pomiarowych w tym równie z bada drogowych. 4. 3.. Wyniki pomiarów statycznych Podj ty w opracowaniu problem rozpatrzono na przyk adzie charakterystyk silnika o zap onie iskrowym (ZI), którego podstawowe parametry zestawiono w tabeli. Tabela. Parametry techniczne silnika Table. The technical of 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 obr/min 32 Pomiary przeprowadzono na stanowisku badawczym [9] okre laj c charakterystyki pr dko ciowe dla 5 arbitralnie przyj tych warto ci uchylenia przepustnicy. a) b) Wzgledna moc silnika.8.6.4.2 Wzgledna moc silnika.8.6.4.2.8.6.4.2 Wzgledne podcisnienie.8.6.4.2 Wzgledna predkosc obrotowa.8.6.4.2 Wzgledne podcisnienie.8.6.4.2 Wzgledna predkosc obrotowa Rys. 2. Wzgl dna statyczna charakterystyka silnika odwzorowana za pomoc sieci neuronowej: a) sie typu radialbasis b) sie typu feed-forward back propagation Fig. 2. Engine static relative map represented with artificial neural network: a) radial basis b) feed - forward back propagation 5. 3.2. Wyniki pomiarów drogowych Cech charakterystyczn samochodu poruszaj cego si w rzeczywistych warunkach ruchu s cz ste zmiany mocy doprowadzonej do kó. Analiza wyników rejestracji jazdy drogowej dowodzi, e zmiany danej mocy silnika s bardzo cz ste (rys. 3). 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 29
przypadku pomiarów wykonywanych podczas wyznaczania charakterystyki pr dko ciowej silnika w warunkach statycznych na hamowni silnikowej. Do treningu sieci wykorzystano wyniki pomiarów zarejestrowane podczas bada w asnych przeprowadzonych podczas ruchu drogowego 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 [9]. Moc, kw 5 4 3 2 3 Moc_pomiar Pr dko 2 5 5 2 25 3 35 4 45 5 55 6-4 - -2-3 Pr dko, m/s - Czas, s -5 Rys. 3. Przyk adowy profil pr dko ci samochodu i mocy w uk adzie nap dowym Fig. 3. Exemplar vehicle speed and power profile Poni ej (rys. 4) przedstawiono eksploatacyjn charakterystyk mocy silnika otrzyman bezpo rednio z bada drogowych w rzeczywistych warunkach ruchu, wyznaczon za pomoc sztucznej sieci neuronowej. Wzgledna moc silnika.8.6.4.2.8.6.4.2 Wzgledne podcisnienie.8.6.4.2 Wzgledna predkosc obrotowa Rys. 4. Wzgl dna eksploatacyjna charakterystyka mocy silnika odwzorowana za pomoc sieci neuronowej Fig. 4. Relative operating engine power map represented with artificial neural network 22
Okre lone za pomoc sztucznych sieci neuronowych charakterystyki silnika mo na jak wykazano w pracy [8] wykorzysta do obliczania 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. 6. Badania symulacyjne 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. Do przeprowadzenia bada symulacyjnych wykorzystano nak adk Simulink z pakietu Matlab. Schemat blokowy modelu utworzonego w Simulinku przedstawiono na rysunku 5. p{} y {} Wzg_Char_ekspl f(u) Moc_eksp Filtr4 wej_m2 CYKL p{} y {} f(u) Wzg_Char_stat Moc_stat Filtr3 Moc_eksp, Moc_stat, Obroty, Podcisnienie f(u) Filtr Obroty em f(u) Filtr2 Podcisnienie Rys. 5. Model wykorzystany do weryfikacji charakterystyk silnika Fig. 5. Model used to engine map verification Wyniki symulacji przedstawiono na rysunkach 6 i 7, gdzie porównano moc silnika zarejestrowan podczas bada drogowych do mocy silnika obliczonej z charakterystyki statycznej i eksploatacyjnej. Na rysunkach tych przedstawiono tak e profil pr dko ci samochodu. Okre lono tak e b d wzgl dny odwzorowania, przyjmuj c jako warto odniesienia moc zmierzon podczas bada drogowych w rzeczywistych warunkach ruchu. Moc, kw 5 4 3 2 5 5 2 25 3-4 - Moc_pomiar Moc_stat Pr dko Czas, s Rys. 6. Wyniki symulacji przy wykorzystaniu neuronowej charakterystyki statycznej silnika Fig. 6. Simulation results with use of engine static neutral map 3 2 - -2-3 -5 Pr dko, m/s 22
Moc, kw 5 3 Moc_pomiar Moc_eksp Pr dko 2 4 3 2 - -2-3 5 5 2 25 3-4 Pr dko, m/s - Czas, s -5 Rys. 7. Wyniki symulacji przy wykorzystaniu neuronowej charakterystyki eksploatacyjnej silnika Fig. 7. Simulation results with use of engine operating neutral map Warto b du wzgl dnego przedstawionego, obliczono z zale no ci: gdzie: x n x p i n i x x p wynik pomiaru mocy z bada drogowych, x s wynik symulacji modelu. x p s (2) Jak wida (rys. 8), wzgl dny b d jest zdecydowanie wi kszy w przypadku odwzorowania profilu pr dko ci z u yciem charakterystyki statycznej. 5 4 Wzgl dny b d, % 3 2 Eksploatacyjna Statyczna Rys. 8. Wzgl dny b d oblicze mocy w uk adzie nap dowym Fig. 8. Relative computation error of engine power 222
Z rysunku tego wynika tak e, e wytrenowana sie neuronowa umo liwia tak e badania symulacyjne dla dowolnych profili pr dko ci, a uzyskane wyniki obarczone s b dem nieprzekraczaj cym %. 7. 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 a wybrane wska niki pracy mo na w sposób powtarzalny okre li bez potrzeby prowadzenia kontrolnych bada stanowiskowych. Zalety te sprawiaj, e proponowana metoda mo e by szczególnie przydatna do oceny dzia ania algorytmów sterowania uk adem nap dowym samochodu osobowego. 8. Podzi kowanie Praca naukowa finansowana ze rodków Komitetu Bada Naukowych w latach 23 26 jako projekt badawczy. 9. Literatura [] Brace C. J., Deacon M., Vaughan N. D. Prediction of emissions from turbocharged passenger car diesel engine using a neural network, School of Mechanical Engineering, University of Bath 2. [2] He J., Rutland C. Application of artificial neutral network for integration of advanced engine simulation methods, Peoria, 2. [3] Howlett R., Zoysa M., Walters S., Howson P. Neural network techniques for monitoring and control of internal combustion engines, Genova, Italy, 999. [4] Jantos J., Korniak J., Mamala J., Si ka W. Driveability and fuel consumption improvement through integrated fuzzy logic control of powertrain with spark ignition engine and continuously variable transmission, FISITA World Automotive Congress, Barcelona 24,, F24 F44, 24. [5] Jantos J., Mamala J., Danielczok A. Neuronowe modelowanie samochodowego uk adu nap dowego, Journal of Kones 24, 3th International Scientific Conference on Internal Combustion Engines, Zakopane 24. [6] Jantos J. Zintegrowane sterowanie samochodowym, spalinowym uk adem nap dowym o prze o eniu zmiennym w sposób ci g y, Studia i Monografie, z. 4, Oficyna Wydawnicza Politechniki Opolskiej, Opole 23. [7] Jantos J., Mamala J. Zu ycie paliwa podczas ruchu samochodu ze zmienn pr dko ci, Konstrukcja, badania, eksploatacja, technologia pojazdów samochodowych i silników spalinowych, PAN oddzia w Krakowie, Teka Komisji Naukowo-Problemowej Motoryzacji, Kraków 999, z.8 str.2-26, 999. [8] Mamala J., Jantos J. Odwzorowanie charakterystyk silnika za pomoc sztucznych sieci neuronowych, Zeszyt naukowy Politechniki Opolskiej, seria Mechanika, Opole 25 (w druku), 25. 223
[9] 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, 998. [] Mamala J., Jantos J. Weryfikacja algorytmów sterowania samochodowym uk adem nap dowym z wykorzystaniem sieci neuronowych, Badania symulacyjne w technice samochodowej, Lublin 25. [] Taylor C.F. The internal combustion engine theory and practice, M.I.T. Press, Cambridge 2. [2] Traver M., Atkinson R. J., Atkinson C. M. Neural Network based diesel engine emissions prediction using in-cylinder combustion pressure, West Virginia University, 999. 224