Отправить статью по E-mail Оценка возможности применения искусственных нейронных сетей для самодиагностики двигателя внутреннего сгорания с отключением цилиндров
- Авторы: Химченко А.В.1, Мищенко Н.И.1, Савчук О.В.1
-
Учреждения:
- Автомобильно-дорожный институт ГОУВПО «Донецкий национальный технический университет»
- Выпуск: Том 89, № 3 (2022)
- Страницы: 175-186
- Раздел: Новые машины и оборудование
- URL: https://bakhtiniada.ru/0321-4443/article/view/125921
- DOI: https://doi.org/10.17816/0321-4443-106169
- ID: 125921
Цитировать
Полный текст
Аннотация
Обоснование. Системы управления двигателями и автомобилями должны иметь средства объективного контроля в виде самодиагностики. В особенности это актуально для новых конструкций и технологий управления бензиновым двигателем внутреннего сгорания, таких как отключение цилиндров на режиме частичной нагрузки. В работе дана оценка возможности самодиагностики отключения цилиндров в автомобильном бесшатунном двигателе с кривошипно-кулисным механизмом с помощью искусственных нейронных сетей.
Целью являлось определение возможности создания искусственной нейронной сети, распознающей по характеру изменения сигналов с датчиков, установленных на опорах двигателя: какие цилиндры в данный момент находятся в работе, а какие отключены независимо от частоты вращения коленчатого вала.
Методы. В исследовании рассматривались искусственные нейронные сети топологии LSTM и BiLSTM. Для получения сигналов датчиков использовалась имитационная модель двигателя, выполненная в Simulink. Проведенные численные эксперименты позволили получить данные, имитирующие показания датчиков, и обучить искусственные нейронные сети для определения номеров и количества отключенных цилиндров. Численные эксперименты проводились на основе полнофакторного планирования. Для обучения и тестирования искусственных нейронных сетей использовались различные планы, что позволило тестировать сеть на данных, существенно отличающихся от данных обучения. Тестирование проходило на большом количестве случайных последовательностей режимов отключения цилиндров.
Результаты. Полученные результаты показывают высокую степень распознавания номеров отключенных цилиндров уже за несколько десятков градусов поворота коленчатого вала при переходе на соответствующий режим. Для сети LSTM точность определения режима составила выше 99% как в режиме передачи последовательности данных, так и в потоковом режиме. Топология BiLSTM показала точность при определении режима в виде последовательности выше 99,9%, но при потоковой передаче данных она существенно снижалась.
Заключение. Применение рассмотренных типов сетей перспективно в системах управления двигателей и автомобилей.
Полный текст
Открыть статью на сайте журналаОб авторах
Аркадий Васильевич Химченко
Автомобильно-дорожный институт ГОУВПО «Донецкий национальный технический университет»
Автор, ответственный за переписку.
Email: himch.arkady@yandex.ru
ORCID iD: 0000-0002-9340-4252
SPIN-код: 4568-1757
доцент, к.т.н., доцент кафедры автомобильного транспорта, начальник научно-исследовательской части
Донецкая Народная Республика, ГорловкаНиколай Иванович Мищенко
Автомобильно-дорожный институт ГОУВПО «Донецкий национальный технический университет»
Email: mim2802@mail.ru
ORCID iD: 0000-0002-0390-1563
SPIN-код: 6604-8459
профессор, д.т.н., заведующий кафедрой автомобильного транспорта
Донецкая Народная Республика, ГорловкаОлег Вячеславович Савчук
Автомобильно-дорожный институт ГОУВПО «Донецкий национальный технический университет»
Email: piligrimx2@gmail.com
ORCID iD: 0000-0002-7295-4407
SPIN-код: 4178-1038
бакалавр, магистрант
Донецкая Народная Республика, ГорловкаСписок литературы
- Мищенко Н.И., Химченко А.В., Крамарь С.Н., Супрун В.Л. Влияние силового механизма на работу двухтактного двигателя с кривошипно-камерной продувкой при регулировании степени сжатия // Двигатели внутреннего сгорания. 2004. № 1. С. 56–60.
- Ying L., Kuznetsov A.G. The Effect of Cylinder Deactivation on Engine Performance. Proceedings of the 2020 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon)2020. 2020 October 06-09; Vladivostok, Russia. IEEE, 2020, pp. 1–5. doi: 10.1109/fareastcon50210.2020.9271303
- Мищенко Н.И., Шляхов В.С., Супрун В.Л., и др. Автомобильные двигатели с отключением цилиндров, конструкции, анализ // BICHИK СЕВНТУ. 2011. № 122. С. 163–166.
- Марков В.А., Варченко Ф.Б., Лотфуллин Ш.Р. Метод улучшения эксплуатационных показателей автомобильного газового двигателя // Известия высших учебных заведений. Машиностроение. 2018. № 705. С. 38–44. doi: 10.18698/0536-1044-2018-12-38-44
- Мищенко Н.И., Химченко А.В., Юрченко Ю.В., и др. Новый бесшатунный двигатель для автомобиля // 8-е Луканинские чтения. Проблемы и перспективы развития автотранспортного комплекса; Январь 31, 2019; Москва. МАДИ, 2019, С. 383–396.
- Химченко А.В., Мищенко Н.И., Дрючин Д.А., и др. Предварительная оценка возможности использования системы смазки серийного двигателя для питания гидропривода механизма остановки поршня // Вести Автомобильно-дорожного института. 2021. № 1. C. 15–26.
- Ren J., Man Y., Shen W., Dong L. Applications of Artificial Intelligence in Process Systems Engineering. Elsevier, 2021.
- Chigateri K.B., Suryavamshi S., Rajendra S. System for detecting car models based on machine learning // Materials Today: Proceedings. 2022. Vol. 52. P. 1697–1701. doi: 10.1016/j.matpr.2021.11.335
- Altun O., Zhang D., Siqueira R., et al. Identification of dynamic loads on structural component with artificial neural networks // Procedia Manufacturing. 2020. Vol. 52. P. 181–186. doi: 10.1016/j.promfg.2020.11.032
- Ghoniem M., Awad T., Mokhiamar O. Control of a new low-cost semi-active vehicle suspension system using artificial neural networks // Alexandria Engineering Journal. 2020. Vol. 59, N 5. P. 4013–4025. doi: 10.1016/j.aej.2020.07.007
- Gonera J., Vrublevskyi O., Napiórkowski J. Modelling of floorpan wear in passenger vehicles using artificial neural networks // Engineering Failure Analysis. 2021. Vol. 127. doi: 10.1016/j.engfailanal.2021.105482
- Bonfitto A., Feraco S., Tonoli A., Amati N. Combined regression and classification artificial neural networks for sideslip angle estimation and road condition identification // Vehicle System Dynamics. 2019. Vol. 58, N 11. P. 1766–1787. doi: 10.1080/00423114.2019.1645860
- Velten K., Reinicke R., Friedrich K. Wear volume prediction with artificial neural networks // Tribology International. 2000. Vol. 33, N 10. P. 731–736. doi: 10.1016/s0301-679x(00)00115-8
- Jones S.P., Jansen R., Fusaro R.L. Preliminary Investigation of Neural Network Techniques to Predict Tribological Properties // Tribology Transactions. 1997. Vol. 40, N 2. P. 312–320. doi: 10.1080/10402009708983660
- Химченко А.В., Мищенко Н.И. Воздействие сил инерции на кузов автомобиля при отключении цилиндров остановкой поршня в экспериментальном двигателе // 9-е Луканинские чтения. Проблемы и перспективы развития автотранспортного комплекса: сборник докладов Международной научно-технической конференции; Январь 29, 2021; Москва. МАДИ, 2021, С. 442–456.
- Химченко А.В., Мищенко Н.И., Петров А.И., и др. Модель четырехцилиндрового бесшатунного двигателя для исследования вибрации при отключении цилиндров // Материалы VI Международной научно-практической конференции «Научно-технические аспекты развития автотранспортного комплекса 2020»; Май 29, 2020; Горловка. АДИ ГОУ ВПО «ДОННТУ», 2020, С. 72–77.
- Химченко А. В., Мищенко Н. И. Составление ездового цикла автомобиля путем аппроксимации отфильтрованных экспериментальных данных с помощью нейронных сетей // Вести Автомобильно-дорожного института. 2018. № 4. C. 3–13.
- Химченко А.В., Мищенко Н.И., Пузаков А.В., Петров А.И. Методика уравновешивания бесшатунного двигателя на этапе проектирования с использованием имитационного моделирования // Материалы VII Международной научно-практической конференции «Научно-технические аспекты развития автотранспортного комплекса 2021»; Май 25, 2021; Горловка. АДИ ГОУ ВПО «ДОННТУ», 2021, С. 89-94.
Дополнительные файлы
