автореферат диссертации по энергетическому, металлургическому и химическому машиностроению, 05.04.02, диссертация на тему:Совершенствование управления бензинового двигателя с использованием искусственных нейронных сетей



На правах рукописи

СМИРНОВ Алексей Борисович

СОВЕРШЕНСТВОВАНИЕ УПРАВЛЕНИЯ БЕНЗИНОВОГО ДВИГАТЕЛЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Специальность 05.04.02 - Тепловые двигатели

Автореферат

диссертации на соискание ученой степени кандидата технических наук

МОСКВА 2006

Работа выполнена на кафедре "Теплотехника и автотракторные двигатели" Московского автомобильно-дорожного института (государственного технического университета).

Научный руководитель -

кандидат технических наук, профессор Черняк Б.Я.

Официальные оппоненты -

доктор технических наук, профессор Марков В.А.

кандидат технических наук, доцент Набоких В. А.

Ведущая организация -

Институт Проблем Управления им. В.А. Трапезникова Российской Академии Наук

Защита состоится " 19 " декабря 2006 г. в 10°° часов на заседании диссертационного совета Д 212.126.04 ВАК РФ при Московском автомобильно-дорожном институте (государственном техническом университете) по адресу: 125319, г. Москва, Ленинградский проспект, д. 64, ауд. 42.

С диссертацией можно ознакомиться в библиотеке института.

Отзывы на автореферат просим представлять в двух экземплярах с подписью, заверенной печатью, в адрес диссертационного совета.

Телефон для справок: 155-93-24.

Ученый секретарь диссертационного совета доктор технических наук,

профессор В.А. Максимов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Для выполнения жёстких норм токсичности, предъявляемых к перспективным моделям автомобилей, необходимо обеспечить более точное управление параметрами работы двигателя на неустановившихся режимах в процессе всей эксплуатации.

В современных электронных системах управления двигателем с искровым зажиганием используются сложные модели управления, настройка которых производится в большом числе случаев с помощью неавтоматизированных методик и требует значительных затрат времени в общем цикле доводочных работ двигателя. Поэтому необходимо внедрять самообучающиеся алгоритмы управления, способные на борту автомобиля подстраиваться к изменяющимся параметрам работы двигателя и условиям эксплуатации. Перейти к интеллектуальному управлению на первом этапе возможно за счёт использования самообучающихся алгоритмов для организации автоматизированных методик калибровки систем управления двигателем. Построение автоматизированных методик настройки моделей управления двигателем на неустановившихся режимах работы целесообразно осуществлять на основе искусственных нейронных сетей, которые в силу своей структуры обладают свойством самообучения.

Актуальность работы определяется тем, что она направлена на разработку и реализацию алгоритмов управления на основе искусственных нейронных сетей в стандартной электронной системе управления, а также на автоматизацию калибровки системы управления двигателем на неустановившихся режимах работы.

Цель работы. Разработать многорежимный корректор подачи топлива на

основе искусственной нейронной сети для улучшения стабилизации

стехиометрического состава смеси на неустановившихся режимах работы

бензинового двигателя. Структура корректора должна позволять вести

автоматизированный процесс настройки его параметров при ограниченном

числе экспериментальных обращений к двигателю. РОС. НАЦИОНАЛЬНАЯ

БИБЛИОТЕКА С.-Петербург ОЭ 201)&акт 954

Методы исследования. Расчётные исследования проведены на основе динамических моделей, реализованных в созданном программном приложении "Корректор подачи топлива для бензинового двигателя". Приложение разработано на базе математического пакета "МАТЬАВ". Экспериментальные исследования проведены в Проблемной лаборатории транспортных двигателей МАДИ (ГТУ) на автоматизированной моторной установке, оснащённой современным измерительным оборудованием европейского уровня.

Достоверность результатов обеспечена применением оборудования и приборов с соблюдением государственных стандартов, а также адекватностью результатов расчётных и экспериментальных исследований.

Научная новизна. Рассмотрены этапы постепенного перехода к методикам интеллектуального управления подачей топлива в бензиновом двигателе на неустановившихся режимах его работы. Разработаны схемы управления и методики автоматизированной калибровки, включая программную реализацию, системы коррекции подачи топлива на основе искусственных нейронных сетей. Реализован многорежимный корректор подачи топлива на основе искусственной нейронной сети как часть общего алгоритма управления двигателем в виде исполняемого программного модуля для блока электронного управления МИКАС 10. Разработана и экспериментально проверена методика автоматической калибровки многорежимного корректора подачи топлива на основе искусственной нейронной сети.

Практическая ценность. Разработанный метод автоматизированной калибровки многорежимного корректора подачи топлива на основе искусственной нейронной сети позволяет настраивать параметры на большем числе неустановившихся режимов работы двигателя, чем это реализуется при использовании современных неавтоматизированных методик калибровки.

Разработанная методика программной реализации искусственной нейронной сети позволяет внедрять корректор подачи топлива на её основе в общий алгоритм управления двигателем без изменения аппаратной части блока

электронного управления и при минимальном использовании вычислительных ресурсов его микроконтроллера.

Реализация работы. Результаты исследований, программный комплекс и экспериментальная установка используются в учебном процессе кафедры "Теплотехника и автотракторные двигатели" при подготовке бакалавров, инженеров, магистров, аспирантов по специальностям "Тепловые двигатели" и "Электрооборудование автомобилей и тракторов". Многорежимный корректор подачи топлива на основе искусственной нейронной сети реализован в блоке электронного управления "МИКАС 10" как часть общего алгоритма управления двигателем. Технологии программной реализации и автоматизированной настройки искусственных нейронных сетей на базе стандартных вычислительных средств направленных на решение задачи автоматизации испытаний двигателя при проведении процедуры калибровочных работ приняты для использования ФГУП "НИИ Импульсной техники" при создании перспективных автоматизированных моторных стендов для испытания двигателей внутреннего сгорания.

Основные положения выносимые на защиту:

<» Возможные схемы построения корректора подачи топлива на основе искусственных нейронных сетей и методы их практической реализации;

• Схема, методика калибровки и результаты расчётных исследований многорежимного нейронного корректора подачи топлива;

• Схема, методика калибровки и результаты моторных испытаний многорежимного корректора подачи топлива с коэффициентами, определяемыми искусственной нейронной сетью.

Личный вклад автора.

• Проанализированы различные виды искусственного интеллекта и способы его применения в структуре управления подачей топлива на неустановившихся режимах работы двигателя;

• Исследованы возможные пути реализации нейронного управления подачей топлива в современном бензиновом двигателе;

« Разработаны динамические модели, отражающие различные методики калибровки и управления подачей топлива в бензиновом двигателе на основе искусственных нейронных сетей;

• Разработано программное приложение на основе математического пакета МАТЪАВ, позволяющее не только отрабатывать различные структуры нейросетевого управления подачей топлива, но и осуществлять их реализацию в режиме реального времени на двигателе в стендовых условиях;

• Проведены серии экспериментальных исследований по реализации интеллектуальных стратегий управления подачей топлива в бензиновом двигателе;

» Проведён анализ влияния работы корректора подачи топлива на токсичность отработавших газов двигателя, работающего на неустановившихся режимах работы;

• Разработана методика реализации искусственных нейронных сетей на основе промышленно-выпускаемых микропроцессорных систем управления без изменения аппаратной части.

Апробация работы. Результаты, полученные в ходе выполнения диссертационной работы, докладывались на: Международной научно-технической конференции НГТУ (2003 г.); Научно-технических конференциях МАДИ (ГТУ) (2003, 2005 г.г.); Всероссийской научной конференции МАТЬАВ (ИПУ РАН) (2004 г.); Международном симпозиуме МГТУ им. Н.Э. Баумана (2005 г.); Международной Балтийской студенческой олимпиаде по автоматическому управлению (2006 г.). Рассматривались на Всероссийском научно-техническом семинаре по автоматическому регулированию и управлению теплоэнергетических установок им. проф. В.И. Крутова при МГТУ им. Н.Э. Баумана (2004-2006 г.г.), и экспонировались на выставках научных достижений МАДИ (ГТУ) 2004-2006 г.г.

Работа частично проводилась в рамках межотраслевой программы сотрудничества Министерства образования Российской Федерации и АО "АВТОВАЗ" по направлению "Научно-инновационное сотрудничество" (2004

г.). Также частично работа проводилась в рамках заказа Министерства образования и науки Российской Федерации на "Исследование работы самонастраивающихся контуров микропроцессорного управления автомобильными двигателями" (2005 г.). Отчеты о результатах проделанной работы приняты заказчиком.

Публикации. По теме диссертации опубликованы пять статей и тезисы трёх докладов на научных конференциях.

Объем работы. Диссертационная работа состоит из введения, четырёх глав, основных выводов и рекомендаций, библиографического списка, трёх актов внедрения. Общий объем работы 146 страниц, включая 109 страниц машинописного текста, 9 таблиц и 50 рисунков. Библиография содержит 91 наименование.

СОДЕРЖАНИЕ РАБОТЫ

Первая глава посвящена схемам реализации управления подачей топлива на неустановившихся режимах работы бензинового двигателя с использованием искусственной нейронной сети.

Глава содержит несколько принципиальных частей, включающих: в анализ причин необходимости точного управления составом смеси бензинового двигателя;

• анализ возможных вариантов применения искусственного интеллекта для задачи управления подачей топлива бензинового двигателя;

• схемы реализации управления подачей топлива на неустановившихся режимах работы двигателя с применением искусственной нейронной сети.

Проведённый анализ причин ухудшения токсичности автомобиля в эксплуатации подтвердил важность сохранения точного управления подачей топлива на неустановившихся режимах работы двигателя. Такого управления можно добиться, используя самонастраивающиеся микропроцессорные электронные системы управления (далее ЭСУ). Поэтому, в работе рассмотрен последовательный переход к интеллектуальным моделям управления, а также предложены и исследованы схемы многорежимного корректора подачи топлива

(далее корректор) на основе искусственной нейронной сети (далее нейронная сеть), которые можно реализовать в современных и перспективных ЭСУ как часть общего алгоритма управления.

В качестве основных рассматриваются две схемы корректора (см. рис. 1).

Схема 1 Параметры работы двигателя

Схема 2

Параметры работы двигателя

Рис. 1. Схемы корректора с применением нейронной сети Схемы предусматривают наличие структуры нейронной сети непосредственно в блоке электронного управления двигателем, а процедур

обучения на персональном компьютере (ПК). Выходом корректора является значение впрыскиваемой цикловой подачи топлива (Сггц_впр). В схеме 1 нейронная сеть определяет текущие значения коэффициентов корректора (Ккор), а в схеме 2 она непосредственно определяет значение <3тц_впр.

В работе были поставлены следующие основные задачи исследования:

1. Разработать, исследовать и программно реализовать схемы стандартного корректора с нейронными коэффициентами и нейронного корректора.

2. Разработать метод быстрого поиска управления подачей топлива на неустановившихся режимах работы бензинового двигателя при ограниченном числе обращений к двигателю. Исследовать преимущества метода по сравнению с непосредственным поиском параметров корректора.

Вопросам совершенствования управления автомобильным двигателем на неустановившихся режимах работы посвящено большое число работ. Значительный вклад в эти исследования внесли: Архангельский В.М., Злотин Г.Н., Крутов В.И., Рубец Д.А., Aquino C.F. и др. Развитию теории и практике применения искусственных нейронных сетей посвящены работы: Галушкина А.И., Медведева B.C., Мита Ц., Омату С., Осовского С., Потёмкина В.Г., Терехова В.А., Alippi С., Arsie I., Elman J.L. и др.

Вторая глава посвящена методикам расчётных и экспериментальных исследований нейронного управления подачей топлива на неустановившихся режимах работы бензинового двигателя. Глава содержит описания среды расчётного моделирования и автоматизированной моторной установки.

Технологии нейронного управления отрабатывались в два этапа -имитационным моделированием и экспериментально на двигателе. Моделирование работы схем управления реализовано в математическом пакете MATLAB, который послужил основой для создания программного приложения, состоящего из справочной, модельной, демонстрационной и управляющей частей. Экспериментальная отработка решений проводилась на автоматизированном моторном стенде. В качестве объекта исследований использовался современный 4-х цилиндровый бензиновый двигатель,

оснащённый ЭСУ распределённого впрыскивания топлива. При проведении расчётных и моторных исследований оптимизация параметров корректоров проводилась в условиях постоянного (для каждой серии расчётных и моторных экспериментов) объёма выборки данных, что позволило использовать в качестве 1фнтерия оптимизации - сумму квадратов отклонений заданной и реальной кривых сигналов состава смеси или подачи топлива. В связи с тем, что в работе исследуется только задача управления составом смеси, то при расчётном моделировании в качестве объекта управления - двигателя -использовалась б-ти параметрическая эмпирическая модель топливной плёнки с параметрами, зависящими от режима работы.

Управление двигателем во время испытаний и сбор данных о параметрах работы двигателя осуществлялись с помощью ПК. Сигнал состава смеси, измеряемый с помощью быстродействующего альфаметра "ETAS LA4", вводился в блок электронного управления через аналоговый вход и являлся внутренним сигналом ЭСУ, что позволило производить синхронизированную запись с цикловой частотой всех необходимых параметров работы двигателя. Возможности моторной установки и программного обеспечения позволили провести широкий комплекс автоматизированных испытаний по отработке интеллектуальных алгоритмов управления и калибровочных работ, а также осуществлять диагностику работы двигателя.

Третья глава - расчётных исследований - посвящена разработке структур корректоров на основе нейронной сети и включает:

• разработку многорежимного корректора с коэффициентами, определяемыми нейронной сетью (далее корректор с нейронными коэффициентами) (схема 1);

• разработку и анализ работы многорежимного нейронного корректора (схема 2);

• применение процедуры нейронной кластеризации при классификации большого количества неустановившихся режимов работы двигателя;

• разработку методики реализации нейронной сети в стандартной ЭСУ.

Разработанный корректор с нейронными коэффициентами (схема 1) состоит из двух частей - непосредственно корректора /система уравнений (1)/, основанного на модели топливной плёнки во впускном трубопроводе, и нейронной сети /система уравнений (2)/, определяющей текущие значения коэффициентов "а" и "Ь" корректора (см. рис. 2 и рис. 3).

Рис. 2. Структура корректора с нейронными коэффициентами (схема 1)

Мпл 1+1 = (1- а ¡)*Мпл ¡+Ь 1 *((3тц_стат1 + Д<3тц_дин ¡)

а 1 *Мпл I - Ь \ *<3тц_стат 1

ДСЗтц дин 1 =---

Ь ¡- 1

где ввц - цикловое наполнение воздухом; п - частота вращения двигателя; Мпл - значение массы топливной плёнки; (Зтц_стат - статическое значение цикловой подачи топлива, т.е. без коррекции; (Зтц_впр - значение цикловой подачи топлива, впрыскиваемого форсункой; Д(3тц_дин - значение коррекции подачи топлива, рассчитываемой корректором; 1 - номер текущего цикла работы двигателя.

Нейронная сеть имеет структуру прямого распространения сигнала и состоит из трёх слоёв: входного, скрытого и выходного. Входной слой имеет два нейрона с линейными передаточными функциями и реализует нормирование входных сигналов к диапазону от 0 до 1 (сигналы ввц и п). Скрытый слой имеет один нейрон с нелинейной дифференцируемой передаточной функцией. Выходной слой имеет два нейрона с нелинейными дифференцируемыми передаточными функциями. Система уравнений (2)

описывает определение текущих значений коэффициентов корректора "а" и "Ь" с помощью нейронной сети при текущих значениях ввц и п.

Gnu

Чвв

B1

HBl

п

-Нвв

Рл>М-1ЯМ

нвз-*-

-НВ4

HBS

шшм

1.

нв:

В1, В2, ВЗ, а, b - выходы нейронов;

Fim, Ел - нелинейная и линейная соответственно функция активации нейрона;

ВВ1, ВВ2 - веса связей нейронов входного слоя;

НВ1...НВ7- настраиваемые параметры (веса) связей нейронов.

Рис. 3. Структура нейронной сети корректора с нейронными коэффициентами ( схема 1)

В1=Рл(Свц *ВВ1) В2=Рл(П*ВВ2)

B3=Fkji(B1*HB1 +В2*ЫВ2 +1*НВЗ) \ . (2) а =Fhot(B3*HB4 +1 *НВ5) Ь=Рнл(ВЗ *НВб +1*НВ7) Нейронный корректор (схема 2) принципиально состоит из двух статических нейронных сетей с одинаковой структурой (см. рис. 4). Причём задачей первой нейронной сети (далее - наблюдатель) является вычисление значения циклового изменения массы топливной плёнки (ДМпл i) , а задачей второй (далее - определитель) - непосредственное вычисление значения подачи топлива, впрыскиваемого форсункой (<3тц_впр i). Нейронные сети имеют прямое распространение сигналов и состоят из трёх слоёв. Скрытые слои содержат по 15 нейронов, обеспечивая достаточную вычислительную мощность при приемлемых временах обучения. Динамические свойства для статических нейронных сетей обеспечиваются за счёт введения дополнительных входов в виде расчётного значения массы топливной плёнки в предыдущий цикл работы двигателя (Мпл i-1) и текущего изменения массы

топливной плёнки за цикл (дМпл I) соответственно. В качестве функции обучения используется алгоритм Левенберга-Марквардта. Для предотвращения явления переобучения нейронных сетей используются два механизма: количество расчётных циклов обучения изменяется, но не превышает значения 50, и всё множество данных разбивается на три - обучающее, тестовое и проверочное. Обучающее множество в расчётном эксперименте состоит из 40 неустановившихся режимов работы двигателя и непосредственно используется в процессе обучения для выбора параметров нейронной сети. Проверочное и тестовое множества состоят из 8 режимов каждое, но тестовое служит только для контроля явления переобучения. Неустановившиеся режимы характеризуются резким перемещением дроссельной заслонки (ДЗ), что приводит к соответствующим изменениям значения ввц и п. Каждое обращение к двигателю характеризуется одной и той же последовательностью из 56 неустановившихся режимов работы.

При реализации последовательной калибровки нейронного наблюдателя и нейронного определителя использовался метод поиска параметров, который подразумевает ограниченное количество обращений к двигателю.

Рис. 4. Нейронный корректор (схема 2) Метод основан на принципе формирования вектора подачи топлива, обеспечивающего при впрыскивании форсункой стехиометрический состав смеси (СИ). Вектор рассчитывается на основе информации о значении цикловой

подачи топлива (Сгщ_впр), измеренного и заданного значений <х. Процесс калибровки состоял из двух частей: отдельно производилась настройка параметров наблюдателя, отдельно - настройка параметров определителя. Причём эти две части повторялись в серии нескольких последовательных обращений к двигателю для получения более точного управления подачей топлива. До начала обучения корректора реализовывалось статическое значение цикловой подачи топлива, и только после проведения первого обучения корректор включался в работу, что позволило быстро найти необходимый вектор подачи топлива. Пример протекания ошибки обучения корректора на обучающем множестве представлен на рис. 5.

403020100

Отклонение СХ, (в %) в бедную область

Н П Г71 ГЛ

20100

1 2 3 4 5 6 7 Отклонение ОС(р %) в богатую область

3%

Число обращений к двигателю

Число обращений к двигателю

Рис. 5. Максимальное процентное отклонение состава смеси от стехиометрического уровня при настройке нейронного корректора (схема 2) -результаты расчётного моделирования

Расчётное моделирование показало, что после проведения всего семи последовательных обращений к двигателю максимальное отклонение ос от стехиометрического уровня уменьшилось в 13 раз с 40 % до 3 % на 56

неустановившихся режимах работы, что является приемлемым в условиях проведения расчётного моделирования.

Четвёртая глава посвящена экспериментальным моторным исследованиям алгоритмов нейронного управления подачей топлива двигателя, которые структурно разбиты на четыре этапа.

1. Идентификация параметров модели двигателя, используемой в расчётном моделировании в качестве объекта управления.

2. Проверка метода подбора управляющего воздействия корректора по ограниченному числу обращений к двигателю.

3. Автоматизированная настройка многорежимного корректора с нейронными коэффициентами, реализованного в блоке электронного управления.

4. Оценка эффективности работы корректора с нейронными коэффициентами по показателям токсичности работы двигателя.

Автоматизированная настройка корректора с нейронными коэффициентами (схема 1), реализованного в блоке электронного управления, производилась с целью проверки принципиальной возможности применения нейронной сети для управления подачей топлива двигателя на нескольких неустановившихся режимах работы двигателя.

В качестве оптимизационной процедуры настройки параметров корректора использовался генетический алгоритм. Принципиальная схема настройки предусматривала наличие корректора с нейронными коэффициентами в блоке электронного управления, а алгоритма обучения на ПК. При проведении моторных экспериментов было задействовано 7 настроечных параметров нейронной сети, что является минимальным количеством при наличии двух входов, двух выходов нейронной сети и одного нейрона в скрытом слое.

Серия экспериментов была разбита на две части. В первой части производилась настройка корректора на 4-х неустановившихся режимах работы двигателя методом постоянного обращения к двигателю, а во второй - на 13

неустановившихся режимах - методом ограниченного количества обращений к двигателю.

Для обучения корректора с нейронными коэффициентами (схема 1) методом постоянного обращения на 4-х неустановившихся режимах потребовалось 200 обращений к двигателю, что обеспечило уменьшение максимального отклонения состава смеси в 3 раза с 25 % до 8 % (см. табл. 1 и рис. 6 - результаты моторных испытаний).

Таблица 1

Максимальное отклонение а (в %) от стехиометрического уровня при обучении корректора с нейронными коэффициентами по методу постоянного

обращения к двигателю на 4-х неустановившихся режимах

Наименование Максимальное отклонение а (в %) ("+" - обеднение, "-" - обогащение)

№ режима 1 2 3 4

До обучения + 25 -10 +20 -15

После обучения +8 -4 +7 -5

Для обучения корректора с нейронными коэффициентами (схема 1) методом ограниченного количества обращений на 13-ти неустановившихся режимах потребовалось всего 3 уточняющих обращения к двигателю для уменьшения максимального отклонения ос более чем в 2 раза с 19 % до 8 % (см. рис. 7 - результаты моторных испытаний).

После настройки корректора с нейронными коэффициентами было оценено влияние уменьшения отклонения а от стехиометрического уровня на показатели токсичности работы двигателя. Для этого были произведены замеры максимальных значений показателей токсичности работы двигателя при включении корректора и без него.

60 40 20 0

<...........г 1 ..... : Фт^о -г-1- Г................ .... 1 ! i ■■ ' 1 i ....

" 1 .....г ......3- , .... 4.

\ i \ ...1.......t . ;**........ 1

Циклы

400 600 800 1000 1200 1400 1600 работы

двигателя

:(Хизм Д° обуиения,коррекгора ;

1.2

1.1 1

0.9 0.8

Циклы

200 400 600 800 1000 1200 1400 1600 работы - .....'.....:. ССизм После обучения корректора .. • J даигателя

200 400 600 800 1000 1200 1400 1600.

Циклы работы

двигателя

Рис. 6. Протекание кривой измеренного а (а изм) до и после настройки корректора с нейронными коэффициентами по методу постоянного обращения к двигателю на 4-х неустановившихся режимах (моторные испытания)

Оценка токсичности производилась на основе информации о концентрации оксида углерода (СО) и оксидов азота (ЫОх) на тех же 13 неустановившихся режимах работы двигателя. Анализ пробы производился непрерывно для каждого обращения к двигателю, состоящего из 13 неустановившихся режимов работы. Место отбора пробы находилось на расстоянии 1 м после каталитического коллектора. Газоанализатор был соединён с ПК, что позволило получать данные о концентрации токсичных компонентов через 1 секунду. Всего было совершено только 4-ре обращения к двигателю - два с включённым корректором и два - без него, что определялось

трудностью поддержания температурного режима двигателя в пределах нескольких градусов. В качестве критерия оценки был выбран коэффициент снижения токсичности, который рассчитывается по формуле (3).

Положение дроссельной заслонки (%)

1000 2000 3000

Измеренное значение СС до обучения корректора

Циклы 4000 работы двигателя

Измеренное значение 'XX досле обучения корректора

.1000

2000

3000

Циклы работы двигателя

Циклы работы 4000 двигателя

Рис. 7. Протекание кривой измеренного ос до и после настройки корректора с нейронными коэффициентами по методу ограниченного количества обращений к двигателю на 13-ти неустановившихся режимах (моторные испытания)

Спхах без кор «ч

Стахс кор ' ^ '

где Стах без кор - максимальное значение концентрации компонента,

измеренное газоанализатором при работе двигателя без корректора, Стах с кор

- максимальное значение концентрации компонента, измеренное

газоанализатором при работе двигателя с корректором.

С учётом предельных погрешностей измерений газоанализатора были получены максимальные (Ктах) и минимальные (Клип) значения коэффициента снижения токсичности в результате работы настроенного корректора (см. табл. 2).

Проведённый эксперимент показал, что наличие корректора позволяет уменьшить максимальные значения концентраций СО и ИОх, с учётом погрешности опыта, как минимум на 15 % и 8 % соответственно (см. табл. 2).

Таблица 2

Максимальные и минимальные значения коэффициентов снижения токсичности отработавших газов двигателя при работе корректора с нейронными коэффициентами (результаты моторных испытаний)

СО Т-Юх

Ктах Ктш Ктах Ктт

4,7 1,15 1,32 1,08

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1. Анализ работ по вопросам коррекции подачи топлива в бензиновом двигателе на неустановившихся режимах работы показал, что для обеспечения точного управления необходимо применение многорежимных корректоров с параметрами, изменяющимися не только в зависимости от режима работы двигателя, но и от ряда эксплуатационных факторов. Настройка параметров подобных корректоров является трудной задачей. Поэтому целесообразно разрабатывать структуры корректоров и методики их калибровки на основе самообучающихся искусственных нейронных сетей.

2. На основе анализа возможностей применения самообучающихся искусственных нейронных сетей для совершенствования управления подачей топлива на неустановившихся режимах работы двигателя были выбраны две основные схемы корректора: 1-я схема - корректор с коэффициентами, определяемыми искусственной нейронной сетью; 2-я схема - непосредственно нейронный корректор.

3. Для настройки многорежимных корректоров в работе использовались два метода подбора параметров: 1-й метод -непосредственного поиска параметров; 2-й метод - быстрого поиска параметров. Моторный эксперимент показал, что применение метода быстрого поиска параметров корректора позволяет сократить в 67 раз (с 200 до 3) количество обращений к двигателю за счёт переноса основного объёма оптимизационных вычислений на расчётное моделирование.

4. Снижение максимального отклонения состава смеси с 25 %-ного до 8 %-ного уровня в результате проведения моторного эксперимента по настройке корректора с коэффициентами, определяемыми искусственной нейронной сетью, подтвердило принципиальную работоспособность искусственных нейронных сетей для задачи управления подачей топлива бензинового двигателя на неустановившихся режимах. Для получения более высокого уровня компенсации состава смеси необходимо увеличить количество настраиваемых параметров, хотя более целесообразно перейти к использованию структуры нейронного корректора.

5. Расчётные исследования подтвердили, что многорежимный нейронный корректор может обеспечить более высокий уровень компенсации состава смеси (в пределах 3 % от стехиометрического значения) на большем количестве неустановившихся режимов работы двигателя при меньших вычислительных затратах по сравненшо с корректором, имеющим коэффициенты, определяемые искусственной нейронной сетью.

6. Использование корректора со структурой искусственной нейронной сети в блоке электронного управления "МИКАС 10" показало, что разработанная методика её программной реализации позволяет внедрять нейросетевые структуры в общий алгоритм управления двигателем на базе промышленно-выпускаемой микропроцессорной системы управления только за счёт изменения программного модуля, запрограммированного в блоке управления.

7. Уменьшение максимальных значений концентраций оксида углерода (СО) и оксидов азота (NOx) минимум на 15 % и 8 % соответственно при работе корректора позволяет полагать, что его наличие в системе управления автомобилем, эксплуатирующегося в интенсивном транспортном потоке, позволит уменьшить также общий уровень токсичности. Дальнейшее уменьшение токсичности автомобиля может быть связано с внедрением корректоров, учитывающих не только нагрузку и скоростной режим работы двигателя, но и температуру охлаждающей жидкости, масла и топлива, а также улучшением прогноза циклового наполнения воздухом двигателя.

8. Постепенное внедрение датчика кислорода с линейной характеристикой в состав микропроцессорных систем управления, увеличение вычислительных мощностей микроконтроллеров, а также внедрение персональных компьютеров на борт автомобиля позволяет считать перспективным применение самообучающихся методов управления подачей топлива бензинового двигателя на основе искусственных нейронных сетей непосредственно на автомобиле в ближайшем будущем.

Основное содержание диссертации опубликовано в следующих работах:

1. Черняк Б.Я., Лещенко И.А., Аманов К.А., Вощанкин C.B., Сковорода-Лузин А.Ю., Смирнов А.Б. Вопросы автоматизации, настройки и подстройки МСУ ДВС // Тезисы докладов научно-технической конференции "Луканинские чтения. Проблемы и перспективы развития автотранспортного комплекса". -М.: МАДИ (ГТУ), 2003., - с. 83-85.

2. Аманов К.А., Смирнов А.Б. Идентификация параметров модели переходного процесса при построении корректора топливоподачи двигателя с искровым зажиганием // Сборник научных статей международной научно-технической конференции "АВТО НН 03. Автомобильный транспорт в XXI веке". Н. Новгород: НГТУ, 2003, - с. 276-278.

3. Аманов КА., Вощанкин C.B., Смирнов А.Б., Черняк Б.Я. Применение MATLAB при разработке систем управления бензиновыми двигателями внутреннего сгорания // Труды Второй Всероссийской научной конференции "Проектирование научных и инженерных приложений в среде MATLAB".- М.: ИЛУ РАН, 2004, - 1955 стр. 1255-1261 ISBN 5-201-14971-5. - с. 1255-1261.

4. Черняк Б Л., Смирнов А.Б., Вощанкин C.B., Оншцук Ф.С. Использование информационных технологий для улучшения управления двигателем в процессе эксплуатации // Тезисы докладов научно-технической конференции " 2-е Луканинские чтения. Пути решения энергоэкологических проблем в автотранспортном комплексе". -М.: МАДИ (ГТУ), 2005., - с. 53-54.

5. Черняк Б.Я., Аманов К.А., Смирнов А.Б., Вощанкин C.B., Оншцук Ф.С. Совершенствование управления двигателем в переходных процессах // Международный симпозиум "Образование через науку": Материалы докладов секции "Двигатели внутреннего сгорания". Отдельный выпуск. - М.: МГТУ им. Н.Э. Баумана, 2005, - с. 118.

6. Смирнов А.Б. Многорежимный динамический корректор подачи топлива на основе искусственных нейронных сетей // Сборник научных трудов по проблемам двигателестроения, посвященный 175-летию МГТУ им. Н.Э. Баумана// Под редакцией H.A. Иващенко, JI.B. Грехова. - М.:МГТУ им. Н.Э. Баумана, 2005. - с. 74-78.

7. Smirnov A.B. Neural based multimode dynamic fuel corrector to spark ignition engine // Preprints 11th International student Olympiad on automatic control (Baltic Olympiad). Saint-Petersburg, Russia, May 17-19, 2006, - c. 6-10.

8. Смирнов А.Б. Разработка системы управления составом смеси бензинового двигателя с применением искусственной нейронной сети. // Известия ВУЗов. Машиностроение - М.:МГТУ им. Н.Э. Баумана, № 9 2006. - с. 37-40.

Подписано в печать 31.10.2006 Формат 60x90/16 Объём 1,25 п.л. Тираж 100 экз. Заказ №31100623

Оттиражировано на ризографе в ООО «УниверПриит» ИНН/КПП 7728572912\772801001

Адрес: 117292, г. Москва, ул. Дмитрвя Ульянова, д. 8, кор. 2. Тел. 740-76-47,125-22-73. http://www.mi ¡уеп>гц^.гц

âjôose

<2_£>H>bö

Введение.

1. Способы реализации нейронного управления подачей топлива в бензиновом двигателе.

1.1. Причины необходимости повышения точности управления подачей топлива.

1.2. Факторы, влияющие на состав смеси в двигателе при впрыскивании топлива во впускной трубопровод.

1.3. Принципы построения управления подачей топлива.

1.4. Анализ возможного применения искусственного интеллекта для задачи управления подачей топлива.

1.5. Схемы реализации управления подачей топлива с использованием нейронных сетей.

1.6. Возможный способ разработки нейросетевых технологий управления с применением персонального компьютера.

1.7. Выводы и постановка задачи.

2. Методики расчётных и экспериментальных исследований.

2.1. Описание программной среды компьютерного моделирования.

2.2. Описание автоматизированной моторной установки.

3. Расчётные исследования алгоритмов нейронного управления подачей топлива двигателя.

3.1. Разработка многорежимного корректора с нейронными коэффициентами.

3.2. Разработка многорежимного нейронного корректора.

3.3. Методы подбора управляющего воздействия корректора

3.4. Применение процедуры классификации и кластеризации при подборе параметров корректора.

3.5. Методика реализации искусственных нейронных сетей в стандартных ЭСУ.

4. Экспериментальные исследования алгоритмов нейронного управления подачей топлива.

4.1. Идентификация параметров динамической многопараметрической модели двигателя.

4.2. Проверка методики подбора управляющего воздействия корректора по ограниченному количеству обращений к двигателю.

4.3. Автоматизированная настройка многорежимного корректора с нейронными коэффициентами, реализованного в блоке электронного управления.

4.4. Проверка эффективности работы корректора.

Актуальность работы. Для выполнения жёстких норм токсичности, предъявляемых к перспективным моделям автомобилей, необходимо обеспечить более точное управление параметрами работы двигателя на неустановившихся режимах в процессе всей эксплуатации.

В современных электронных системах управления двигателем с искровым зажиганием используются сложные модели управления, настройка которых производится в большом числе случаев с помощью неавтоматизированных методик и требует значительных затрат времени в общем цикле доводочных работ двигателя. Поэтому необходимо внедрять самообучающиеся алгоритмы управления, способные на борту автомобиля подстраиваться к изменяющимся параметрам работы двигателя и условиям эксплуатации. Перейти к интеллектуальному управлению на первом этапе возможно за счёт использования самообучающихся алгоритмов для организации автоматизированных методик калибровки систем управления двигателем. Построение автоматизированных методик настройки моделей управления двигателем на неустановившихся режимах работы целесообразно осуществлять на основе искусственных нейронных сетей, которые в силу своей структуры обладают свойством самообучения.

Актуальность работы определяется тем, что она направлена на разработку и реализацию алгоритмов управления на основе искусственных нейронных сетей в стандартной электронной системе управления, а также на автоматизацию калибровки системы управления двигателем на неустановившихся режимах работы.

Цель работы. Разработать многорежимный корректор подачи топлива на основе искусственной нейронной сети для улучшения стабилизации стехиометрического состава смеси на неустановившихся режимах работы бензинового двигателя. Структура корректора должна позволять вести автоматизированный процесс настройки его параметров при ограниченном числе экспериментальных обращений к двигателю.

Методы исследования. Расчётные исследования проведены на основе динамических моделей, реализованных в созданном программном приложении "Корректор подачи топлива для бензинового двигателя". Приложение разработано на базе математического пакета "МАТЬАВ". Экспериментальные исследования проведены в Проблемной лаборатории транспортных двигателей МАДИ (ГТУ) на автоматизированной моторной установке, оснащённой современным измерительным оборудованием европейского уровня.

Достоверность результатов обеспечена применением оборудования и приборов с соблюдением государственных стандартов, а также адекватностью результатов расчётных и экспериментальных исследований.

Научная новизна. Рассмотрены этапы постепенного перехода к методикам интеллектуального управления подачей топлива в бензиновом двигателе на неустановившихся режимах его работы. Разработаны схемы управления и методики автоматизированной калибровки, включая программную реализацию, системы коррекции подачи топлива на основе искусственных нейронных сетей. Реализован многорежимный корректор подачи топлива на основе искусственной нейронной сети как часть общего алгоритма управления двигателем в виде исполняемого программного модуля для блока электронного управления "МИКАС 10". Разработана и экспериментально проверена методика автоматической калибровки многорежимного корректора подачи топлива на основе искусственной нейронной сети.

Практическаяценность. Разработанный метод автоматизированной калибровки многорежимного корректора подачи топлива на основе искусственной нейронной сети позволяет настраивать параметры на большем числе неустановившихся режимов работы двигателя, чем это реализуется при использовании современных неавтоматизированных методик калибровки.

Разработанная методика программной реализации искусственной нейронной сети позволяет внедрять корректор подачи топлива на её основе в общий алгоритм управления двигателем без изменения аппаратной части блока электронного управления и при минимальном использовании вычислительных ресурсов его микроконтроллера.

Реализация работы. Результаты исследований, программный комплекс и экспериментальная -установка используются в учебном процессе кафедры "Теплотехника и автотракторные двигатели" при подготовке бакалавров, инженеров, магистров, аспирантов по специальностям "Тепловые двигатели" и "Электрооборудование автомобилей и тракторов". Многорежимный корректор подачи топлива на основе искусственной нейронной сети реализован в блоке электронного управления "МИКАС 10" как часть общего алгоритма управления двигателем. Технологии программной реализации и автоматизированной настройки искусственных нейронных сетей на базе стандартных вычислительных средств направленных на решение задачи автоматизации испытаний двигателя при проведении процедуры калибровочных работ приняты для использования ФГУП "НИИ Импульсной техники" при создании перспективных автоматизированных моторных стендов для испытания двигателей внутреннего сгорания.

Основные положения выносимые на защиту: •Возможные схемы построения корректора подачи топлива на основе искусственных нейронных сетей и методы их практической реализации;

• Схема, методика калибровки и результаты расчётных исследований многорежимного нейронного корректора подачи топлива;

• Схема, методика калибровки и результаты моторных испытаний многорежимного корректора подачи топлива с коэффициентами, определяемыми искусственной нейронной сетью.

Личный вклад автора.

• Проанализированы различные виды искусственного интеллекта и способы его применения в структуре управления подачей топлива на неустановившихся режимах работы двигателя;

• Исследованы возможные пути реализации нейронного управления подачей топлива в современном бензиновом двигателе;

• Разработаны динамические модели, отражающие различные методики калибровки и управления подачей топлива в бензиновом двигателе на основе искусственных нейронных сетей;

• Разработано программное приложение на основе математического пакета МАТЪАВ, позволяющее не только отрабатывать различные структуры нейросетевого управления подачей топлива, но и осуществлять их реализацию в режиме реального времени на двигателе в стендовых условиях;

• Проведены серии экспериментальных исследований по реализации интеллектуальных стратегий управления подачей топлива в бензиновом двигателе;

• Проведён анализ влияния работы корректора подачи топлива на токсичность отработавших газов двигателя, работающего на неустановившихся режимах работы;

• Разработана методика реализации искусственных нейронных сетей на основе промышленно-выпускаемых микропроцессорных систем управления без изменения аппаратной части.

Апробация работы. Результаты, полученные в ходе выполнения диссертационной работы, докладывались на: Международной научно-технической конференции НГТУ (2003 г.); Научно-технических конференциях МАДИ (ГТУ) (2003, 2005 г.г.); Всероссийской научной конференции МАТЬАВ (ИЛУ РАН) (2004 г.); Международном симпозиуме МГТУ им. Н.Э. Баумана (2005 г.); Международной Балтийской студенческой олимпиаде по автоматическому управлению (2006 г.). Рассматривались на Всероссийском научно-техническом семинаре по автоматическому регулированию и управлению теплоэнергетических установок им. проф. В.И. Крутова при МГТУ им. Н.Э. Баумана (2004-2006 г.г.), и экспонировались на выставках научных достижений МАДИ (ГТУ) 2004-2006 г.г.

Работа частично проводилась в рамках межотраслевой программы сотрудничества Министерства образования Российской Федерации и АО "АВТОВАЗ" по направлению "Научно-инновационное сотрудничество" (2004 г.). Также частично работа проводилась в рамках заказа Министерства образования и науки Российской Федерации на "Исследование работы самонастраивающихся контуров микропроцессорного управления автомобильными двигателями" (2005 г.). Отчеты о результатах проделанной работы приняты заказчиком.

Публикации. По теме диссертации опубликованы пять статей и тезисы трёх докладов на научных конференциях.

Объем работы. Диссертационная работа состоит из введения, четырёх глав, основных выводов и рекомендаций, библиографического списка, трёх актов внедрения. Общий объем работы 146 страниц, включая 109 страниц машинописного текста, 9 таблиц и 48 рисунков. Библиография содержит 91 наименование.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1. Анализ *работ" по вопросам коррекции подачи топлива в бензиновом двигателе на неустановившихся режимах работы показал, что для обеспечения точного управления необходимо применение многорежимных корректоров с параметрами, изменяющимися не только в зависимости - от режима'.работы -двигателя, но, и от ряда эксплуатационных факторов. Настройка параметров подобных корректоров является трудной задачей. Поэтому целесообразно разрабатывать структуры корректоров и методики их калибровки на основе самообучающихся искусственных нейронных сетей.

2. На;основе*анализа>возмо;кностей^применения^самообучающихся искусственных нейронных* сетей *, для совершенствования управления подачей топлива на неустановившихся режимах работы двигателя были выбраны две основные схемы корректора: 1-я схема - корректор с коэффициентами, определяемымдаискусственной - нейронной сетью; 2-я схема-непосредственно.нейронной-корректор. мирил.лрон :

3. Для настройки многорежимных корректоров в работе использовались два метода подбора параметров: 1-й метод -непосредственного поиска -параметров; . 2-й ,метод --быстрого поиска параметров.'^Моторньш ^эксперимент' показал,ечто'' применение-метода быстрого поиска параметров корректора позволяет сократить в 67 раз (с 200 до 3) количество обращений к двигателю за счёт переноса основного объёма оптимизационных вычислений на расчётное моделирование. м4п¡Снижение максимального¡отклонения!состава;рмеси.с 25 %-ного до 8 %-ного уровня в ¡результате .проведения моторного эксперимента по настройке корректора с ^1 коэффициентами, определяемыми искусственной нейронной ^ сетью,'V; подтвердило • принципиальную работоспособность искусственных нейронных , сетей для задачи управления- М подачей жхтоцливам пбензинового п ри двигателя на неустановившихся режимах. Для получения более высокого уровня компенсации состава смеси необходимо увеличить количество настраиваемых параметров,- хотя более целесообразно перейти к использованию структуры нейронного корректора.1 .

5. Расчётные исследования подтвердили, что многорежимный нейронный корректор может обеспечить более высокий уровень компенсации состава смеси (в пределах 3 % от стехиометрического значения) на большем количестве неустановившихся режимов работы двигателя при меньших вычислительных затратах по сравнению с корректором, имеющим коэффициенты, определяемые искусственной нейронной сетью. .6.^ Использование^ ! корректора и с&е структурой-. искусственной нейронной-; - сети :т^бДоке;гэлектронного>Лупр.авления "МИКАС 10" показало, что разработанная>.методика-,её программной реализации позволяет внедрять нейросетевые с. структуры в общий алгоритм управления двигателем- на базе - промышленно-выпускаемой микропроцессорной^ системыесуправления ктольжо* за [счёт ^изменения программного модуля, запрограммированного в блоке управления.

7. Уменьшение максимальных значений концентраций оксида углерода (СО) и оксидов азота (ЪЮх) минимум на 15 % и 8 % соответственнолшри. работе, корректора позроляетчполагать, что его наличие ов системе управленияк двтомобилем^ксплуатйрующегося в интенсивном транспортном потоке, позволит уменьшить также общий уровень токсичности. Дальнейшее-уменьшение токсичности автомобиля может быть связано с внедрением корректоров, учитывающих не только нагрузку > ¡и-ижрростной- режим*'1 работы и двигателя, зно си-; температуру охлаждающей жидкости, масла и топлива;^ также улучшением прогноза циклового наполнения воздухом двигателя.

•.<.-•; 1ь.' ¡-вспно- '¡фи'- ¡.'Лиок* коррсл. оча икл;)1 п системе' управления- автомобилем,-•эксплуатируюь:

8. Постепенное внедрение датчика кислорода с линейной характеристикой в состав микропроцессорных систем управления, увеличение: вычислительных; мощностей? микроконтроллеров, а также и внедрение персональных компьютеров на борт автомобиля позволяет считать перспективным применение . самообучающихся методов управления подачей топлива бензинового двигателя на основе искусственных нейронных сетей непосредственно на автомобиле в ближайшем будущем. . . : • 135 ■ : . ыч-шнеий'е • Н4е]«ьньи 'мощностей мн крокот-рвал^>ок . .-нме !1е.[7сона.1ьннх к*^-№ыдтеров;'.на борт, авю.м-оаил;! V • :,

•• • V. йг?) 1 \ ь • . ь < . | . ; I * « » Л Г-. . » чу ч,*} , .у * Ь ч*' » I { *• ¿ * » . . "!1г/1.:мтсм будущем.

-, V 136 i .<■■■ - >■ v ' 1 ; ■■ .- ■ -v J - .■ ■■—.

1. Андреев В. И., Горячий Я.В., Морозов К.А., Черняк Б.Я., " Смесеобразование в карбюраторных двигателях", М.: Машиностроение, 1975,- 176 с

2. Ануфриев И.Е;, " Самоучитель MATfcAB5.;3/6.x СПб.: БВХ-Петербург, 2002, - 736 с

3. Аттетков A.B. и др., "Методы оптимизации: Выпуск XIV",-М.:МГТУ им Н.Э. Баумана, 2001, 44,0,с

4. Архангельский у В-М., Злотин Г.Н., "Работа карбюраторных двигателей на неустановившихся режимах , М.: Машиностроение, 1979, -152с •■••;'. : '

5. Асмус Т. У., Боргнакке К., Кларк С.К. и др.; Под ред. Хиллиарда Д., Спрингера Дж. С.; Пер с англ. Васильева A.M.; Под ред. Кострова A.B., \'1Тбпливн'аяН.,экономичности МвтЪкобйлей'Хс"» бензиновыми двигателями" М.: Машиностроение, 1988,--504 с

6. Аш Ж. и соавторы, "Датчики > измерительных систем" В 2-х книгах. Кн. 1. Пер. с франц., М.: Мир, 1992, - 480 с

7. Ama^^:!WKcdaBföpbi,,-"Датчики Йзмеритйльных систем" В 2-х книгах. Кн. 2. Пер, с франц^ -¡М.: Мир, 1992,'-'424 с-ihm.

8. Бендат Д., Пирсол А., "Измерение и анализ случайных процессов", М.:Мир, 1974 г.9.^^БояриноЕ/'А'М, Кафаров.В'.Вц '«Методы оптимизации|в химической технологии", Изд^^-е, М.;Химия,^1975, «576с)ои.чен с (Vh

9. Бессонов A.A. и др.,, " Методы и средства идентификации неустановившихся объектов", Л.: Энергоатомиздат, 1989, - 280 с

10. Вощанкин C.B., канд. дисс. "Разработка структуры и алгоритмов обучающихся контуров рв', микропроцессорных^лсистемахсчуправления автомобильных двигателей", М.':МАДИ,'2005- -р

11. Винер Н., "Кибернетика." -М.: Наука, 1983

12. Uu>;f)Mliüü Л.1 i., «vUfjiaf-^ii'ij.jJ., :vi J ГОДЫ oil i .lit'KiUliii h .11 H-i •• ~> г> \Л ■ v.'.

13. Гёльднер.Г., Кубик G., "Нелинейные системы управления", пер. с нем., М.: Мир, 1987,-368 с '

14. Гирявец А.К., "Теория управления автомобильным бензиновым двигателем",- М.:Стройиздат,1997 ^

15. Грехов Л.В., "Топливная аппаратура с электронным управлением дизелей и- двигателей>сгнепосредственным эпрыском-.бензина^ практическое пособие", М.: Легион-Автодата, 2001, - 176 с.

16. Грехов Л.В., Иващенко H.A., Марков В.А., "Топливная аппаратура и системы управления дизелей: Учебник для вузов", М.: Легион

17. ГуреёвгА.А^ШрШенение автомобильных бензинов." -М.: Химия, 1972,-364с • .V.;-^

18. Данилина И.И., "Познакомимся с экспертной системой" (Ресурс в сети "Интернет" по адресу: ihttp://inf.lseptember.ru/1999/art/danill.htm)i9:^j^peHCKHfcCiBf,^ бензиновогодвигателя для разработки ^микропроцессорных^ 'систем управления", М.:МАДИ, 1993

19. Дьяконов В.П., "MATLAB 6/6.1/6.5 + SIMULINK 4/5 в математике и моделировании^ Полное руководство пользователя", М.: СОЛОН-Пресс,'2003,''«'576 сIIpiiMcncinie'üBTÖNiooiL'ibnüix'беиглиов;" М :

20. Дьяконов В.П., "MATLAB: Анализ, идентификация и моделирование систем",- Санкт-Петербург:-Питер, 2002, 448 с

21. Дьяконов В.П., "SIMULINK 4. Специальный справочник",-Санкт-ПетербурЩ(Питер''2002),-52&?сдисс. "Динамическая модель Гкп

22. Дэбни Дж., Харман Т., перг Симонова М."Л;, "Simulink 4 Секреты мастерства", М:Бином. Лаборатория знаний, 2003,403 с

23. Ефремов A.B., "Методические указания по применению ЭВМ и ЭММ^ в>'¡-грузовых. ¡»>1и ¿автомобильныхь ^перевозках.(Пошаговая- 576 соптимизация. Метод конфигураций )", Выпуск 8. Москва МАДИ (ГТУ), 1996

24. Калан Р.,'Юсноэнь1е-.коццепции^нецррнных;сетёй"^Пер. с англ., М.: "Вильяме", 2001,-288 с

25. Комарцова Л.Г., Максимов A.B., "Нейрокомпьютеры: учебное пособие для вузов", М.:МГТУ им. Н.Э. Баумана, 2002, -320 с

26. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В., "Базы данных. Интеллектуальная обработка информации.", М.: Нолидж, 2001, -496с

27. Крутов В.И., ''Двигатель внутреннего сгорания как регулируемый объект", М.: Машиностроение, 1978, 472 с. ,

28. Кутенёв' В:Ф., i Каменев сВ 1ФццУВредщ>1е i выбросы ^автомобильных двигателей, нормирование и методы измерений", М.:МАМИ, 1999, 68 с

29. Левшина Е. С., Новицкий П.В., • "Электрические измерения физических величин: (Измерительные преобразователи)", Учеб. пособие для вузов,'¡ЛиЭнергоато1утздат)4983,^320ic<n v.J., Рапх J.

30. Леоненков A.B.W ВДечеткоетодедирование "в среде' > MATLAB и fiizzyTECH", СПб.: БХВ-Петербург, 2003, - 736 с

31. Луканин В.Н. и др. "Двигатели Внутреннего Сгорания",- том 1 -Теория рабочих процессов.-М.: Высшая школа, 2005, 479 с

32. Луканин В.'Н., йСдрр17ДвиЫтелйЬВнутреннег0р6горания"у-том 2 -Динамика и конструирование.-М.: Высшая школа,'2005,: 400 с

33. Лурье В.А., В.А. Мангушев, И.В. Маркова, Б.Я. Черняк, "Автомобильные двигатели. Двигатели внутреннего сгорания (Итоги науки и тёхники)-т;Том 4Щ М,:-ВИНИТИ-АН СССР, 1985, 282 с

34. Медведев В:0),-,ПотёмкинсВхГ^сЩейронные сети.е MATLAB 6/ Под общ. ред. к.т.н. В.Г. Потёмкина",-М.: ДИАЛОГ-МИФИ, 2002, 496 с

35. Мита Ц., Хара С., Кондо Р. "Введение в цифровое управление", -М.: Мир, 1994 . .- Пук'анпн 1Î.1I. и .др.-"Двигатели Внутреннего Сгорания ',

36. Налимов В.В., "Теория эксперимента", М.: Наука, 1971, 208 с

37. Неймарк Ю.И., Коган Н. Я., Савельев В.П., "Динамические моделитеории управления", М.: Наука,1985, 400 с„

38. Неяченко И.И.г К).И. Ямодов "Моделирование индивидуального по цилиндрам управления подачей топлива, в бензиновом двигателе при холодном пуске", Десятый международный конгресс двигателестроителей, Украина, 2005

39. Олссон Т., "Цифровые системы автоматизации и управления", Издание 3-е,- Санкт-Петербург, Невский диалект, 2001.-557 с

40. Омату С., Халид М.,' • Юсоф Р.," "Нейроуправление и его приложения", М.: Радиотехника, 2000, 272 с .

41. Осовский С., "Нейронные сети для обработки информации", пер. с польского И.Д.1 РУдйнского, Мя Финансы-и-ст^тистика, 2002;- 344 с

42. Орлин А.С.у! Круглов^~М.Р:р тбДвигател'и' Внутреннего Сгорания (Системы поршневых и комбинированных двигателей)",-М.: Высшая школа, 1995

43. Пинский' Ф.И., Давтян Р.И.,-Черняк ^Б.Я., "Микропроцессорные системы 3 управ л енйЬтс двтомоБил бными; ' а;двига^лям1г 7 внутреннего сгорания. Учебное пособие", М.: Легион-Автодата, 2001, - 136 с

44. Покровский Г.П. и др., "Электронное управление автомобильными двигателями", М.: Машиностроение, 1994,336 с46^- Поляк Б'11,,>л!Введениехй.ойтимизацию"^М.:Наука^1983

45. Потёмкин В.К;,ПМАТЬАВ -6: среда;проектирования инженерных приложений", М.: ДИАЛОГ-МИФИ, 2003, 448 с

46. Терехов В.А.,.Ефимов:Д;В.рр01шн И^Ю;^''Нейросетевые системы управления", Кн. 8: Учеб. пособие для вузов/ Общая ред. Галушкина, -М.: ИПРЖР, 2002, 480 с

47. Филлипс Ч., Харбор Р.,"Системы управления с обратной связью", М^Шабордториябадовых^^ ор»

48. Харт Х., "Введение в измерительную 1гехнику",-М::Мир, 1999

49. Химмельблау Д., "Обнаружение и диагностика неполадок в химических и нефтехимических процессах", Ленинград.-.Химия, 1983, -352сиил'о.' ilepbqc'iv -'укосч^д.'.vi.;рулсл;, .43J с.

50. Хрулёвз А.Э., 1"ремонтДЙиг5телей Иарубезкнь^ автомобилей", -М. :3а рулём, 2000 : -'.с ;

51. Чураков Е.П., "Оптимальные и адаптивные системы", Учеб. пособие для вузов, М.: Энергоатомиздат, 1987, -256 с

52. У-Шульц^пК(ЩоьРеберРi|К.Ю')^Инженерный анализ, адаптивных систем", Пер. с нем:,"М.: Мир,"1992;v28Q с> tcxhüку"

53. Эндрю А., "Искусственный Интеллект"/-М.: Мир, 1985

54. Alippi С., Russis С. and Piuri V.," A Neural-Network Based Control Solution to Air^Fuel Ratio Control for Automotive Fuel-Injection Systems " ДЕЕЕ transactions bn systems." mani and' cybernetjcs^pait'C applications and reviews, VOL. 33, NO. 2,2003

55. Andersson P., Eriksson L. and^Nielsen L., "Modeling and Architecture examples of Model Based Engine Control ", Vehicular Systems, IS YLinkoping' Uni versit^ SEf58 II 83Xinkoping,' $ WEDEN}-' ¡1999-.'. с !<-:-л1., M.:'Mivp.'19.92-,- 280 с ;t .1 • /

56. Ando T., "A study of fuel transport delay in intake manifold and compensation strategy", SAE Technical Paper,.Vol 8 №1,1987.

57. Aquino C.F., "Transient A/F Control Characteristics" of the 5 Liter Central Fuel Injection Engine", SAE Techniclal Paper 810494,1981

58. Arsie I., Pianese C., Rizzo G., "A non linear observer for fuel film dynamics into the intake manifold of a spark ignition Engine", Department of Mechanical Erigineering University of Salerno, 84084 Fisciano (Sa) - Italy, 1999

59. Elman J.L., "Finding Structure in Time", University of California, San Diego, COGNITiyE,SCIENCE,44,479-211,-1990 .v.uiu,. o

60. ETAS Grribh, "INCA V5.0 Getting Started", Stuttgart, 2004

61. ETAS Gmbh, "Lambda Meter LA4 User's guide", Stuttgart, 2004

62. Fozo R., Aquino F., "Transient A/F Characteristics for cold operation of 1.6 liter engine with Sequential fuel injection", SAE Technical Paper № 880691,-1988;. "The effects of injector, target ing-ajid fuef volaii;.

63. Hendrics E.,! "Modelling bttheantake'manifoTdifilling'dynamics", SAE Technical Paper №960037,1996

64. Hendricks E., Jensen M., Chevalier A., "Conventional Event Based Engine Control" SAE Technical Paper,no.940377,-1994i AS Gmbh, "INCA V5.0 Getting Started", Stuttgart, 20(1 i1 142

65. Hendricks Ё., Sorenson S.C., "Mean Value Modelling of Spark Ignition Engines", SAE Techniclal Paper no. 900616

66. Howlett R.J., Zoysa M.M., Walters S.D., Howson P.A., "Neural Network Techniques for Monitoring and.Control,.of; Internal Combustion Engines", Int. Symposium on Intelligent Industrial Automation 1999, Genova, Italy

67. Howlett R.J., Walters S.D., "A Multi-Computer Neural Network Architecture in a Virtual Sensor System Application", Brighton, Sussex, BN2 4GJ,U.K. ~ ^ rf

68. Ihme H.,"Compensation for the wall film effect in the four-stroke SI engine", MTZ №62 7/8,2001-.-л,,. v.

69. Lee Т., Bohac S. V., Assanis D, N., "Estimation of Air Fuel Ratio of a SI Enginei fromuExhaust GksniremperatureCatiiGoldoSlirt^Condition", SAE 2002-01-1667,42002">^'-'^n Intelligent Industnn! A4aomuuo !'

70. McCarthy J., "What is artifical intelligence?", Standford University,2004 (Ресурс в сети "Интернет" в электронном виде по адресу: http://wwW'formal.stanford.edu/jrDc/whatisqi/whatisai.htm.) * ^1,

71. Meyer Е., "Adaptive transient fuel compensation: implementation and experimental results", SAE Technical Paper 2000-01-0550,2000

72. Meyer R., "Liquid fuel flow in the vicinity of the intake valve of a port-injected SI engine", SAE Technical Paper №982471,199881;.' yNeurojschbol"iy-Pe6ypc iioнейронным Ьет^шеетй'МИнтернет" в электронном виде по адресу: http://neuroschool.narod.ru/

73. Pfeiffer J.M., Hedrick J.K., "Nonlinear Algorithms for Simultaneous Speed Tracking and Air-Fuel Ratio Control in an Automobile Engine", SAE 0547, j'UUV »'>:.:. -,ui/v%;<;,u:>. .iiuni). ;

74. Pohlhei'm, H^M'rtiGEAniiTbxit Geheticii and ^Evolutionary "Algorithm Toolbox for use with ;MATLAB", "version 1.91, 1997 -(http://www.systemtechnik.tu-ilmenau.de/~pohlheim/GAToolbox/)

75. Neuro school" -Ресурс no нейронным еетяльв сети "ЧЬ ■ :(!("■> по tv'jx'cv: hltn://nei!n'»sch(iol.nnrod.r,.i

76. Rosen .'A, "Master thesis: ' Air/Fuel Ratio Control of an Si-Engine Under Normal Operation Conditions", Reg nr: LiTH-ISY-EX-3594-2004, Linkoping, 2004

77. Russ S., "The effects of injector targeting and fuel volatility on fuel dynamics in ■ a PFL engine during:warm up: parti-experimental result", SAE Technical Paper №982518,1998

78. Shaw В. T.,Ph. D. thesis: "Modelling and Control of Automotive Coldstart Hydrocarbon Emissions", UNIVERSITY OF CALIFORNIA, BERKELEY, 2002

79. Sllva;nCarJa'M#lEariás;siPiágó^ . С., '.'Gold start, part warm start and warm' úp ¡ simülatióirof vehicle's in ECOGEST", Instituto Superior Técnico, Portugal, F2004V045,2004

80. Stergiou C., Síganos D., "Neural networks" Ресурс по нейронным сетям il с,в ¡ti сети'! ;^Интернет'4"^в|П1 электронной >егвиде^1 по адресу: http://wwwMoo:ic*áo:W^

81. Weeks R. W., Moskwa J. J, " Automotive Engine Modeling for RealTime Control Using MATLAB/SIMULINK", SAE 950417,1995

82. Wendeker M., Niewczas A., Hawryluk В., " A Stochastic Model of the Fuel Injection ofithe.SI Engine "r,¡SAEIpapefcl088,I2Q00;, José M. l