Control de motores de combustión interna alternativos para minimizar consumo y emisiones contaminantes en condiciones de conducción real

Abstract

Los métodos de control de motores de automoción actuales se basan principalmente en el uso de mapas de calibración estáticos para los parámetros de control. La calibración de esos mapas se lleva a cabo sustancialmente a partir de un conjunto de experimentos en puntos de operación estacionarios que intentan emular las condiciones del ciclo de homologación. El proceso de calibración consiste en elegir el conjunto de parámetros de control que maximizan una función de mérito, que contempla diferentes criterios como el consumo de combustible, las emisiones y cualquier otro aspecto de interés. En la condiciones de conducción real, el motor usa valores interpolados de los mapas implementados en combinación con correcciones para tener en cuenta aspectos del funcionamiento dinámico del motor. La creciente complejidad del motor ha hecho que el proceso de calibración requiera un uso extensivo de tiempo y recursos, probando un amplio conjunto de combinaciones de parámetros de control. A pesar de esto, hay dos inconvenientes principales de este enfoque: la mayoría de la información obtenida durante las pruebas de calibración no se utiliza, ya que solo la calibración final se implementa en el vehículo. Además, el enfoque de usar una calibración estática puede funcionar de manera óptima para el conjunto de pruebas consideradas durante el proceso de calibración, pero esas condiciones pueden diferir sustancialmente de las condiciones de funcionamiento en la conducción real. Dado que los NOx, que son las principales emisiones de contaminantes en los motores Diesel están cada vez más extendidos, y las capacidades de emoria y tiempo de cálculo la ECU aumentan continuamente, este trabajo propone adaptar los ajustes de control del motor para minimizar el consumo de combustible durante la conducción real, pero asegurando las emisiones de NOx del vehículo están por debajo de un límite definido.

Con este objetivo, el presente TFM explorará diferentes técnicas de fusión de datos para estimar el patrón de conducción a partir de datos históricos del vehículo y fuentes de información externas, como GPS o redes V2I, y luego evaluará el uso de diferentes técnicas de control óptimo para minimizar el consumo de combustible / emisiones en tiempo real.

State-of-the-art engine control methods are mainly based on the use of static calibration maps for the control parameters. The calibration of those maps is carried out substantially from a set of experiments at the steady-state engine operating points that try to emulate the conditions of the homologation cycle. Based on a Design of Experiments, the calibration process consists of choosing the set of control parameters that maximise a merit function, considering the tradeoff between fuel consumption, emissions and any other criteria. In real operation, the engine uses interpolated values of the implemented maps in combination with corrections for dynamic phases. The rising engine complexity has made the calibration process require extensive use of time and resources, testing a wide set of control parameters combinations. Despite of this, there are two main drawbacks of such an approach: Most of the information obtained during calibration tests is not used since only the final calibration is implemented in the vehicle. Also, the static calibration approach may work in an optimal way for the set of tests considered during the calibration process, but those conditions may substantially differ from the actual operating conditions in real driving. Since NOx, which are the main pollutant emissions in Compression Ignition (CI) engines are becoming more and more widespread, and ECU capabilities are continuously increasing, this work proposes to adapt the engine control settings to minimise fuel consumption during real driving, but assuring that the NOx emissions of the vehicle are below a defined limit.

With this aim, the present TFM will explore different data fusion techniques to estimate the driving pattern from historical data of the vehicle and external information sources such as GPS or V2I networks and then evaluate the use of different optimal control techniques to minimise fuel consumption/emissions in real time.