Zastosowanie sztucznej sieci neuronowej do wyznaczania przebiegu natężenia wypływu paliwa z rozpylacza

• Autorzy: Augustynek K. , Knefel T.

Warianty tytułu

EN

Application of the artificial neural network to calculation courses of fuel flow rate from nozzle

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono obliczeniowo-empiryczną metodykę wyznaczania przebiegów zmian natężenia wypływu paliwa z rozpylacza, przeznaczoną dla układów zasilania silników o zapłonie samoczynnym. W oparciu o uzyskane wyniki pomiarów stanowiskowych, przy wykorzystaniu sztucznych sieci neuronowych, przeprowadzono obliczenia przebiegów wtrysku dla obszarów leżących poza zakresami pomiarowymi. Wykorzystano dwie sieci złożone z dwóch warstw ukrytych, o różnej liczbie neuronów w warstwach. Przedstawiono wyniki obliczeń weryfikacyjnych potwierdzających, że prawidłowo dobrano typ funkcji aktywacji, współczynnik uczenia czy liczbę warstw sieci. Uzyskano bardzo dobrą zgodność obliczonych i aproksymowanych przebiegów wtrysku. Podano przykłady charakterystyk wtrysku obliczonych dla różnych konfiguracji zadawanych parametrów. Stwierdzono, że analizowane wielkości lepiej zostają odwzorowane przez sieć o większej liczbie neuronów w drugiej warstwie.

EN

In the paper is presented numerically-empirical methodology for determining courses of fuel flow rate from nozzle. This methodology is intended for Diesel engines. Based on the results of measurements, artificial neural networks is used for calculation courses of injection for areas outside the measuring ranges. Neural networks with two hidden layers with various number of neurons in each layer are applied. The paper presents the results of calculations which confirm that the type of the activation function, learning rate and number of layers of the network are correctly chosen. It has been obtained very good agreement calculated and predicted courses of injection. The examples of the injection characteristics for different configurations parameters are presented. It has been concluded that a neural network with a larger number of neurons in the second hidden layer better approximates analyzed courses.

Słowa kluczowe

PL

sztuczne sieci neuronowe; wypływ paliwa z rozpylacza; natężenie wypływu

EN

artificial neural network; flow rate from nozzle; intensity of outflow

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 131--140
• Opis fizyczny: Bibliogr. 13 poz., rys., pełen tekst na CD

Twórcy

autor

Augustynek K.

• Akademia Techniczno-Humanistyczna, Wydział Budowy Maszyn i Informatyki, Katedra Matematyki i Informatyki, 43-309 Bielsko-Biała, ul. Willowa 2

autor

Knefel T.

• Akademia Techniczno-Humanistyczna, Wydział Budowy Maszyn i Informatyki, Katedra Silników Spalinowych i Pojazdów, 43-309 Bielsko-Biała, ul. Willowa 2

Bibliografia

• 1. Brzozowski K., Nowakowski J.: Model sterowania emisją związków szkodliwych spalin silników o zapłonie samoczynnym. Wydawnictwa Komunikacji i Łączności, Warszawa, 2012.
• 2. Brzozowski K., Nowakowski J.: Zastosowanie sztucznych sieci neuronowych do identyfikacji modelu cyklu roboczego silnika o zapłonie samoczynnym. PTNSS P05-C147, Bielsko-Biała, 2005.
• 3. Czech P., Madej H.: Wykorzystanie analizy WPT i sieci neuronowych PNN w diagnozowaniu zakłóceń w dopływie paliwa do cylindrów. Problemy Eksploatacji, 1/2009, 17 – 26.
• 4. Knefel T., Pietras D.: Change in parameters and injection times of divided fuel dose. Combustion Engines nr 3 (154), 2013, 51-59.
• 5. Kowalski J.: Ocena stężenia tlenków azotu w gazach wylotowych silnika okrętowego za pomocą sztucznej sieci neuronowej. Zeszyty Akademii Morskiej, nr 60, Gdynia 2009, 73 – 83.
• 6. Longwic R., Lotko W., Górski K.: Modele regresyjne sieci neuronowych w zastosowaniu do identyfikacji przebiegu parametrów procesu spalania w silniku o zapłonie samoczynnym. Czasopismo Techniczne Mechanika, 4-M, z. 9, Kraków 2012, 130 – 140.
• 7. Malewicz K., Prokop S., Mamala J.: Modelowanie charakterystyki eksploatacyjnej silnika o zapłonie iskrowym. Journal of KONES Powertrain and Transport, 2001, Vol. 13, No. 1, 299 – 304.
• 8. Różycki A.: Sieć neuronowa o radialnej funkcji bazowej w obliczeniach wybranych parametrów obiegu pracy silnika spalinowego o zapłonie iskrowym. Journal of KONES Internal Combustion Engines, 2003, vol. 10, 3-4.
• 9. Rutkowski L.: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN, Warszawa 2011.
• 10. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwo Naukowo-Techniczne, Warszawa 1996.
• 11. Warwas K.: Analiza i sterowanie ruchem pojazdów wieloczłonowych z uwzględnieniem podatności elementów. rozprawa doktorska, Akademia Techniczno-Humanistyczna, Bielsko-Biała 2008.
• 12. Fahlman S.: An Empirical Study of Learning Speed in Back-Propagation Networks. Technical report CMU-CS-88-162.
• 13. Fast Artificial Neural Network Library, http://leenissen.dk/fann/wp/