Durch die Zunahme der Ventiltriebsvariabilitäten des Ottomotors steigt die Anzahl der zu berücksichtigenden Freiheitsgrade bei der Modellierung von Motorsteuerungsfunktionen und somit auch die Komplexität. Für die Modellierung von Systemen mit vielen Freiheitsgraden eignen sich prinzipiell physikalische Ansätze sowie die klassischen Identifikationsmethoden von nichtlinearen Systemen. Es konnte gezeigt werden, dass sich innerhalb der nichtlinearen Identifikationsmethoden neuronale Netze am besten eignen, um die Mehrdimensionalität der Einflussgrößen auf den Luftpfad darstellen zu können. Neuronale Netze bilden anhand von Messdaten die physikalischen Zusammenhänge der Zylinderfüllung mit hoher Genauigkeit ab. Die Einflüsse der Netzstruktur, des Trainingsverfahrens, der Initialisierung des Lernprozesses und der Rechenzeitbedarf auf die Modellgenauigkeit und die Generalisierungseigenschaften wurden aufgezeigt und bewertet. Anhand der Bewertung konnte die optimale Netzstruktur für die Modellierung der Füllungserfassung bestimmt werden. Bei dem in dieser Arbeit vorgestellten Füllungsmodell werden statische MLP-Netze zur Modellierung des motorischen Schluckverhaltens eingesetzt. Zur Adaption der Modelle in der Füllungserfassung werden Lernalgorithmen basierend auf lokal linearen Modellen verwendet. Dabei werden Füllungsabweichungen zu einem Referenzwert online gelernt. Da bei lokal linearen Modellen auf aufwendige Trainingsverfahren wie bei MLP-Netzen verzichtet werden kann, eignen sich diese besonders für die Online-Adaption. Zudem sind sie in der Lage, nichtlineare Systeme mit mehreren Eingangsgrößen abzubilden. Der Lernprozess ist dabei entkoppelt vom eigentlichen Füllungsmodell implementiert. Mit dem realisierten physikalisch-neuronalen Füllungserfassungsmodell konnten sowohl im stationären als auch im dynamischen Betrieb sehr gute Ergebnisse mit hoher Genauigkeit erzielt wurden. Für einen Motor mit vollvariabel verstellbarem Einlassventilhub und vollvariabler ein- und auslassseitiger Phasenverstellung konnte eine Stationärgenauigkeit des Füllungsmodells von 2.3 % erreicht werden. Die Lernfähigkeit des Systems wurde nachgewiesen. Die Arbeit zeigt zudem einen physikalischen Ansatz, welcher die Erweiterung des neuronalen Füllungsmodells für Motoren mit Aufladung ermöglicht. Dabei wird insbesondere der Bereich der Restgastauspülung bei großer Ventilüberschneidung und niedrigen Drehzahlen betrachtet. Die Validierung der Modellerweiterung anhand von Messungen mit spülendem Brennverfahren wird gezeigt.
Füllungserfassungsmodelle für Ottomotoren mit erweiterter Ventiltriebsvariabilität
2011
116 Seiten, 79 Bilder, 3 Tabellen, 87 Quellen
Hochschulschrift
Deutsch
Steuergeraetefaehige Luftpfad Modelle fuer Ottomotoren mit erweiterter Ventiltriebsvariabilitaet
Kraftfahrwesen | 2010
|FORSCHUNG - Ottomotoren: Entwicklungstendenzen bei Ottomotoren
Online Contents | 2002
|