Mesterséges neurális hálózatok motortechnikai alkalmazása

Application of artificial neural networks for internal combustion engines

Abstract

Nowadays, artificial neural networks (ANNs) are widely used in the industry due to their various advantageous properties. The state-of-art researches are examining whether the technology can be used effectively in the control of internal combustion engines and in other engine-relevant applications. This paper analyses the predictive power of multilayer perceptron (MLP) neural networks in internal combustion engine applications. The training dataset of the used MLP network is derived from a stationary measurement dataset of a commercial diesel engine operated with conventional diesel fuel. Adam algorithm was used to train the neural network, and the correct network architecture was determined with a grid-search algorithm. The presented neural network was able to make accurate predictions. Thus, the results of our work show, in accordance with the literature, that MLP networks can accurately predict the investigated engine parameters at different stationary operating conditions.

Kivonat

Manapság a mesterséges neurális hálózatokat (ANN) különböző előnyös tulajdonságaik miatt az ipar számos területén alkalmazzák. Az új kutatások vizsgálják, hogy a belsőégésű motorok szabályzástechnikájában, illetve egyéb vonatkozó területeken hatékonyan alkalmazható-e a technológia. Ez a dolgozat a többrétegű perceptronos (MLP) neurális hálózatok predikciós képességét elemzi motortechnikai alkalmazás esetén. Az elkészített MLP hálózat tanító adatsora egy haszonjármű dízelmotor stacioner mérési adatsorából származik hagyományos dízel üzemanyag alkalmazásával. A hálózat betanításához Adam algoritmust használtunk, a helyes hálóstruktúrát pedig grid-search eljárással állapítottuk meg. Az elkészített neurális hálózat képes volt pontos predikciók készítésére. A dolgozat eredményei így a szakirodalommal összhangban azt mutatják, hogy az MLP hálózatok alkalmasak lehetnek az általunk vizsgált motorikus paraméterek pontos előrejelzésére a motor különböző stacioner üzemállapotaiban.