Riassunto analitico
È fondamentale che un motore a combustione interna operi all’interno del range dei valori di carburazione target che sono stati messi a punto durante la fase di calibrazione, così da rientrare nelle stringenti normative sulle emissioni ed assicurare che i corretti livelli di consumo carburante, affidabilità e coppia siano erogati. Durante il funzionamento stazionario è possibile ottenere questo risultato tramite combinazione di un segnale open-loop, calcolato dalla stima della massa d’aria in ingresso al motore e dalla massa iniettata, tramite la caratteristica dell’iniettore, e di un termine in retroazione ottenuto da un controller che opera sull’errore di carburazione misurato nel sistema di scarico tramite un sensore di ossigeno (Sonda Lambda). Durante le fasi di transitorio la misurazione della sonda lambda non è utilizzabile, a causa del ritardo nella risposta del sensore, nasce quindi l’esigenza di sviluppare modelli capaci di replicare il funzionamento del motore, così da poter svolgere simulazioni e sviluppare un controller che, lavorando in open-loop, riesca a tenere il rapporto aria-benzina vicino al valore target. In questo lavoro di tesi vengono presentati dei modelli basati su tecniche di Machine Learning che permettono di superare le limitazioni dei metodi tradizionali usati per la compensazione dei transitori benzina, come ad esempio il modello d’Aquino, che richiede estensive calibrazioni in sala prove, da ripetersi nel caso dell’introduzione di nuovi componenti motore. Le soluzioni presentate, basate su reti neurali di tipo Time-Delay, consentono una fase di calibrazione più snella, che può essere portata avanti in sala prove o in pista e che, inoltre, consente una manutenzione più agevole del modello stesso, in caso vengano effettuate modifiche al motore o nel caso di elevata usura. I modelli sono stati sviluppati e addestrati con i dati del motore di Ducati Corse impegnato nel campionato del mondo MotoGP, il focus di questa tesi è stato quindi incentrato sul miglioramento delle performance. Le reti neurali si sono dimostrate capaci di stimare l’andamento della carburazione di ogni cilindro con un buon grado di generalizzazione su dati non inclusi nella fase di training, ottenendo un errore medio minore del 3%, la stima della lambda ottenuta può essere direttamente utilizzata per compensare l’iniezione di carburante durante i transitori. Viene presentata inizialmente una versione offline del modello, lo scopo di questa versione è di generare una stima della carburazione che sia sensibile ad eventuali interventi di un compensatore e che possa interfacciarsi con gli algoritmi di controllo già esistenti nella ECU, tramite un processo di ottimizzazione che verrà sviluppato in futuro. Viene poi presentata una versione Real Time del modello, che permette di essere validata al banco prova tramite metodologie Hardware-in-the-Loop (HIL) ed infine, pone le basi per una futura implementazione delle reti neurali direttamente in centralina.
|
Abstract
For an Internal Combustion Engine (ICE) is fundamental to operate within the target range of air-fuel ratio (AFR) to comply with modern emission regulations and to ensure the correct levels of fuel consumption, reliability and torque delivery. When operating in steady-state this can be obtained by combining an open loop calculation, based on an estimation of the incoming air charge and the injected mass obtained from the injector’s characteristics, and a feedback term, obtained by feeding a controller with the carburation error measured through a lambda sensor placed in the exhaust system. During transient operations the feedback term is not useful, due to the delay of the lambda sensor, hence the need to develop models to perform simulations and to build a controller which is capable of keeping the fueling levels close to the target, working in open loop mode only. This thesis presents the development of Machine Learning techniques to build such models, overcoming the downsides of the traditional methods, such as the Aquino Model, that requires extensive calibration activities at the test bench that need to be repeated at every engine specification change. The presented solutions, based on Time-delay Neural Networks, allows a faster calibration, which can be carried on either on the test bench or on track and an easier management in case of engine modifications or wear. The models have been developed and trained with data coming from the MotoGP engine of Ducati Corse, so, the work is been indeed sharply focused on the performance side of fuel transient compensation. The neural networks proved to be capable of generalization with data not included during the training phase and to provide an estimation of the lambda, for every cylinder, with an average error lower than 3%. It is possible to use this estimation to calculate the amount of fuel correction to compensate for the fuel dynamics during transients. An Offline version is presented first, the objective of this model is to generate a reliable lambda estimation that is sensitive to the intervention of a fuel controller. A model that use the estimated lambda to optimize the already existing control logic of the Electronic Control Unit (ECU) will be developed in the future. Then, also a Real Time version is presented, which enables the possibility to validate the model in a Hardware-in-the-loop (HIL) scenario at the test bench and provides the foundation for the future development of an ECU embedded neural network controller.
|