Nghiên cứu ngoài nước

Một phần của tài liệu TỔNG QUAN VỀ XÂY DỰNG BỘ DỮ LIỆU CHUẨN CHO ECU TRÊN ĐỘNG CƠ ĐỐT TRONG (Trang 31)

i. Mục đích, đối tượng và phạm vi nghiên cứu của đề tài

1.3.1. Nghiên cứu ngoài nước

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

Một phần của tài liệu TỔNG QUAN VỀ XÂY DỰNG BỘ DỮ LIỆU CHUẨN CHO ECU TRÊN ĐỘNG CƠ ĐỐT TRONG (Trang 31)

Tải bản đầy đủ (PDF)

(149 trang)