Mechatronic design approachfor engine management systems

機電一體化設計的引擎管理系統

課程名稱 : 專題討論班級 : 自控四乙組員 : 49912055 萬書瑋

49912074 林暐倫49912116 王俊凱

指導老師 : 沈毓泰

目錄摘要一 . 引擎試驗台二 . 固定模式的不透明度三 . 動態發動機試驗台 - 機電一體化系統四 . 發動機管理根據氣缸壓力五 . 上級發動機管理系統六 . 結果七 . 結論

摘要內燃式引擎與電子管理系統已經發展到機電一體

化。

新的技術已被引入到現代引擎中，以提高引擎的性能，同時降低排放和消耗，例如

廢氣再循環（ EGR ）渦輪增壓器可變幾何渦輪（ VTG ）共軌系統。

為了滿足對引擎性能不斷增加的需求，並在更短的開發週期的限制下，對於更新的的識別方法 :神經網絡 (neural networks)及軟硬體工具 :快速控制原型（ RCP ）模擬硬體迴路 (HIL) 模擬的引擎控制單元 的設計有不斷上升的需求。

一 . 引擎試驗台 透過引擎與快速神經網路的適當模型，開發了一種改進的排氣、消耗和駕駛性能隨時間變化的優化策略。並透過快速控制原型 (RCP) 系統在發動機試驗台的進行測試。

二 .LOLIMOT局部線性模型樹 LOcal LInear Model Tree(LOLIMOT) 物理見解和測量局部重要的燃燒特性的能力仍不

足，理論模型演繹不利於後續的優化任務。相反，該 LOLIMOT 類型的特殊快速神經網絡方法

很快導致了良好的效果。

該 LOLIMOT 算法是基於把一個非線性過程的輸入空間分成 M個區域，其中局部線性模型(LLM) 進行估計和輸出，如下式

W0i ，……， Wni ：局部模型的參數， X1 ，……， Xn ：過程輸入，Φi : 高斯函數，σi ：標準偏差，ci ：局部子模型的中心坐標。 動態非線性系統的識別是用在像控制、仿真、預測、故障檢測等非常重要的領域。

動態 靜態圖 1.LOLIMOT 類型的特殊快速神經網絡

圖 2. 說明了測量不透明度的多維依賴關係

二.固定模式的不透明度發動機控制功能的應用主要是基於專業知識。但是，越來越多的影響變數 , 最佳的不再難以使

用人工的方式去搜尋到。採用電腦本位的數學優化是很有利的在這方面的貢獻。

這些基於數學程序模組的慣例都是通過神經網絡實現與三維地圖比較。

神經網絡具有多維（ 3 個以上）依賴關係的優點能以一個非常嚴謹的方式和，這個過程動態可以很容易地納入到模型中。

圖 3. 靜止神經元不透明模式，使用 / 不使用氣缸壓力， 1.9 l TDI

神經網絡提供大幅簡化數據分析的能力 [3,4]動機是，從第一種方法得知 , 氣缸壓力包含了一些寶貴的信息關於不被包括在輸入的燃燒實際性能

利用缸內壓力可由一個基於 DSP 的即時顯示系統，其整合到 RCP 系統和直接耦合至實際程序來實現。

進一步達到提高約 5％的模擬質量。

圖4.動態的NOx測量（上圖）和發動機（底部）的靜態特性運算, 1.9 l

氮氧化物動態模擬和運算的靜態行為

除了固定的發動機模型，動態模擬對排氣形成的瞬時廢氣排放測試真實預測週期變得越來越重要。

進行了特殊設計的測量，其中過程動態在整個有關振幅和頻率的機制工作中被激發。

為了避免發動機的臨界條件下， aprbs信號被調節成量產車的 ECU儲存設定。

測量時間可限制為 18 分鐘。。

三 . 動態發動機試驗台 - 機電一體化系統在描述動態發動機試驗台，進階基礎模擬的發動機管理

系統和相應的算法可以開發並在實際過程進行測試這個想法是模擬車輛動態和由非同步電動機裝置的機械負荷施加給發動機。

機械組件（發動機，馬達，駕駛艙）與電子系統（功率電子，促動器，感應器）相互作用並且主要控制基於信息化。

不同的內燃機安裝在電車並且可以聯接到馬達約 30 分鐘（圖 5 ）內。

在試驗台，機電一體化的理念在整合機械，電子和信息技術，實現了一個高度。

圖 5. 動力發動機試驗系統與 RCP 系統一致。

四 . 發動機管理根據氣缸壓力隨著“快速功能發展”所介紹的工具，根據圖

6 可以執行一個完整的汽缸壓力基礎柴油發動機管理系統。

系統被執行為 Matlab / Simulink 模組化面向塊的模型和連接發動機由 RPC 系統。相應的控制子功能可以整合成為神經，隱約或慣性的控制功能在該圖的各塊。代碼生成的實時硬件是自動完成和下在在 DSP 硬件。還有，實時實驗可以通過Windows 基礎介面的可視化和線上控制 ( 控制台 ) 。

圖 6. 發動機管理系統根據於氣缸壓力

最佳化控制設置的計算1. 排放量 / 消耗量 的最佳化2. 適當的操作， 操作狀況， 故障3.扭矩控制， 怠速電子柴油控制

五 . 上級發動機管理系統上級發動機管理系統的核心項目與排氣 / 消耗量/轉矩模式 的數據庫。

最佳化損失函數 J= ， n 個考慮元件 W損失函數 ( 例如 : 燃料消耗率 (sfc) ， NOx ， soot ，HC ， CO) 是決定重量因素的驅動條件，潛在的故障和操作種類。

最佳化發現最佳折衷介於對立的目的。舉例，延後噴射角度導致，小的氮氧化物排放量但較高的油耗，較高的顆粒和高 HC 。

六 . 結果圖 7. 最佳化結果 (a)集中對 SFC 結果在具有較高的重點為降低消耗的噴射角在燃料消耗可從 3.82 下降至3.79千克 /小時的最佳化。把更多的強度放在NOx 極小化， NOx 排放可幾乎是減半，但在較高的消耗量為 3.88公斤/小時的花費。

(b)集中對 Nox 表示車輛的扭矩和速度的特色，接著在第二副區與標準的edc( 電子柴油控制 )和最佳化的噴射角。

七 . 結論內燃機已被引力在為機電一體化系統。不同學科( 機械，電子，信息科技 ) 的協同整合成新的發動機控制策略的合理的設計。

開發的模型被整合到面向塊的引擎控制設計平台的 RCP 系統上，然後與過程在線上鑑定。

開發策略是適合於自動調整發動機的圖或快速適配引擎的一種不同消耗規則。

參考文獻 [1] Hafner M, Sch€uler M, Isermann R. Fast neural networks for diesel

engine control design. In: 14th IFAC World Congress, Beijing, China. 1999. [2] Isermann R. Mechatronische Systeme-Grundlagen. Berlin: Springer

Verlag; 1999. [3] Isermann R, Hafner M, M€uller N, Sch€uler M. Der Einsatz neuronaler

Netze zur Modellierung, Steuerung und Regelung von Verbrennungs-motoren. 3. Stuttgarter Symposium Kraftfahr-wesen und Verbrennungsmotoren, Stuttgart, 1999.

[4] Isermann R, Schaffnit J, Sinsel S. Hardware-In-The-Loop Simulation for the Design and Testing of Engine-Control Systems. Control Engineering Practice 1999;7:643–53.

[5] Jost O. Konfigurierung eines DSP-Systems f€ur die Entwicklung von brennraumdruckbasierten Motormanagement-Verfahren. 1. dSPACE-Anwender-Konferenz, Paderborn, 1998.

[6] Narendra KS, Parathasarathy K. Identification and control of dynamical systems using neural networks. In: IEEE Trans Neural Network. 1990.

[7] Nelles O. Nonlinear system identification with local linear neuro-fuzzy models. In: Dissertation. TU Darmstadt: Shaker Verlag; 1999.

謝謝聆聽