i. Mục đích, đối tƣợng và phạm vi nghiên cứu của đề tài
1.3. Các công trình đã thực hiện trong và ngoài nƣớc
1.3.1. Nghiên cứu ngoài nƣớc
Với bài toán tối ưu hóa các thông số làm việc của động cơ, qua đó xây dựng bộ dữ liệu chuẩn cho ECU động cơ, trên thế giới đã có một số cách tiếp cận khác nhau, nổi bật là các ứng dụng mạng nơ-ron, logic mờ hay quy hoạch thực nghiệm.
Mạng nơ-ron (neural network), hay mạng nơ-ron nhân tạo (ANN - Artificial Neural Network) là mô hình tính toán được xây dựng nhằm mô phỏng hoạt động của não người. Khác với việc tính toán theo các thuật toán và chương trình với sự trợ giúp của máy tính, quá trình tính toán trên não người: (i) được thực hiện song song và phân tán trên nhiều nơ- ron gần như đồng thời; (ii) thực chất là quá trình học, chứ không phải theo sơ đồ định sẵn từ trước [15].
Sơ đồ mô phỏng một nơ-ron nhân tạo (hay một đơn vị xử lý) được cho trên Hình 1.24. Đầu vào của nơ-ron nhân tạo gồm n tín hiệu xi (i = 1, 2, 3, …, n), đầu ra là tín hiệu y. Tín hiệu tổng hợp đầu vào được xác định từ các tín hiệu xi với trọng số wi qua bộ tổng hợp:
∑ ( ) (1.1)
Đầu ra y của nơ-ron được xác định bằng một hàm tính toán phi tuyến f (còn gọi là hàm kích hoạt) nào đó. Có thể biểu diễn mô hình định lượng của nơ-ron bằng biểu thức sau:
( ) (∑ ( ) ) hay ( ) ( ) (1.2) Trong đó:
θ: là ngưỡng kích hoạt nơ-ron.
t: là thời gian.
Các nơ-ron nhân tạo có thể được kết nối theo nhiều cách, trong đó có hai mô hình phổ biến nhất là mạng truyền thẳng (feedforward neural network) và mạng hồi quy (recurrent neural network). Trong mô hình truyền thẳng, tín hiệu chỉ truyền theo một hướng qua mạng mà không có đường tín hiệu phản hồi. Còn trong mô hình hồi quy thì kết hợp cả các đường truyền thẳng và đường phản hồi [49÷51].
Việc sử dụng mạng nơ-ron nhân tạo được chia thành hai giai đoạn: học hay huấn luyện mạng và áp dụng để đưa ra kết quả ước lượng từ đầu vào bất kỳ. Trong quá trình huấn luyện mạng, các giá trị đầu vào và giá trị đầu ra kỳ vọng phải biết trước. Các trọng số
wi sẽ được điều chỉnh sao cho sai lệch giữa giá trị đầu ra từ mô hình mạng và giá trị kỳ vọng là nhỏ nhất. Với mô hình mạng truyền thẳng thì phương pháp phổ biến và hiệu quả
23
nhất, được sử dụng rộng rãi là thuật toán lan truyền ngược sai số (Back Propagation). Còn với mô hình mạng hồi quy thì hiện tại vẫn chưa có thuật toán nào được ứng dụng thực tế mà đem lại hiệu quả rõ rệt. Sau giai đoạn huấn luyện mạng, các trọng số wi được cố định và mạng sẽ dùng chúng để đưa ra các ước lượng đầu ra từ các giá trị đầu vào bất kỳ (có thể nằm ngoài bộ dữ liệu mà mạng đã được học) [15, 16].
Trong nghiên cứu của mình, R. Muller và các cộng sự [52] đã sử dụng mạng nơ-ron nhân tạo với thuật toán lan truyền ngược tham số để xác định thời điểm chuyển hóa 50% năng lượng, qua đó tìm ra góc đánh lửa sớm tối ưu. Tín hiệu đầu vào cho mạng nơ-ron là tín hiệu diễn biến áp suất bên trong
xilanh động cơ ở từng chu trình. Động cơ thử nghiệm là động cơ xăng Mercedes-Benz 2.3l, 4 xilanh. Tải động cơ được chọn ở 6, 8, 10, 12 bar bmep (áp suất có ích trung bình) trong dải tốc độ từ 2000÷5500 v/ph, bước 500 v/ph. Các tác giả đã dùng 23 điểm để huấn luyện mạng, sau đó dùng mô hình tính toán 8 điểm khác, được thể hiện trên Hình 1.25.
Sai lệch giữa kết quả tính toán từ mô hình với kết quả đo thực tế được chỉ ra trên Hình 1.26. Theo đó, sai lệch trung bình
giữa giá trị đo và giá trị tính là 0,046° với giá trị sai số tuyệt đối lớn nhất là 0,26°. Như vậy mô hình mạng nơ-ron đã cho kết quả rất chính xác.
Trong một nghiên cứu khác, Zhai và Yu [53] đã sử dụng mô hình mạng nơ-ron để đưa ra bộ thông số điều khiển tỷ lệ không khí/nhiên liệu (AFR - Air Fuel Ratio) cho động cơ. Các tác giả đã
sử dụng sơ đồ điều khiển theo mô hình dự báo phi tuyến (MPC - Model Predictive Control) và mạng nơ-ron dựa trên thuật toán hàm cơ sở bán kính (RBF - Radial Basis Function). Mạng nơ-ron RBF được thiết kế có thể thích ứng tức thời với sự thay đổi của những thay đổi phi tuyến trong các vùng làm việc khác nhau của động cơ. Dựa vào các dự báo trước nhiều cấp về tỷ lệ không khí/nhiên liệu, thuật toán điều khiển tối ưu sẽ tính toán ra các thông số cần điều khiển để duy trì giá trị hoà khí chuẩn (AFR ≈ 14,7) khi tốc độ
Hình 1.26. Sai lệch giữa kết quả tính của mô hình và kết quả đo [52]
Hình 1.25. Sơ đồ các điểm trong vùng huấn luyện và vùng tính toán [52]
24
động cơ và tải thay đổi. Kết quả tính toán theo mô hình MPC được thể hiện trên Hình 1.27. Sai số tuyệt đối trung bình của giá trị tỷ lệ không khí/nhiên liệu là 0,4464. Tỷ lệ này cũng được duy trì trong dải ±1% xung quanh giá trị hoà khí chuẩn.
Ngoài ra, một số công trình nghiên cứu khác sử dụng kỹ thuật điều khiển mờ (fuzzy control) để tối ưu hóa các thông số làm việc của động cơ [54÷56]. Trong một công bố vào năm 2007, Khiar và cộng sự [54] đã sử dụng mô hình điều khiển mờ Takagi-Sugeno để điều khiển phi tuyến một động cơ đánh lửa nổ 3 xilanh. Kết quả tính toán với mô hình mờ cho thấy khi sử dụng phương pháp này ở hai chế độ 2500 v/ph và 3000 v/ph thì sai lệch về momen trung bình chỉ là 3 Nm (giá trị cao nhất dưới 5%).
Hình 1.27. Sai số điều khiển AFR và lượng nhiên liệu phun [53]
Hình 1.28. Cấu trúc hệ FES với các bộ mờ hóa (fuzzification) và giải mờ (defuzzification) [55].
25
Nhóm nghiên cứu của Tasdemir và cộng sự [55] cũng đã sử dụng hệ chuyên gia mờ (FES - Fuzzy Expert System) trong mô phỏng động cơ xăng nhằm đưa ra dự báo các thông số kinh tế kỹ thuật và phát thải của động cơ, bao gồm công suất, momen, suất tiêu thụ nhiên liệu và phát thải hydrocarbon.
Cấu trúc của mô hình FES mà Tasdemir sử dụng được cho trên Hình 1.28, trong đó các giá trị đầu vào và đầu ra của hệ thống là các giá trị chắc chắn (tường). Bằng việc mờ hóa những giá trị tường đầu vào này, các giá trị phần tử mờ và cấp độ của chúng được xác định. Trong mô hình mà các tác giả xây dựng thì hai thông số đầu vào là tốc độ động cơ và góc mở sớm xupap nạp. Các thông số ra của mô hình gồm có công suất động cơ, mô men, suất tiêu thụ nhiên liệu có ích, và lượng phát thải hydrocarbon. Các dữ liệu đầu vào và đầu ra được mờ hóa bởi các chuyên gia và chuyển thành các biến ngôn ngữ như cực thấp (L1), thấp nhất (L2), thấp hơn (L3), thấp (L4), hơi thấp (L5), dưới trung bình (M1), trung bình (M2), trên trung bình (M3), trung bình cao (M4), hơi cao (H1), cao (H2), cao hơn (H3), cao nhất (H4), cực cao (H5). Trên cơ sở các định nghĩa này, các tác giả đã xây dựng nên 48 luật mờ dựa trên tri thức chuyên gia (người), sau đó tập hợp thành cơ sở tri thức của hệ thống.
Cấu trúc của một hệ thống FES với một bộ mờ hóa, một cơ sở trí thức (cơ sở các
luật), động cơ tham chiếu mờ và một bộ giải mờ, các hàm phần tử mờ xây dựng từ các
thông số trên được mô tả trong Hình 1.29.
Kết quả tính toán mang tính dự báo từ mô hình FES khi so sánh với kết quả đo đạc thực nghiệm thể hiện trên Hình 1.30.
26
Có thể thấy rằng sai lệch giữa kết quả tính toán bằng mô hình logic mờ với kết quả thực nghiệm là rất nhỏ, hoàn toàn có thể bỏ qua. Như vậy, với một mô hình được xây dựng tốt và có cơ sở tri thức lớn thì phương pháp logic mờ mới đem lại hiệu quả và tính chính xác rất cao.
Ngoài một số phương pháp đã được đề cập và điểm qua ở trên, để giảm thiểu chi phí và thời gian thực nghiệm, kỹ thuật quy hoạch thực nghiệm (QHTN) cũng thường được kết hợp sử dụng để giải quyết bài toán điều khiển tối ưu. Nhóm tác giả Timothy Hollyday và Thony J.Lawrance đã thực hiện kỹ thuật QHTN trong việc xây dựng map dữ liệu cho động cơ [57]. Các tác giả dùng mô hình hồi quy đa thức 2 bước để giải bài toán tìm góc phun sớm tối ưu và suất tiêu thụ nhiên liệu theo tải, số vòng quay, tỷ lệ nhiên liệu - không khí và tỷ lệ khí luân hồi. Kết quả tính toán cho độ chính xác tương đối cao, sai sổ bình phương trung bình khi dự báo đại lượng momen chỉ là 1,5 Nm. Nhóm tác giả Sascha Schoenfeld và Avnish Dhongde đã phân tích các tham số hình học đỉnh piston và kết cấu lỗ phun bằng CFD và QHTN [58]. Nhóm tác giả Michael Egert và Herbert Mittermaier đã áp dụng mô hình CFD trong đánh giá buồng đốt của động cơ diesel bằng phương pháp QHTN [59].
Hiện nay đã có nhiều sản phẩm tích hợp để giải bài toán tối ưu một cách tự động được thương mại hóa và giới thiệu trên thị trường (chẳng hạn AVL CAMEO), tuy nhiên chúng thường có giá thành rất cao và mã nguồn chương trình là bí mật của nhà sản xuất.
27
1.3.2. Nghiên cứu trong nƣớc
Hệ thống nhiên liệu điều khiển điện tử cho động cơ đã được các nhà khoa học Việt Nam quan tâm và đầu tư nghiên cứu trong nhiều năm trở lại đây. Có thể tóm lược một vài công trình tiêu biểu như sau.
Trong công trình nghiên cứu của mình, tác giả Phạm Minh Tuấn và các cộng sự [1] đã tiến hành nghiên cứu thiết kế và chế tạo hoàn chỉnh một hệ thống phun xăng cho xe máy. Bộ dữ liệu nạp cho ECU là thời gian phun trên một chu trình (tỷ lệ với lượng nhiên liệu cấp cho chu trình) phụ thuộc vào tốc độ và tải trọng (độ mở bướm ga) được xây dựng trên băng thử theo phương pháp dò tay. Ứng với mỗi giá trị tốc độ và tải trọng cố định, tiến hành điều chỉnh thời gian phun sao cho đảm bảo được hệ số dư lượng không khí λ ≈ 1.
Năm 2004, tác giả Trần Anh Trung [4] trình bày nghiên cứu chế tạo bộ điều khiển ECU cũng như quy trình xây dựng bộ dữ liệu về lượng nhiên liệu phun ở chế độ cơ bản phụ thuộc vào tốc độ và tải trọng của động cơ (độ chân không ở họng khuếch tán). Bộ số liệu được xây dựng trên băng thử theo phương pháp dò (điều chỉnh lượng nhiên liệu để đảm bảo luôn duy trì hệ số dư lượng không khí λ ≈ 1).
Năm 2011, tác giả Khổng Văn Nguyên [5] đưa ra các nghiên cứu đánh giá ảnh hưởng của các thông số điều khiển trong hệ thống nhiên liệu tới các tính năng kinh tế kỹ thuật của động cơ sử dụng hệ thống nhiên liệu tích áp (CR). Tác giả đã nghiên cứu ảnh hưởng của các thông số áp suất phun và góc phun sớm tới các tính năng kinh tế kỹ thuật của động cơ ở hai chế độ có và không có phun mồi. Tuy nhiên việc khảo sát chỉ thực hiện ở một số đường đặc tính tốc độ như 25%, 50%, 75% và 100% tải, việc khảo sát các thông số áp suất phun và góc phun sớm một cách rời rạc vừa làm tăng số lượng các thử nghiệm cần thực hiện trong khi đó các giá trị tối ưu mà tác giả đưa ra có thể chỉ là giá trị tối ưu cục bộ (thiếu mối quan hệ tác động qua lại giữa các yếu tố đầu vào).
Năm 2010, tác giả Lê Đình Vũ, Vũ Đức lập [6] đã nghiên cứu ứng dụng hệ thống nhiên liệu common rail cho động cơ diesel DSC-80. Công trình xây dựng bộ số liệu về đường đặc tính động cơ (EMs) và biểu đồ phun nhiên liệu của vòi phun (IMs) cho phù hợp với các chế độ công tác cũng như các chế độ hiệu chỉnh theo yêu cầu của động cơ.
Các công trình nghiên cứu về hệ thống nhiên liệu điều khiển điện tử nêu trên đã thu được nhiều kết quả tích cực. Tuy nhiên, các kết quả này mới bước đầu đề cập đến phần cứng của hệ thống điều khiển hoặc một phần nhỏ trong bộ số liệu mà chưa có công trình nào xây dựng một cách bài bản bộ dữ liệu chuẩn cho ECU động cơ đốt trong. Do đó đề tài luận án này tập trung xây dựng một bộ tham số chuẩn cho động cơ diesel trên cơ sở ứng dụng kỹ thuật quy hoạch thực nghiệm để giải bài toán tối ưu hóa.
1.4. Lựa chọn phƣơng pháp, giới hạn và đối tƣợng nghiên cứu
Phương pháp nghiên cứu sử dụng trong đề tài này là kết hợp lý thuyết quy hoạch thực nghiệm với phương pháp giải bài toán tối ưu hóa trong điều khiển. Phương pháp quy hoạch thực nghiệm được lựa chọn vì nó cho phép giảm đáng kể số lượng thí nghiệm cần thực hiện, xác định được điều kiện tối ưu đa yếu tố của đối tượng nghiên cứu một cách khá
28
chính xác bằng các công cụ toán học, thay cho cách giải gần đúng, tìm tối ưu cục bộ như các thực nghiệm thụ động. Hơn nữa, hiện nay với sự trợ giúp của các công cụ tính toán trên máy tính (phần mềm thương mại DX6) thì bài toán quy hoạch thực nghiệm trở nên dễ dàng hơn rất nhiều.
Đối tượng nghiên cứu được lựa chọn là động cơ diesel có trang bị hệ thống nhiên liệu HTNL CR. Trước hết, đây là loại động cơ diesel hiện đại, có ứng dụng rộng rãi từ cỡ lớn (tĩnh tại, tàu thủy) đến cỡ trung (ô-tô) và cỡ nhỏ (máy kéo, máy nông nghiệp, gia dụng…). Tại PTN Động cơ đốt trong, Viện Cơ khí Động lực, Trường ĐHBK Hà Nội đang sẵn có một động cơ nghiên cứu một xilanh sử dụng HTNL CR. Hệ thống động cơ và băng thử này được trang bị các thiết bị phụ trợ có thể đáp ứng đầy đủ yêu cầu nghiên cứu xây dựng bộ dữ liệu điều chỉnh để thiết lập đặc tính động cơ diesel sử dụng HTNL CR. Bộ ECU điều khiển động cơ này được cung cấp ở dạng mở, người dùng có thể truy cập và điều chỉnh các tham số thông qua phần mềm nên thuận tiện cho quá trình xác định điểm làm việc tối ưu.
1.5. Kết luận chƣơng 1
Điều khiển điện tử trên các máy móc nói chung đã được ứng dụng rộng rãi trong nhiều lĩnh vực, trong đó có động cơ đốt trong. Vai trò của bộ dữ liệu chuẩn trong ECU của HTNL ĐKĐT trên động cơ xăng cũng như trên động cơ diesel.
Các hãng sản xuất động cơ trên thế giới đã thực hiện xây dựng bộ dữ liệu chuẩn các tham số điều chỉnh tối ưu cho ECU động cơ qua một số cách tiếp cận khác nhau như ứng dụng mạng nơron, logic mờ hay sử dụng kỹ thuật QHTN. Tuy nhiên vẫn còn là sự bí mật của hãng và rất khó tiếp cận.
Ở Việt Nam, cũng đã có một số công trình nghiên cứu về HTNL ĐKĐT và bước đầu thu được kết quả tích cực. Tuy nhiên, các nghiên cứu này còn tương đối sơ khai, chưa có tính bao quát và hệ thống. Do đó, luận án này được thực hiện với mục đích xây dựng một cách bài bản bộ dữ liệu chuẩn cho ECU động cơ diesel.
Nhằm bảo đảm tính khái quát và tính khả thi, đối tượng nghiên cứu được chọn là động cơ nghiên cứu diesel một xilanh có trang bị HTNL CR, ĐKĐT hiện đang sẵn có tại PTN ĐCĐT, Trường ĐHBK Hà Nội.
29
CHƢƠNG 2. CƠ SỞ LÝ THUYẾT XÂY DỰNG BỘ DỮ LIỆU
CHUẨN CHO ECU ĐỘNG CƠ ĐỐT TRONG
Xây dựng bộ dữ liệu cho động cơ đốt trong có sự hỗ trợ của toán học là một trong những yếu tố rất quan trọng. Trong kỹ thuật thường dùng những bài toán tối ưu nhiều biến đa mục tiêu để xác định được những bộ thông số cần thiết. Luận án chỉ nghiên cứu sâu động cơ diesel nên phải xác định được các tham số điều chỉnh động cơ diesel nói chung, cũng như động cơ diesel sử dụng HTNL CR nói riêng gồm những tham số điều chỉnh để ứng dụng toán học tính toán xây dựng bộ dữ liệu chuẩn.
