Bitte wählen Sie ihr Lieferland und ihre Kundengruppe
Im Rahmen dieser Arbeit wird an drei unterschiedlichen Verbrennungsmotoren ein auf Neuronale Netze basierender Modellansatz zur Berechnung des Brennraumdruckverlaufes aus motorischen Steuergerätegrößen untersucht. Bei der Entwicklung und Optimierung der Verbrennung von modernen Motoren muss stets ein Kompromiss zwischen den Zielgrößen Kraftstoffverbrauch, Schadstoffemission und Geräuschniveau eingegangen werden. Wichtige Informationen über den Verbrennungsprozess lassen sich durch die Messung des Druckes im Brennraum gewinnen. Die Kenntnis des Druckverlaufes eines Verbrennungsmotors ist auch im Hinblick auf eine Verbrennungsregelung von großer Wichtigkeit. In dieser Arbeit werden für verschiedene Versuchsmotoren Berechnungsmodelle für den Brennraumdruckverlauf aufgestellt und deren Gültigkeit nachgewiesen. Als Modell wird ein Neuronales Netz gewählt. Der Vorteil von Neuronalen Netzten liegt in der Möglichkeit, nichtlineare Probleme mit hoher Güte berechnen zu können. Ausgehend von stationären Kennfeldmessungen, bei denen der Brennraumdruckverlauf und die zugehörigen, verbrennungsrelevanten Motorparameter wie z. B. die Motordrehzahl, die eingespritzte Kraftstoffmenge, der Einspritzbeginn, der Ladedruck usw. gemessen werden, wird ein Neuronales Netz trainiert und validiert. Die sehr große Datenmenge der Brennraumdrucksignale ist hierbei als sehr problematisch zu betrachten. Um deren Datenmenge ohne Informationsverlust deutlich zu verringern, wird das Hauptkomponentenverfahren (PCA = principal component analysis) angewendet. Erst dadurch ist es möglich, kleine und kompakte Neuronale Netze zu trainieren. Die Qualität der Brennraumdruckmodelle und deren Anwendbarkeit hinsichtlich einer Spitzendrucküberwachung oder einer Verbrennungslageregelung werden anhand von Dynamikuntersuchungen der Brennraumdruckindizierung vergleichend gegenübergestellt und bewertet. Mit dem in dieser Arbeit aufgezeigtem Modellansatz zur Berechnung des Brennraumdruckverlaufes aus Sensormessgrößen wird ein Beitrag zur Verbesserung des Motormanagements in Hinblick auf die Einhaltung der Abgasemissionen und eine Verringerung des Kraftstoffverbrauchs in zukünftigen Steuergerätegenerationen geleistet.
A Neuronal Network based model for calculation of the combustion pressure trace of three different combustion engines was investigated. Fuel consumption, exhaust emissions and noise must be traded off in the process of development and optimization of the combustion of modern engines. The most important information characterizing the combustion process is the in cylinder pressure trace. Therefore, the knowledge of the combustion pressure of an engine regarding combustion control is very important. The combustion pressure traces of several engines were calculated and validated in this thesis applying different computation models. The downselected calculation model is based on Neuronal Network techniques. The advantage of a Neuronal Network is the possibility to calculate non-linear problems with high accuracy. Starting from steady state map based measurements, the combustion pressure and all combustion relevant engine parameters like intake manifold pressure, injected fuel mass, start of injection etc. were measured and used for training and validating a Neuronal Network. The enormous quantity of data of the combustion pressure trace signals is challenging. Therefore, the method of principal component analysis (PCA) is used to reduce the quantity of data without loss of information. This allows the training of small and compact Neuronal Networks. The quality of the proposed combustion models and their application in peak cylinder pressure control or combustion control is demonstrated in comparing measured and predicted combustion pressure traces for transient operating modes. This thesis allows with the described modelling approach to predict the combustion pressure trace using sensor values an improvement of future engine management systems to keep the exhaust emissions low, and to reduce fuel consumption.