BACKGROUND: Engine and vehicle control systems must have means of objective control in the form of self-diagnosis. This is especially true for new designs and technologies for controlling a gasoline internal combustion engine, such as deactivating cylinders in partial load mode. The paper gives an assessment of the possibility of self-diagnosis of cylinder shutdown in an automobile crank-guide engine without connecting rods using artificial neural networks.
AIMS: Determination of the possibility of creating an artificial neural network that recognizes which cylinders are currently in operation and which are disabled, based on the nature of the change in the signals from the sensors installed on the engine mounts and independent on the crankshaft speed.
METHODS: The study considered artificial neural networks of the LSTM and BiLSTM topology. An engine simulation model made in Simulink was used in order to obtain sensor signals. The conducted numerical experiments made it possible to obtain data, which simulates the sensors readings, and to train artificial neural networks to determine the order numbers and quantity of deactivated cylinders. Numerical experiments were carried out on the basis of full-factorial design. Various designs of experiments were used for training and testing of artificial neural networks, which made it possible to test the network on data that differed from the training data significantly. Testing took place on a large number of random sequences of cylinder deactivation modes.
RESULTS: The obtained results show a high degree of recognition of the order numbers of deactivated cylinders just after several tens of degrees of the crankshaft rotation while switching to the corresponding mode. For the LSTM network, mode detection accuracy was above 99% in both the data sequence transfer mode and the data streaming mode. Accuracy of the BiLSTM topology was over 99.9% in the data sequence transfer mode, but significantly decreased in the data streaming mode.
CONCLUSIONS: The use of considered types of networks in engine and car control systems is promising.
Обоснование. Системы управления двигателями и автомобилями должны иметь средства объективного контроля в виде самодиагностики. В особенности это актуально для новых конструкций и технологий управления бензиновым двигателем внутреннего сгорания, таких как отключение цилиндров на режиме частичной нагрузки. В работе дана оценка возможности самодиагностики отключения цилиндров в автомобильном бесшатунном двигателе с кривошипно-кулисным механизмом с помощью искусственных нейронных сетей.
Целью являлось определение возможности создания искусственной нейронной сети, распознающей по характеру изменения сигналов с датчиков, установленных на опорах двигателя: какие цилиндры в данный момент находятся в работе, а какие отключены независимо от частоты вращения коленчатого вала.
Методы. В исследовании рассматривались искусственные нейронные сети топологии LSTM и BiLSTM. Для получения сигналов датчиков использовалась имитационная модель двигателя, выполненная в Simulink. Проведенные численные эксперименты позволили получить данные, имитирующие показания датчиков, и обучить искусственные нейронные сети для определения номеров и количества отключенных цилиндров. Численные эксперименты проводились на основе полнофакторного планирования. Для обучения и тестирования искусственных нейронных сетей использовались различные планы, что позволило тестировать сеть на данных, существенно отличающихся от данных обучения. Тестирование проходило на большом количестве случайных последовательностей режимов отключения цилиндров.
Результаты. Полученные результаты показывают высокую степень распознавания номеров отключенных цилиндров уже за несколько десятков градусов поворота коленчатого вала при переходе на соответствующий режим. Для сети LSTM точность определения режима составила выше 99% как в режиме передачи последовательности данных, так и в потоковом режиме. Топология BiLSTM показала точность при определении режима в виде последовательности выше 99,9%, но при потоковой передаче данных она существенно снижалась.
Заключение. Применение рассмотренных типов сетей перспективно в системах управления двигателей и автомобилей.