İçten yanmalı motorlarda geliştirme testlerinde kullanılan silindir içi basınç sensörlerinin doğruluğunu kontrol eden sanal motor modeli oluşturma

Abstract

İçten yanmalı motorların ürettiği zararlı egzoz gazların yasal sınırları gün geçtikçe daralmaktadır. Emisyon standartları denilen bu sınırlamaları sağlamak amacıyla motor üreticileri motor geliştirme çalışmalarının yanında motor geliştirme testleri yapmaktadırlar. Motor geliştirme testleri sırasında, motorun mekanik dayanımlarından birisi olan silindir içi yanmadan kaynaklı silindir içi maksimum basınç (PMAX) değeri sürekli takip edilmeli ve sınırlar içerisinde kalınmalıdır. PMAX değerleri, maliyetleri yüksek olan silindir içi basınç sensörleri ile takip edilmektedir. Sensörlere ek olarak anfi, bilgisayar gibi fazladan cihazlara ihtiyaç duyulmaktadır. Öte yandan sensörlerin silindir içine temas etmesi gerektiği için kızdırma bujileri sökülerek yerlerine silindir içi basınç sensörleri bir adaptör vasıtasıyla takılmaktadır. Sensör silindir içindeki yanmadan ötürü yüksek sıcaklık ve yüksek basınca maruz kalmakta ve bu sebeple zaman içerisinde sensör hassasiyeti ve ölçüm değerlerinde kaymalar meydana gelmektedir. Ölçüm değerlerinde kaymaların veya tutarsızlıkların meydana geldiği gözlemlendiğinde sensörlerin kalibre edilmesi gerekir. Sensörlerin kalibre edilmesi ise fazladan bir kalibratör cihaz ve referans sensörle sağlanmaktadır. Kızdırma bujilerine ve silindir içi basınç sensörlerine aynı anda ihtiyaç duyulduğu anlarda ise motor kafasına talaşlı işlem ile sensörlerin yerleştirileceği kanallar açılmalıdır. Bu talaşlı işlem yanma odası geometrisini bozduğu gibi aynı zamanda büyük çaba gerektirmektedir. Gelişen teknoloji ve modelleme teknikleriyle çoğu sensörlerin kullanımı kalkmış veya azalmıştır. Bu tez çalışmasında, motor geliştirme testleri süresince kullanılan maliyetleri yüksek olan silindir içi basınç sensörleri yerine geçebilecek ve/veya sensörlerin ölçümlerindeki kaymaları yakalayabilecek sanal sensör oluşturulabilirliği denenmiştir. Tez çalışmasında çok çeşitli modelleme tekniklerinden, hızlı işlem yapabilme kabiliyetli ve açıklanması güç olaylarda tahminleme yeteneği yüksek olan yapay sinir ağları tekniği seçilmiştir. Yapay sinir ağları tekniği ile eğitilecek modellerin öncelikle girdileri belirlenmek istenmiş ve 4 farklı girdi seti oluşturulmuştur. İkinci olarak modellerin gizli nöron sayıları belirlenmek istenmiş ve nöron sayıları 2, 3, 4, 5, 10 ve 20 olacak şekilde 4 farklı girdi seti için toplamda 24 adet model eğitilmiştir. Bu 4 farklı girdi setiyle eğitilen 24 adet modelin sonuçları incelendiğinde 2 girdi seti daha oluşturulmuştur. Toplamda 26 adet model eğitilmiş ve sonuçları karşılaştırılmıştır. Motor geliştirme testleri sırasında koşulan Genişletilmiş Deneysel Tasarım - EDOE (Extended Design of Experiments) testinin sonuçlarından elde edilen 2533 farklı çalışma noktasına ait ölçümler ile modeller eğitilmiştir. Eğitilen her bir model tekrardan motor geliştirme testleri sırasında koşulan motor haritalama testinin sonuçlarından elde edilen 196 farklı çalışma noktasına ait ölçümler ile çevrimdışı test edilmiştir. Haritalama testi sonuçlarına göre en iyi sonucu veren model seçilmiştir. En iyi sonucu veren model çevrimiçi gerçek zamanlı olarak motor geliştirme testleri süresince çalıştırılmış ve sonuçları kayıt altına alınmıştır. Çevrimiçi gerçek zamanlı çalışan model motor haritalama testi süresince çalıştırılmıştır. Model ve sensör ölçümleri arasındaki fark ±4 bar ve R değeri 0,99681 olarak kaydedilmiştir. Haritalama testinden sonra motorun hızlı manevralar yaptığı Dünya Uyumlaştırılmış Test Çevrimi - WHTC (World Harmonized Transient Cycle) testi süresince çalışan model ve sensör ölçümleri arasındaki fark ± 7 bar ve R değeri 0,9965 olarak kaydedilmiştir. WHTC testi daha detaylı incelendiğinde, ±4 bar ve üstü farkların oluştuğu bölgelerin aslında yüksek basınç bölgeleri olmadığı görülmüştür. Motorun silindir içi maksimum basınç dayanımına yakın bölgelerde sensör ve model çıktıları arasındaki farkın ±4 bar sınırında kaldığı gözlemlenmiştir. Nihayetinde doğru girdiler, doğru nöron sayısı ve geniş eğitim seti ile eğitilen yapay sinir ağları modelinin sensörlere yakın tahminlemeler yaptığı ve sensörlerden daha hızlı tepki verdiği sonucuna ulaşılmıştır.