Evaluation of the possibility of using artificial neural networks for self-diagnosis of an internal combustion engine with cylinder deactivation

封面

如何引用文章

全文:

详细

BACKGROUND: Engine and vehicle control systems must have means of objective control in the form of self-diagnosis. This is especially true for new designs and technologies for controlling a gasoline internal combustion engine, such as deactivating cylinders in partial load mode. The paper gives an assessment of the possibility of self-diagnosis of cylinder shutdown in an automobile crank-guide engine without connecting rods using artificial neural networks.

AIMS: Determination of the possibility of creating an artificial neural network that recognizes which cylinders are currently in operation and which are disabled, based on the nature of the change in the signals from the sensors installed on the engine mounts and independent on the crankshaft speed.

METHODS: The study considered artificial neural networks of the LSTM and BiLSTM topology. An engine simulation model made in Simulink was used in order to obtain sensor signals. The conducted numerical experiments made it possible to obtain data, which simulates the sensors readings, and to train artificial neural networks to determine the order numbers and quantity of deactivated cylinders. Numerical experiments were carried out on the basis of full-factorial design. Various designs of experiments were used for training and testing of artificial neural networks, which made it possible to test the network on data that differed from the training data significantly. Testing took place on a large number of random sequences of cylinder deactivation modes.

RESULTS: The obtained results show a high degree of recognition of the order numbers of deactivated cylinders just after several tens of degrees of the crankshaft rotation while switching to the corresponding mode. For the LSTM network, mode detection accuracy was above 99% in both the data sequence transfer mode and the data streaming mode. Accuracy of the BiLSTM topology was over 99.9% in the data sequence transfer mode, but significantly decreased in the data streaming mode.

CONCLUSIONS: The use of considered types of networks in engine and car control systems is promising.

作者简介

Arkady Khimchenko

Automobile and Road Institute of the Donetsk National Technical University

编辑信件的主要联系方式.
Email: himch.arkady@yandex.ru
ORCID iD: 0000-0002-9340-4252
SPIN 代码: 4568-1757

Associate Professor, Cand. Sci. (Engin.), Associate Professor of the Automotive Transport Department, Head of the Research Department

, Gorlovka

Nikolay Mishchenko

Automobile and Road Institute of the Donetsk National Technical University

Email: mim2802@mail.ru
ORCID iD: 0000-0002-0390-1563
SPIN 代码: 6604-8459

Professor, Dr. Sci. (Engin.), Head of the Automotive Transport Department

, Gorlovka

Oleg Savchuk

Automobile and Road Institute of the Donetsk National Technical University

Email: piligrimx2@gmail.com
ORCID iD: 0000-0002-7295-4407
SPIN 代码: 4178-1038

Bachelor, Graduate Student

, Gorlovka

参考

  1. Mishchenko NI, Khimchenko AV, Kramar’ SN, Suprun VL. Vliyanie silovogo mekhanizma na rabotu dvukhtaktnogo dvigatelya s krivoshipno-kamernoi produvkoi pri regulirovanii stepeni szhatiya. Dvigateli vnutrennego sgoraniya. 2004;(1):56–60. (In Russ).
  2. Ying L, Kuznetsov AG. 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
  3. Mishchenko NI, Shlyakhov VS, Suprun VL, et al. Avtomobil’nye dvigateli s otklyucheniem tsilindrov, konstruktsii, analiz. VISHIK SEVNTU. 2011;(122):163–166. (In Russ).
  4. Markov VA, Barchenko FB, Lotfullin SR. Method of Improving Performance of Automobile Gas EngineA Technique for Improving the Performance of a Gas Engine. Proceedings of Higher Educational Institutions. Маchine Building. 2018;(705):38–44. (In Russ). doi: 10.18698/0536-1044-2018-12-38-44
  5. Mishchenko NI, Khimchenko AV, Yurchenko YV, et al. Novyi besshatunnyi dvigatel’ dlya avtomobilya. Proceedings of the 8th Lukaninskie chteniya. Problemy i perspektivy razvitiya avtotransportnogo kompleksa; January 31, 2019; Moscow. MADI; 2019, pp. 383–396. (In Russ).
  6. Khimchenko AV, Mishchenko NI, Driuchin DA. Possibility preliminary assessment of using the lubrication system of a serial engine to power the hydraulic drive of the piston stopping mechanism. Bulletin of the Automobile and Highway Institute. 2021;(1):15–26. (In Russ).
  7. Ren J, Man Y, Shen W, Dong L. Applications of Artificial Intelligence in Process Systems Engineering. Elsevier; 2021.
  8. Chigateri KB, Suryavamshi S, Rajendra S. System for detecting car models based on machine learning. Materials Today: Proceedings. 2022;52:1697–1701. doi: 10.1016/j.matpr.2021.11.335
  9. Altun O, Zhang D, Siqueira R, et al. Identification of dynamic loads on structural component with artificial neural networks. Procedia Manufacturing. 2020;52:181–186. doi: 10.1016/j.promfg.2020.11.032
  10. 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;59(5):4013–4025. doi: 10.1016/j.aej.2020.07.007
  11. Gonera J, Vrublevskyi O, Napiórkowski J. Modelling of floorpan wear in passenger vehicles using artificial neural networks. Engineering Failure Analysis. 2021;127:105482. doi: 10.1016/j.engfailanal.2021.105482
  12. 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;58(11):1766–1787. doi: 10.1080/00423114.2019.1645860
  13. Velten K, Reinicke R, Friedrich K. Wear volume prediction with artificial neural networks. Tribology International. 2000;33(10):731–736. doi: 10.1016/s0301-679x(00)00115-8
  14. Jones SP, Jansen R, Fusaro RL. Preliminary Investigation of Neural Network Techniques to Predict Tribological Properties. Tribology Transactions. 1997;40(2):312–320. doi: 10.1080/10402009708983660
  15. Khimchenko AV, Mishchenko NI. Vozdeistvie sil inertsii na kuzov avtomobilya pri otklyuchenii tsilin-drov ostanovkoi porshnya v eksperimental’nom dvigatele. Proceedings of the 9th Lukaninskie chteniya. Problemy i perspektivy razvitiya avtotransportnogo kompleksa: sbornik dokladov Mezhdunarodnoi nauchno-tekhnicheskoi konferentsii; January 29, 2021; Moscow. MADI; 2021, pp. 442–456. (In Russ).
  16. Khimchenko AV, Mishchenko NI, Petrov AI, et al. Model’ chetyrekhtsilindrovogo besshatunnogo dviga-telya dlya issledovaniya vibratsii pri otklyuchenii tsilindrov. Proceedings of the 6th International science conference «Nauchno-tekhnicheskie aspekty razvitiya avtotransportnogo kompleksa 2020»; May 29, 2020; Gorlovka. ADI GOU VPO “DONNTU”; 2020, pp. 72–77. (In Russ).
  17. Khimchenko AV, Mishchenko NI. Formation of the automobile driving cycle by the approximation of experimental data using neural network. Bulletin of the Automobile and Highway Institute. 2018;(4):3–13. (In Russ).
  18. Khimchenko AV, Mishchenko NI, Puzakov AV, Petrov AI. Metodika uravnoveshivaniya besshatunnogo dvigatelya na etape proektirovaniya s ispol’zovaniem imitatsionnogo modelirovaniya. Proceedings of the 7th International science conference «Nauchno-tekhnicheskie aspekty razvitiya avtotransportnogo kompleksa 2021»; May 25, 2021; Gorlovka. ADI GOU VPO “DONNTU”; 2021, pp. 89–94. (In Russ).

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Graphs of forces acting on the vehicle body at rigid engine mounts at crankshaft speed n = 4000 min-1.

下载 (207KB)
索引源数据
3. Fig. 2. An example of a change in the graph of the force acting on the vehicle body at one of the mounts, when cylinder deactivation is on and the crankshaft speed n = 4000 min-1.

下载 (165KB)
索引源数据
4. Fig. 3. Scatterplot of factors distribution in the design of the experiment.

下载 (156KB)
索引源数据
5. Fig. 4. Architecture of compared networks.

下载 (179KB)
索引源数据
6. Fig. 5. Test diagnostics of cylinder deactivation at different crankshaft speeds while evaluating the signal by the LSTM network.

下载 (334KB)
索引源数据
7. Fig. 6. Example of errors appearing during diagnostics of cylinder deactivation.

下载 (207KB)
索引源数据
8. Fig. 7. Test diagnostics of cylinder deactivation at different crankshaft speeds while evaluating the signal, given as a sequence, by the BiLSTM network.

下载 (318KB)
索引源数据
9. Fig. 8. Test diagnostics of cylinder deactivation at different crankshaft speeds while streaming evaluation of the signal by the BiLSTM network.

下载 (358KB)
索引源数据

版权所有 © Eco-Vector, 2023

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».