Modélisation du moteur diesel, en vue de sa commande dynamique par réseaux de neurones pour minimiser les émissions

par Rabih Omran

Thèse de doctorat en Sciences. Thermique et énergétique

Sous la direction de Jean-Claude Champoussin.

Soutenue en 2007

à l'Ecully, Ecole centrale de Lyon .


  • Résumé

    Le transport routier est l’un des contributeurs majeurs au réchauffement climatique et à la pollution de l’air. La réduction de ces effets, passe par la minimisation de la consommation de carburant, dans le respect des réglementations imposées. Dans cette thèse, nous proposons une procédure automatique pour déterminer les valeurs optimales des paramètres de contrôle du moteur Diesel, satisfaisant les critères de consommation et émissions minimales, dans toute sa plage de fonctionnement, en régime dynamique. Ce contrôle comprend deux étapes : une recherche préalable « Off Line » des valeurs optimales des paramètres, suivie d’une intégration des valeurs obtenues dans un contrôleur à réseaux de neurones « On Line ». Dans ce but, des modèles sont d’abord élaborés pour décrire le comportement mécanique du moteur et les émissions elles-mêmes (CO2, CO, HC, NOx, PM), en suivant deux approches : les modèles physiques en valeurs moyennes et les réseaux de neurones. Les coefficients de ces modèles sont identifiés à partir des données expérimentales, acquises sur banc d’essais moteur. Ensuite l’optimisation est faite « Off Line » sur un ordinateur puissant dans le but d’obtenir les cartographies dynamiques multidimensionnelles décrivant les valeurs à attribuer aux paramètres de contrôle, sur un cycle (par exemple NEDC) ou sur toute la plage de fonctionnement du moteur. L’exploitation directe des résultats d’optimisation exige cependant un nombre très important de cartographies. Or l’ECU n’a pas actuellement la capacité de mémoriser ni de gérer toutes ces cartes. Les cartographies dynamiques constituent alors la base d’apprentissage permettant de déterminer les valeurs des poids et biais d’un contrôleur à réseaux de neurones. Ce contrôleur a l’avantage de reproduire « On Line » et avec une grande précision les paramètres de contrôle optimaux, dans un temps de calcul très court. Il est donc exploitable dans les applications moteur en temps réel. Nous avons appliqué cette méthodologie, en tout ou partie, à trois moteurs différents. Sur un moteur automobile répondant aux normes Euro 5 et commandé via 12 paramètres de contrôle, nous avons établi et validé un modèle physique du mouvement du vilebrequin et des modèles des émissions à réseaux de neurones. Le modèle physique est basé sur des modèles empiriques de la PMI et de la PMF et sur le calcul de la charge du véhicule (frottements roues-sol, traînée aérodynamique, inertie véhicule) rapportée sur l’axe du vilebrequin. Sur un second moteur automobile répondant aux normes Euro 3 et commandé via 6 paramètres de contrôle, nous avons établi des modèles à réseaux de neurones du mouvement du vilebrequin et des émissions. Les modèles des émissions sont précis et fiables alors que le modèle du vilebrequin manque de précision à cause de l’insuffisance des données d’apprentissage. Ensuite ces modèles sont exploités pour minimiser les émissions du moteur sur le cycle NEDC. Les résultats d’optimisation montrent les effets contradictoires du débit Pilot, des avances à l’injection Main et Pilot et de la pression rail, sur l’émission des NOx et de l’opacité et éventuellement le compromis à faire entre la réduction des NOx et des PM. Sur un moteur de poids lourds commandé via la géométrie variable du turbocompresseur, nous avons établi des modèles physiques en valeurs moyennes du moteur et un modèle semi-empirique de l’opacité. Un contrôleur du débit d’air, à réseaux de neurones, construit d’après les valeurs optimales de la géométrie variable de la turbine et des variables moteur minimisant l’opacité, a été exploité sur des simulations en temps réel du moteur. Sur des trajets dynamiques, l’opacité est réduite jusqu’à 70%, montrant tout l’intérêt de ce contrôleur. Cette méthodologie peut être étendue, sans restriction, à plusieurs variables à commander.

  • Titre traduit

    Diesel engine modeling and control using neural networks to minimize its emissions


  • Résumé

    The transport sector is one of the major contributors to global warming and air pollution. The reduction of these effects involves the minimization of fuel consumption while respecting the emissions standard regulations. In this thesis, we propose an automated method to determine the optimal control variables of a diesel engine which satisfy the criteria of minimum fuel consumption and emissions in the entire engine operating area, under transient conditions. The suggested engine control methodology is divided into two steps: a preliminary research "Off Line" of the optimal control variables, followed by integration "On Line" of the obtained values in a controller based on neural networks. In order to achieve this goal, several models were first developed to describe the mechanical behavior of the engine and the emissions (CO2, CO, HC, NOx, PM), by using two different approaches: the mean values physical models and the neural networks. The parameters of these models are identified from the experimental data collected on engine test benches. Then the optimization is done "Off Line" on a high quality and fast computer in order to obtain the dynamic multidimensional maps describing the set up values of the control variables over a dynamic cycle (ex. NEDC), or over the entire operating area of the engine. However the direct use of optimization results in real time engine applications requires a very large number of maps. Actually the ECU does not have the capacity to store or manage all these maps. Therefore the dynamic maps constitute the learning database to determine the weights and biases of a neural controller. This controller has the advantage of reproducing "On Line" and with great precision the optimal control variable and it has a fast time response. These characteristics make it an excellent controller in real time engine applications. We applied the proposed methodology, entirely or partly, to three different engines. Over an Euro 5 diesel engine controlled using 12 variables, we developed and validated a physical model of the crankshaft angular speed and neural models of emissions. The physical model is based on empirical models of the PMI and the PMF and the vehicle charge (friction wheels-road, aerodynamic drag and vehicle inertia) transferred to the crankshaft axis. Over an Euro 3 diesel engine controlled using 6 variables, we build up neural models of the crankshaft angular speed and emissions. The emissions models are accurate and reliable while the model of the crankshaft angular speed lacks of precision because of insufficient training database. Then these models are used to minimize emissions of the engine on the NEDC cycle. The optimization results show the contradictory effects of the Pilot flow, Main and Pilot timing and rail pressure over the emission of NOx and opacity and eventually the compromise to be made between the NOx and PM reduction. Over a turbocharged heavy duty diesel engine controlled using the variable geometry of the turbine, we used the mean values models to describe the engine dynamical performance and a semi-empirical model of opacity. A neural controller of air flow was built using the optimal values of the turbine’s variable geometry that minimize the opacity. Then the controller was integrated in real time engine simulations. Over certain dynamic trajectories, the opacity is reduced by 70%, showing the power of the neural controller. The proposed methodology applied to one control variable can be extended, without limitation, to include several control variables.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (196 p.)
  • Annexes : 52 réf.

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Ecole centrale de Lyon. Bibliothèque Michel Serres.
  • Disponible pour le PEB
  • Cote : T2075
  • Bibliothèque : Ecole centrale de Lyon. Bibliothèque Michel Serres.
  • Non disponible pour le PEB
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.