بهبود مدل‌سازی کنترل‌محور موتورهای اشتعال جرقه‌ای با استفاده از ساختار جعبه خاکستری

در این مقاله روشی بهبودیافته بلادرنگ و با دقت بالا در مدل سازی کنترل محور موتورهای احتراق داخلی، به نام نورو ام وی ام ارایه می شود. این مدل، ترکیبی از مدل های مقدار میانگین و شبکه های عصبی بوده و قادر است بر نواقص هر دو روش فایق آید. به بیان دیگر، با بهره گیری از مزایای هر دو روش این توسعه جعبه خاکستری دارای قابلیت اعتمادی بالاتر از یک شبکه عصبی جعبه سیاهِ صرف و همچنین دقتی بالاتر از روابط ریاضی (تقریباً) جعبه سفید مدل های مقدار میانگین خواهد بود. با بهبود این روش در مقاله حاضر مدل حاصله برای طراحی کنترلر مناسب خواهد بود. به واسطه استفاده از روش های پیشرفته تر طراحی (مانند ساختارهای گروهی، تقسیم بندی بهبودیافته و به خصوص ساده سازی وظیفه شبکه ها) شبکه های عصبی بادقت بالا و رگرسیون های شبه خطی حاصل می شود. چنانچه ملاحظه خواهد شد، مدل نهایی به دقت براساس داده های آزمایشگاهی نرم افزاری صحه گذاری شده و قادر است خروجی های حالت ماندگار و گذرای موتور (مانند آلاینده های خروجی، فشار منیفولد، وقوع ضربه و دور موتور) را با دقت بالا و به صورت بلادرنگ پیش بینی کند. در پایان تاثیر ورودی های کنترلی موتور بر آلاینده ها و مصرف سوخت مورد مطالعه قرار می گیرد. موتور مورد بررسی در این پروهش، یک موتور بنزینی با پاشش راهگاهی است

An Improvement in Control-oriented Modeling of SI Engines using Grey-box Structure

In this paper, an improved, realtime, highly accurate controloriented style, named Neuro Mean Value Modeling, is presented for IC engine modeling. This model is a combination of neural networks and mean value model, and is able to overcome the shortcomings of both styles. In other words, taking advantage of both methods, this box extension will be of more reliability than a mere blackbox neural network, and also of more accuracy than roughly whitebox mathematical relations of In this paper, the model is modified to become suitable for designing an engine controller. Thanks to the sophisticated methods applied (such as committee method, improved partitioning, and especially, simplifying neural networks rsquo; tasks), neural networks of high accuracy with linelike regressions will be achieved. As will be seen, the model is precisely validated and it is capable of accurately predicting the engine rsquo;s outputs (such as pollutant emissions, manifold pressure, knock probability, and engine speed) all in real time. In the end, the effect of engine control inputs on pollutant emissions and fuel consumption will be examined. The engine employed to establish the model is a ported fuel injection SI engine.