Development of a Data Driven Algorithm for Injection Control

Sammanfattning

Den noggranna kontrollen av insprutat bränsle spelar en kritisk roll i förbränningsprocessen, vilket förbättrar motorprestanda och säkerställer efterlevnad av miljöstandarder. Men när bränsleinsprutare åldras kan deras noggrannhet minska på grund av förändringar i bränsleinsprutarens parametrar över tid. Dataassimilationsalgoritmer kan hantera detta problem genom att uppskatta nya insprutarparametrar med hjälp av information från dynamiska modeller och mätningar. I denna avhandling utvecklas och simuleras dataassimilationsalgoritmer, specifikt Extended Kalman Filter (EKF) och Recursive Least Squares (RLS), för att utvärdera deras effektivitet för bränsleinsprutare vars parametrar förändras över tid. Simuleringen använder World Harmonized Transient Cycle (WHTC) och flera testfall för att utvärdera prestandan hos dessa algoritmer. Denna forskning använder en förenklad modell av bränsleinsprutaren, utformad för att simulera åldringsförhållanden, vilket ger en robust ram för att testa algoritmerna under realistiska åldringsscenarier. De huvudsakliga forskningsfrågorna fokuserar på att undersöka algoritmernas noggrannhet, beräkningskostnader och effektivitet hos två olika metoder för att tillämpa begränsningar på den förenklade modellen. Resultaten visar att EKF-algoritmer kan användas för att uppskatta parametrar som förändras över tid, medan RLS misslyckas med att uppskatta parametrar som varierade över tid. För simulering med modeller med konstant parametrar kan dock både EKF och RLS användas, där noggrannheten hos dem varierar beroende på kalibreringen av respektive algoritms parametrar. När det gäller implementationskostnader kräver EKF mer beräkningsresurser än RLS. Dessutom har två olika metoder för att tillämpa begränsningar implementerats och visat sig vara effektiva för att begränsa de uppskattade parametrarna baserat på de förutbestämda gränserna.