توصيفگر ها :
موتور احتراق داخلي , كوبش , يادگيري ماشين , شبكه عصبي مصنوعي , يادگيري عميق
چكيده فارسي :
توسعه و بهينه‌سازي موتورهاي احتراق داخلي به منظور دست‌يابي به بيشينه توان خروجي، كاهش آلايندگي و كاهش مصرف سوخت، مورد توجه محققان قرار گرفته است. هدف اصلي در اين زمينه، رسيدن به تعادل مطلوب بين كاهش مصرف سوخت و آلايندگي با بهبود توان و گشتاور توليدي موتور مي‌باشد و راهكارهايي نظير كوچك‌سازي موتور، افزايش نسبت تراكم و بهره‌گيري از سيستم پرخوران در موتور، مي‌تواند شرايط را براي رسيدن به اين هدف، مهيا سازد. در تمامي اين موارد، كوبش مانعي بزرگ براي رسيدن به شرايط بهينه كاركردي موتور مي‌باشد. در كار حاضر، هدف پيش‌بيني احتمال وقوع كوبش در موتور احتراق جرقه‌اي براساس پارامترهاي كاركردي خودرو و دماي دود خروجي به كمك روش‌هاي يادگيري ماشين مي‌باشد. در اين كار، از روش‌هاي شبكه عصبي مصنوعي و يادگيري عميق به عنوان الگوريتم‌هاي يادگيري ماشين استفاده مي‌شود. در مرحله نخست، داده‌هاي موردنياز از طريق آزمون‌هاي جاده مختلف بر روي خودروي هايما اس 7 توربو بدست آمدند. آزمون‌ها در جاده‌هاي مختلف ايران با شرايط آب و هوايي و ارتفاع متفاوت انجام شدند. در مرحله بعد، پارامترهاي كاركردي مختلف خودرو از لحاظ زماني، همگام‌سازي شده تا مقدار تمامي پارامترها در زمان يكسان، ثبت شوند. سپس داده‌هاي پردازش شده به عنوان ورودي الگوريتم‌هاي يادگيري ماشين، استفاده مي‌شوند تا فرآيند آموزش و يادگيري شبكه‌ها، انجام شود. در نهايت، شبكه‌ها دقت 92 درصدي را در فرآيند آموزش و دقت 87 تا 89 درصدي را در فرآيند آزمون از خود نشان دادند. مهم‌ترين عامل وجود خطا در تشخيص شرايط كوبشي، ذات تصادفي بودن پديده كوبش و تغييرات چرخه به چرخه در موتور است كه در شرايط كاركردي كاملا مشابه، در يك چرخه ممكن است كوبش رخ بدهد و در ديگري ممكن است احتراق به صورت عادي انجام شود. هم‌چنين، براساس آناليز حساسيت انجام شده بر روي شبكه‌ها، زمان جرقه بيشترين تاثير را در وقوع يا عدم وقوع جرقه دارد و موقعيت ميل‌بادامك، كمترين اثر را بر روي اين پديده دارد. الگوريتم‌هاي يادگيري ماشين، نتايج اميدواركننده‌اي را در زمينه تشخيص كوبش از خود نشان دادند و روش‌هاي يادگيري ماشين، مي‌توانند در مباحث بهينه‌سازي، كنترل و پيش‌بيني عملكرد موتورهاي احتراق داخلي و نگاشت مديريت هوشمند خودرو، تحولات شگرفي را ايجاد كنند. هم‌چنين، مي‌توان از روش‌هاي يادگيري ماشين با هدف تشخيص و شناسايي پديده كوبش براساس پارامترهاي كاركردي خودرو استفاده كرد كه چنين امري، مي‌تواند منجر به حذف حسگر كوبش از موتورهاي احتراق جرقه‌اي شود.
چكيده انگليسي :
The development and optimization of internal combustion engines in order to achieve maximum output power, reduce emissions, and reduce fuel consumption has been the focus of researchers. The main goal in this field is to achieve the optimal balance between reducing fuel consumption and emissions by improving the power and torque produced by the engine, and solutions such as downsizing the engine, increasing the compression ratio, and using the high-efficiency system in the engine can create the conditions to achieve this goal. provide In all these cases, engine knock is a big obstacle to reaching the optimal working conditions of the engine. In the present work, the aim is to predict the probability of knocking in a spark ignition engine based on the functional parameters of the vehicle and exhaust gas temperature with the help of machine learning methods. In this work, the artificial neural network and deep learning methods are used as machine learning algorithms. In the first stage, the required data were obtained through various road tests on the Haima S7 Turbocharged car. The tests were conducted on different roads in Iran with different weather conditions and altitudes. In the next step, the different functional parameters of the engine are synchronized in terms of time so that the values of all parameters are recorded at the same time. Then the processed data is used as input for machine learning algorithms to carry out the process of training and learning networks. Finally, the networks showed 92% accuracy in the training process and 87-89% accuracy in the test process. The most important factor in the existence of errors in the detection of engine knock conditions is the nature of the randomness of the knocking phenomenon and changes from cycle to cycle in the engine, which in completely similar operating conditions, knocking may occur in one cycle and combustion may occur normally in another. Also, based on the sensitivity analysis performed on the networks, the spark time has the greatest effect on the occurrence or non-occurrence of the knock, and the position of the camshaft has the least effect on this phenomenon. Machine learning algorithms showed promising results in the field of knock detection, and machine learning methods can create tremendous developments in the topics of optimization, control, and prediction of internal combustion engine performance and intelligent vehicle management mapping. Also, machine learning methods can be used to detect and identify the knocking phenomenon based on the functional parameters of the engine, which can lead to the removal of the knocking sensor from spark ignition engines.
