Control energético de motores de combustión mediante redes neuronales para aplicaciones de software de automoción
DOI:
https://doi.org/10.26439/ciis2023.7083Keywords:
control mediante redes neuronales, generación de energía, desarrollo de softwareAbstract
Este artículo se enfoca en la aplicación del control mediante redes neuronales para la generación de energía en un motor de combustión interna. Se desarrolló una arquitectura de red neuronal de dos capas y se la probó utilizando datos de laboratorio obtenidos de un dinamómetro de banco para identificar con precisión los parámetros de la red. Esta se utiliza para establecer una correlación precisa entre la magnitud de las señales de actuación y las variables fundamentales responsables de regular la generación de energía dentro del sistema. El sistema de control implementa una rutina de programación de ganancia para ajustar la ganancia del controlador, lo que disminuye el incremento para valores de error bajos. Se presenta un modelo de generación de energía que permite diseñar un motor virtual, lo cual facilita el desarrollo de estrategias de control precisas. Para garantizar el funcionamiento seguro del motor, se implementa una rutina de seguridad que previene que la acción de control adquiera valores que podrían tener un impacto negativo en la respuesta del vehículo a las instrucciones del conductor. El controlador desarrollado demuestra un bajo error absoluto promedio en condiciones de estado estable y un bajo tiempo promedio de subida y caída durante estados transitorios, asegurando la capacidad de conducción y el buen rendimiento del motor. Para habilitar la aplicación en software, en estructuras como el hardware-in-the-loop y la unidad de control del motor, se implementan sistemas para garantizar la operación en tiempo real.
Downloads
References
Eriksson, L., & Nielsen, L. (2014). Modeling and control of engines and drivelines (1st ed.). John Wiley & Sons.
Gordon, D. C., Norouzi, A., Winkler, A., McNally, J., Nuss, E., Abel, D., Shahbakhti, M., Andert, J., & Koch, C. R. (2022). End-to-end deep neural network based nonlinear model predictive control: Experimental implementation on diesel engine emission control. Energies, 15(24), 9335. https://doi.org/10.3390/en15249335
Guzzela L., & Onder, C. (2010). Introduction to modeling and control of internal combustion engine systems (2nd ed.). Springer Science & Business Media.
Ineza Havugimana, L. F., Liu, B., Liu, F., Zhang, J., Li, B., & Wan, P. (2023). Review of artificial intelligent algorithms for engine performance, control, and diagnosis. Energies, 16, 1206. https://doi.org/10.3390/en16031206
Moriyasu, R., Nojirie S., Matsunaga, A., Nakamura, T., & Jimbo, T. (2019). Diesel engine air path control based on neural approximation of nonlinear MPC. Control Engineering Practice, 91, 104114 https://doi.org/10.1016/j.conengprac.2019.104114
Moskwa, J. J. (1988). Automotive engine modeling for real time control [Doctoral dissertation, Massachusetts Institute of Technology]. http://hdl.handle.net/1721.1/14617
Pandey, V., van Dooren, S., Ritzmann, J., Pla, B., & Onder, C. (2021). Variable smoothing of optimal diesel engine calibration for improved performance and drivability during transient operation. International Journal of Engine Research, 22(6), 1888-1895. https://doi.org/10.1177/1468087420918801
Schäuffele, J., & Zurawka, T. (2016). Automotive software engineering: Principles, processes, methods, and tools (2nd ed.). SAE International.
Shahbaz, M. H., & Amin, A. A. (2023). Design of hybrid fault-tolerant control system for air-fuel ratio control of internal combustion engines using artificial neural network and sliding mode control against sensor faults. Advances in Mechanical Engineering, 15(3). https://doi.org/10.1177/16878132231160729
Vignesh, R., & Ashok, B. (2021). Deep neural network model-based global calibration scheme for split injection control map to enhance the characteristics of biofuel powered engine. Energy Conversion and Management, 249, 114875. https://doi.org/10.1016/j.enconman.2021.114875
Wang, J., Hou, X., Du, C., Xu, H., & Zhou, Q. (2020). A moment-of-inertia-driven engine start-up method based on adaptive model predictive control for hybrid electric vehicles with drivability optimization. IEEE Access, 8, pp. 133063-133075. https://doi.org/10.1109/ACCESS.2020.3010528
Wong, P. K., Huang, W., Vong, C. M., & Yang, Z. (2020) Adaptive neural tracking control for automotive engine idle speed regulation using extreme learning machine. Neural Computing and Applications, 32, 14399-14409. https://doi.org/10.1007/s00521-019-04482-5
Zhao, G., Long, Y., Ding, S., Yang, L., Song, E., & Ma, X. (2020). Study of advanced control based on the RBF neural network theory in diesel engine speed control. SAE International Journal of Engines, 13(1), 63-75. https://doi.org/10.4271/03-13-01-0005
