Análisis de métodos de estimación de parámetros de control para motores de combustión interna alternativos con sistemas dinámicos y fenómenos no-lineales.

Abstract

[ES] Con el objetivo de lograr una disminución de las emisiones contaminantes en los vehículos actuales, sin afectar su rendimiento, se utilizan distintas estrategias de control tales como el control en bucle abierto, de lazo cerrado o basado en modelos predictivos (MPC). En estos casos para obtener resultados satisfactorios es necesario contar con sensores o modelos que permitan estimar adecuadamente las distintas variables de control utilizadas. En el presente trabajo de fin de máster se analizan diferentes metodologías que permiten estimar las variables que afectan el funcionamiento del motor y que posteriormente pueden ser utilizados para diseñar nuevas estrategias de control. Concretamente, el trabajo explora los beneficios que pueden aportar el diseño de observadores y la aplicación de redes neuronales de una capa a la caracterización de sistemas dinámicos y fenómenos altamente no lineales, respectivamente. En el primer caso, se ha utilizado un motor de encendido por compresión con doble lazo de realimentación de los gases de escape (EGR): de baja y de alta presión. En este sistema la caracterización de las dinámicas, p.ej. retrasos en los gases de escape o acumulación en el colector de admisión, puede ser crítica para predecir la concentración de oxígeno en la cámara de combustión, y evitar así excesos de oxígeno que derivarían en picos de óxidos de nitrógeno (NOx). Para estimar adecuadamente las dinámicas en condiciones transitorias se ha utilizado un modelo de acumulación de gases en el colector de admisión y un modelo simplificado de primer orden para modelar el tiempo de respuesta existente en la concentración de oxígeno en el bucle de baja presión de EGR, considerando el de alta como instantáneo. Estos modelos han sido combinados con diferentes sensores mediante un observador (filtro de Kalman) para poder actualizar determinados parámetros del modelo como la eficiencia volumétrica, y así obtener estimaciones de la concentración de oxígeno no solo en el colector de admisión sino también en otros puntos del motor tales como el colector de escape y la línea de EGR. Respecto a la utilización de redes neuronales aplicadas a la automoción se ha escogido un motor en desarrollo con Turbulent Jet ignition (TJI), donde la combustión no es fácil de caracterizar mediante modelos de combustión tradicionales. Este motor consiste en una modificación de un motor de gasolina, al que se le añade una precámara para iniciar la combustión de la mezcla. Este concepto permite obtener mezclas pobres las cuales se caracterizan por obtener mejores eficiencias y menos emisiones, aunque también es propenso a sufrir fallos en el encendido de la mezcla lo cual llevaría a un aumento considerable de los contaminantes. En este caso se desarrolló un modelo basado en redes neuronales con el fin de predecir la ocurrencia de estos fallos en tiempo real. Conocer este parámetro de antemano le permitirá al sistema tomar las acciones de control correspondientes para evitar dichas situaciones.

[EN] To achieve a reduction on the pollutant emissions of the current propulsive systems without affecting its performance, different control strategies are used such as feedforward or feedback control as well as model predictive controllers (MPC). To obtain optimal results, these strategies draw on sensor measurements or theoretical models to determine the system states. The objective of this work is to analyze two widely used modelling methodologies to accurately estimate the parameters which affect the engine operation and that can be subsequently used to design new control strategies. Concretely, this work explores the benefits of implementing an observer to characterize dynamic systems and the application of neural networks to address highly non-linear phenomena. To apply the observer, a compression ignition engine with a dual exhaust gas recirculation system (low and high pressure) was used. In this kind of systems, the proper characterization of the states dynamics (e.g., exhaust gases delays or intake manifold accumulations) can be critical to predict the in-cylinder oxygen concentration and consequently avoid nitrogen oxides (NOx) peaks due to an excessive amount of oxygen going in the combustion chamber. To estimate these dynamics on transient conditions, an intake manifold accumulation model was used along with a simplified first order delay model to account for the oxygen concentration time response on the low-pressure EGR line (on the high-pressure EGR line an instantaneous response was considered). Using the previous models combined with different sensor measurements, an extended Kalman filter (observer) was applied to update some state variables such as the volumetric efficiency and obtain accurate estimations of the oxygen concentration not only in the intake manifold but in the exhaust manifold and in the EGR line as well. Regarding to the design of neural networks with one hidden layer in automotive applications, a research engine with a Turbulent Jet Ignition (TJI) system was chosen since the combustion process is hard to characterize with traditional combustion models. This engine is a modification of a gasoline engine where a pre-chamber is added to initiate the reactive mixture ignition. This concept has proven to be effective for obtaining a lean-burning combustion, hence achieving better thermal efficiencies and low emissions, although it is prone to suffer from misfires which leads to a major increase of pollutant emissions. To this matter, a classification model based on neural networks was designed to predict the misfire condition using experimental data. Identifying this problem before it occurs will allow the control system to take proper actions and prevent the misfires.