A MODEL BASED DESIGN APPROACH FOR KNOCK CONTROL IN INTERNAL COMBUSTION ENGINES USING MACHINE LEARNING
Knock é o subproduto de uma combustão anormal ocorrendo na câmara de combustão e está associado a altos níveis de vibração, ruído indesejável, aumento de emissões e economia de combustível degradada. As estratégias de controle convencionais tratam da detonação de maneira corretiva, ajustando o tempo de ignição para diminuir a pressão e a temperatura no cilindro. Embora eficaz em evitar a exposição prolongada do motor às forças vibratórias prejudiciais, pode induzir retardo de ignição excessivo e é implementado por meio de um número considerável de calibrações. Avanços recentes na investigação de knock mostram que as variações na intensidade de knock herdam comportamento aleatório e esta declaração desempenha um papel crucial em como projetar apropriadamente as leis de controle para conter ou minimizar o fenômeno. Aproveitando essa suposição usando conceitos de aprendizado de máquina e tratando a ocorrência de knock como um problema de classificação, um modelo de regressão logística dependente da pressão no cilindro, temperatura da mistura comprimida e RPM do motor é definido. O Teste da Razão de Verossimilhança é realizado para validar a hipótese sugerida e o pseudo-R2 de McFadden é calculado para quantificar sua precisão. Aproveitando a hipótese declarada, um controle de feedback de ganho proporcional é projetado para levar em conta a operação em estado estacionário dos motores de combustão em torno de uma taxa de knock alvo. Os resultados da simulação comparam o desempenho do modelo de regressão logística e do controle de detonação de ganho proporcional em relação a um controle de detonação definido convencionalmente.
A MODEL BASED DESIGN APPROACH FOR KNOCK CONTROL IN INTERNAL COMBUSTION ENGINES USING MACHINE LEARNING
-
DOI: 10.22533/at.ed.5852228011
-
Palavras-chave: Batida de motor, Regressão Logística, Aprendizagem de Máquina, Desenvolvimento baseado em Modelos
-
Keywords: Engine Knock, Logistic Regression, Machine Learning, Model based Design
-
Abstract:
Knock is the byproduct of an abnormal combustion taking place in the combustion chamber and is associated to high vibration levels, undesirable noise, increased emissions and degraded fuel economy. Conventional control strategies address knock in a corrective fashion by tuning the spark timing in order to decrease in-cylinder pressure and temperature. Although effective in avoiding engine's prolonged exposure to the harmful vibratory forces, it may induce excessive spark retard and is implemented through a considerable number of calibrations. Recent breakthroughs on knock investigation show that knock intensity inherits random behavior and this statement plays a crucial role on how to appropriately design knock control laws. By leveraging this assumption using machine learning concepts and treating knock occurrence as a classification problem, a logistic regression model dependent on in-cylinder pressure, compressed mixture temperature and engine RPM is defined. The Likelihood Ratio Test is performed to validate the suggested hypothesis and McFadden's pseudo-R2 is calculated to quantify its accuracy. By leveraging the hypothesis stated, a proportional gain feedback control is designed to account for steady state operation of combustion engines around a target knock rate. Simulation results show the performance of both logistic regression model and proportional gain knock control against a conventionally defined knock control.
-
Número de páginas: 17
- Vinícius Mafra Melo
- Péricles Rezende Barros
- Eduardo Vieira Falcão
