Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Diagnostyka

1 2019

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

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

Komorska iwona, Wołczyński Zbigniew, Borczuch Artur

Diagnostyka

2019

Vol. 20, No. 4

19--25

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.

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%.