Оптимізація випередження запалення двигуна на водневому паливі на основі нейронної мережі з нечіткою логікою, оптимізованою методом рою часток
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Середа, 03 лютого 2016, 23:41
- Опубліковано: Середа, 03 лютого 2016, 23:41
- Перегляди: 3900
Автори:
Ван Ліцзюнь, Північно-китайський університет водних ресурсів і електроенергії, м. Чженчжоу, провінція Хенань, КНР
Лю Юань, Північно-китайський університет водних ресурсів і електроенергії, м. Чженчжоу, провінція Хенань, КНР
Сун Юйфен, Північно-китайський університет водних ресурсів і електроенергії, м. Чженчжоу, провінція Хенань, КНР
Ян Чженьчжун, Північно-китайський університет водних ресурсів і електроенергії, м. Чженчжоу, провінція Хенань, КНР
Реферат:
Мета. Єдиним шляхом вирішення наростаючих проблем енергетичної кризи та забруднення довкілля стає пошук екологічно чистого поновлюваного альтернативного палива для автомобільних двигунів. У роботі представлене експериментальне дослідження двигунів на водневому паливі. Зважаючи на деякі характеристики процесу горіння водню, частими є ситуації виникнення раннього запалення (передчасного займання) та зворотного спалаху (зворотного удару). Оптимізація випередження запалення сприяє запобіганню відхилень у процесі згорання.
Методика. На основі даних щодо регулювання запалення двигуна на водневому паливі, отриманих на експериментальній системі, розроблена модель оптимізації випередження запалення, що є функцією частоти обертання та навантаження двигуна. Вона ґрунтується на нейронній мережі з нечіткою логікою та оптимізації методом рою часток. Модель була експериментально протестована.
Результати. Експеримент показав, що середня абсолютна похибка розрахунків складає 0,704, а середня відносна похибка – 2,2%. Запропонований алгоритм дозволяє виробляти швидкий і точний розрахунок найкращого кута випередження запалення у двигунах на водневому паливі.
Наукова новизна. Уперше в експериментальній системі двигуна на водневому паливі використана модель на основі нейронної мережі з нечіткою логікою, оптимізованою методом рою часток, що просуває використання алгоритмів штучного інтелекту в машинобудуванні.
Практична значимість. Доведена ефективність використання моделі на основі нейронної мережі з нечіткою логікою, оптимізованою методом рою часток як підхід до оптимізації випередження запалення. Вона дозволяє обходитися без великої кількості калібрувальних випробувань, значно зменшує трудомісткість експериментів і підвищує ефективність.
Список літератури / References:
1. Sebastian Verhelst and Thomas Wallner (2009), “Hydrogen-fueled internal combustion engines”, Progress in Energy and Combustion Science, vol.35, no.6, pp. 490−527.
2. Junfa Duan, Fushui Liu and Baigang Sun (2014), “Backfire control and power enhancement of a hydrogen internal combustion engine”, International Journal of Hydrogen Energy, vol.39, no.9, pp. 4581−4589.
3. Tien Ho and Vishy Karria (2010), “Basic tuning of hydrogen powered car and artificial intelligent prediction of hydrogen engine characteristics”, International Journal of Hydrogen Energy, vol.35, no.18, pp. 10004−10012.
4. Anuj Pal and Avinash Kumar Agarwal (2015), “Comparative study of laser ignition and conventional electrical spark ignition systems in a hydrogen fuelled engine”, International Journal of Hydrogen Energy, vol.40, no.5, pp. 2386−2395.
5. Kaname Naganuma and Toru Honda (2010), “Efficiency and Emissions-Optimized Operating Strategy of a High-pressure Direct Injection Hydrogen Engine for Heavy-duty Trucks”, SAE International Journal of Engines, vol.2, no.2, pp. 132−140.
6. Salama, M.M.A (2002), “Determination of neural-net-work topology for partial discharge pulse pattern recognition”, IEEE Transactions on Neural Networks, vol.13, no.2, pp. 446−456.
7. Yu, Jiang (2008), “Research of PSO-BP optimal algorithm in material moisture measurement”, The 2nd International Symposium on Intelligent Information Technology Application, vol.2, pp. 293−297.
8. Li, Rui (2010), “A particle swarm optimized fuzzy neural network for bankruptcy prediction”, International Conference on Future Information Technology and Management Engineering, vol.2, pp. 557−560.
9. Kennedy, J., Eberhart, R.C. (1995), “Particle swarm optimization”, Proceedings IEEE International Conference on Neural Networks, vol.4, pp. 1942−1948.
10. Wang Lijun (2006), “Research on optimal calibration technology for hydrogen-fueled engine based on nonlinear programming theory”, International Journal of Hydrogen Energy, vol.32, no.7, pp. 2747−2753.
11. Kim Y.Y., Lee Jong T. and Caton, J.A. (2006), “The development of a dual-injection hydrogen-fueled engine with high power and high efficiency”, Journal of Engineering for Gas Turbines and Power, vol.128, no.1, pp. 203−212.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |