Diagnosis of sensor faults in a combustion engine control system with the artificial neural network

• Autorzy: Komorska iwona , Wołczyński Zbigniew , Borczuch Artur

Identyfikatory

DOI

10.29354/diag/110440

Warianty tytułu

PL

Diagnozowanie uszkodzeń czujników w systemie sterowania silnika spalinowego z wykorzystaniem sztucznej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

The work presents the investigations carried out on a spark-ignition internal combustion engine with gasoline direct injection. The tests were carried out under conditions of simulated damage to the air temperature sensor, engine coolant temperature sensor, fuel pressure sensor, air pressure sensor, intake manifold leakage, and air flow disturbances. The on-board diagnostic system did not detect any damage because the sensor indications were within acceptable limits. The engine control system in each case changed its settings according to the adaptive algorithm. Signal values in cycles from all available sensors in the engine control system and data available in the on-board diagnostic system of the car were recorded. A large amount of measurement data was obtained. They were used to create a statistical function that classifies sensor faults using an artificial neural network. A set of training data has been prepared accordingly. During learning the neural network, a hit rate of over 99% was achieved.

PL

W pracy przedstawiono badania przeprowadzone na silniku spalinowym o zapłonie iskrowym z bezpośrednim wtryskiem paliwa. Testy wykonano w warunkach symulowanych uszkodzeń czujników temperatury powietrza, temperatury cieczy chłodzącej silnik, ciśnienia paliwa, ciśnienia powietrza, nieszczelności w kolektorze dolotowym, zaburzenia przepływu powietrza. System diagnostyki pokładowej nie wykrył żadnego uszkodzenia, ponieważ wskazania czujników mieściły się w granicach tolerancji. System sterowania silnika w każdym przypadku zmieniał swoje ustawienia według adaptacyjnego algorytmu. Rejestrowano cyklowe wartości sygnałów ze wszystkich dostępnych czujników w systemie sterowania silnika oraz dane dostępne w systemie diagnostyki pokładowej samochodu. Otrzymano dużą ilość danych pomiarowych. Wykorzystano je do utworzenia statystycznej funkcji klasyfikującej uszkodzenia przy pomocy sztucznej sieci neuronowej. Odpowiednio przygotowano zbiór danych uczących. W trakcie uczenia sieci neuronowej osiągnięto współczynnik trafień powyżej 99%.

Słowa kluczowe

EN

combustion engine; sensor fault diagnosis; artificial neural network

PL

silnik spalinowy; diagnozowanie uszkodzeń; czujnik; sztuczna sieć neuronowa

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2019
• Tom: Vol. 20, No. 4
• Strony: 19--25
• Opis fizyczny: Bibliogr. 24 poz., rys.

Twórcy

autor

Komorska iwona

• University of Technology and Humanities in Radom, Faculty of Mechanical Engineering, Department of Automotive Mechatronice

autor

Wołczyński Zbigniew

• University of Technology and Humanities in Radom, Faculty of Mechanical Engineering, Department of Automotive Mechatronice

autor

Borczuch Artur

• University of Technology and Humanities in Radom, Faculty of Mechanical Engineering, Department of Automotive Mechatronice

Bibliografia

• 1. Jurgen RK. Automotive Electronics Handbook. McGraw-Hill. New York 1995.
• 2. Turner J. Automotive sensors. Momentum Press. New York 2009.
• 3. Reif K. Gasoline engine management. systems and components. Springer-Vieweg 2015. https://doi.org/10.1007/978-3-65803964-6.
• 4. Merkisz J, Pielecha J, Radzimirski S. New trends in emission control in the European Union. Springer. 2014.
• 5. Karagiorgis S, Glover K, Collings N. Control challenges in automotive engine management. European Journal of Control 2007;13:92-104. https://doi.org/10.3166/EJC.13.92-104.
• 6. Tang H, Weng L, Dong ZY, Yan R. Adaptive and Learning Control for SI Engine Model With Uncertainties. Mechatronics. IEEE/ASME Trans. 2009.14(1):93-104. https://doi.org/10.1109/TMECH.2008.2004806.
• 7. Alt B, Svaricek F. Robust control design for automotive applications: A variable structure control approach. In book: Challenges and paradigms in applied robust control. Intech Open 2011. https://doi.org/10.5772/16724.
• 8. Djemili I, Aitouche A, Cocquempot V. Fault tolerant control of internal combustion engine subject to intake manifold leakage. IFAC Proc. 2012;45(20): 600-605. https://doi.org/10.3182/20120829-3-MX- 2028.00268.
• 9. Dąbrowski Z, Madej H. Masking mechanical damages in the modern control systems of combustion engines. Journal of Kones Powertrain and Transport. 2006; 13(3): 53-60.
• 10. Dutka A, Javaherian H, Grimble M. Model-based engine fault detection and isolation. Proceedings of American Control Conference ACC '09 2009: 4593-4600.
• 11. Isermann R. Model-based fault detection and diagnosis - status and applications. Annual Reviews in Control. 2005; 29: 71-85.
• 12. Nyberg M, Nielsen L. Model Based Diagnosis for the Air Intake System of the SI-Engine. SAE Technical Paper 970209. 1997. https://doi.org/10.4271/970209.
• 13. Komorska I, Wołczyński Z. Fault diagnostics of air intake system of the internal combustion engine. In book: Advances in Technical Diagnostics. Springer. 2018: 91-100.
• 14. Komorska I, Wołczyński Z, Borczuch A. Modelbased analysis of sensor faults in SI engine. Combustion Engines. 2017; 169(2): 146-151.
• 15. Więcławski K, Mączak J, Szczurowski K. Fuel injector diagnostics based on observations of magnetic flux changes. Diagnostyka. 2018;19(3):89-93. https://doi.org/10.29354/diag/94040.
• 16. Puchalski A, Komorska I. Data-driven monitoring of the gearbox using multifractal analysis and machine learning methods. MATEC Web of Conferences. 2019; 252. https://doi.org/10.1051/matecconf/201925206006
• 17. Jack LB, Nandi AK. Fault detection using support vector machines and artificial neural networks, augmented by genetical algorithms. Mechanical Systems and Signal Processing 2002;16(2-3): 373-390. https://doi.org/10.1006/mssp.2001.1454.
• 18. Czech P, Łazarz B, Wilk A. Application of neural networks for detection of gearbox faults. WCEAM CM 2007. Harrogate, United Kingdom.
• 19. Czech P, Wojnar G, Burdzik R, Konieczny Ł, Warczek J. Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics. Journal of Vibroengineering. 2014; 16(4): 1619-1639.
• 20. Strączkiewicz M, Barszcz, T. Application of artificial neural network for damage detection in planetary gearbox of wind turbine. Shock and Vibration. 2016: 1-12. https://doi.org/10.1155/2016/4086324.
• 21. Chen P. Study on neural network automobile fault diagnosis expert system. Journal of Applied Sciences. 2014; 14(4);348-354.
• 22. Ogaji SOT, Singh R. Advanced engine diagnostics using artificial neural networks. Applied Soft Computing. 2003; 3(3): 259-271. https://doi.org/10.1016/S1568-4946(03)00038-3.
• 23. Haykin S. Neural Networks: A comprehensive foundation. Macmillan. New York, 1994.
• 24. Rojas R. Neural Networks: A systematic introduction. Macmillan College Publishing Company. New York 1994.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).