Bir Dizel Motorunun Performans Testi İçin İki Aşamalı İstatistiksel Motor Haritalama Modellerinin Geliştirilmesi

Abstract

Bu çalışmada, bir dizel motorunun kalibrasyonunda kullanılan motor haritalama modelinin iki aşamalı model yaklaşımı ile modellemesi yapılmıştır. Motor haritalama modelinin oluştulması amacıyla daha önce elde edilmiş ve standart bir deneysel dizayn ile tasarlanmış veri kümesi kullanılmıştır. Dizel motorun tork, egzost sıcaklığı, silindir içindeki en yüksek basınç, azot-oksit emisyonları, değişken geometrili turbo hızı, egzost gazı yakıt fazlalık oranı, silindir içindeki artık gaz oranı çıkışları modellenmiştir. Lokal modelin girişi olarak püskürtme avansı, global modelin girişleri ise motor hızı, yakıt basınç ve miktarı, değişken geometrili türbin kanat konumu ve egzost gazı geri dönüşüm oranı valfi konumu olarak belirlenmiş ve iki farklı lokal model için ihtiyaç duyulan çıkışların istatistiksel modeli elde edilerek hangi sonuç modelin, daha yüksek öngörüsel güce sahip olduğu belirlenmiştir. Yeni metod, bu çalışmada basit bir model kullanılmış olmasına rağmen, çok iyi öngörüler sağlamıştır. Model seçimi, model doğruluğu ve hata bulma gibi alanların kolay bir şekilde yorumlanabilir olduğunu göstermiştir. Böylece ampirik modellemenin verinin hiyerarşik yapısına daha uygun olduğu da belirlenmiştir.

In this study, an engine mapping model which is used for calibration of a diesel engine is modelled by using two-stage modeling approach. The dataset designed by a standart design of experiment technique is used for constructing the engine mapping model. The torque, exhaust temperature, peak pressure, nitrogen oxide emission, variable geometry turbo speed, equivalance ratio in exhaust gas, mass fraction of residual gas in the cylinder engine outputs are modelled. The injection advance as the input of local model and engine speed, fuel pressure and mass, the position of exhaust recirculation gas valve, the position of the blades in the turbine as the inputs of the global model are identified. Through constructing statistical model of required outputs for two distinct local model type, which resulting model would more predictive power is found out. The new method, even with the simple model used here, provides very good predictions and this is a major justification of this approach. Areas such as model selection, model validation and diagnostics are shown to be easily interpretable. Thus empirical modeling is shown to be suitable for this kind of hierarchically structured data.