Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/33350
Título: | Model-based ai approach for knock control in spark ignition engine by vibration block modeling |
Título(s) alternativo(s): | Abordagem de inteligência artificial baseada em modelos para controle de detonação em motor de ignição por centelha por meio de modelagem de blocos de vibração |
Autor(es): | Tosso, Hilkija Gaius |
Orientador(es): | Santos, Max Mauro Dias |
Palavras-chave: | Inteligência artificial Automóveis - Ignição Detonação Controladores elétricos Calibração Redes neurais (Computação) Atenção - Testes Vibração Artificial intelligence Automobiles - Ignition Blasting Electric controllers Calibration Neural networks (Computer science) Attention - Testing Vibration |
Data do documento: | 22-Dez-2023 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Ponta Grossa |
Citação: | TOSSO, Hilkija Gaius. Model-based ai approach for knock control in spark ignition engine by vibration block modeling. 2023. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2023. |
Resumo: | A Detonação do Motor representa uma ameaça significativa para a integridade e o desempenho dos motores de ignição por faísca, levando a uma diminuição da eficiência, potência e desempenho geral. As estratégias de controle tradicionais utilizam sensores de detonação para identificar e mitigar esses efeitos adversos, embora estes nem sempre possam fornecer respostas precisas ou oportunas. Este trabalho apresenta uma abordagem inovadora baseada em modelos para o controle de detonação, utilizando técnicas de Inteligência Artificial. Especificamente, propomos um modelo de Rede Neural Artificial de séries temporais projetado para simular as vibrações do bloco do cilindro do motor de Ignição por Faísca. Este estudo investiga modelos baseados em mecanismos de atenção, Long Short Term Memory (LSTM), e modelos de Rede Neural Convolucional. Esses modelos são treinados usando dados vibracionais de blocos de motores, desenvolvendo assim uma compreensão abrangente dos comportamentos únicos do motor. Entre os modelos, o modelo LSTM com mecanismos de atenção apresentou um desempenho ligeiramente superior, superando os outros dois modelos em toda a gama de condições de vibração do motor. Apesar dos resultados promissores, são necessários mais aprimoramentos e ajustes desses modelos para a implementação no mundo real. O modelo de IA proposto oferece uma direção promissora para avanços na tecnologia de controle de detonação, com implicações potenciais para melhorar a durabilidade, o desempenho e a eficiência de combustível. |
Abstract: | Engine Knock poses a signifcant threat to the integrity and performance of spark ignition engines, leading to decreased efciency, power, and overall performance. Traditional control strategies utilize knock sensors to identify and mitigate these adverse efects, although these may not always provide accurate or timely responses. This presents an innovative model-based approach to knock control, utilizing Artifcial Intelligence (AI) techniques. Specifcally, we propose a time-series Artifcial Neural Network (ANN) model designed to simulate SI Engine Cylinder block vibrations. This study investigates transformer models, Long Short-Term Memory (LSTM), and Convolutional Neural Network (CNN) models. These models are trained using vibrational data from engine blocks, thereby developing a comprehensive understanding of the unique behaviors of the engine. Among the models, the Attention LSTM model showed slightly superior performance, outperforming the other two models across the full range of engine vibration conditions. Despite promising results, further refnement and tuning of these models are required for real-world implementation. The proposed AI model ofers a promising direction for advancements in knock control technology, with potential implications for enhancing engine durability, performance, and fuel efciency. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/33350 |
Aparece nas coleções: | PG - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
modelbasedaiapproachknockcontrolspark.pdf | 4,45 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons