Knowledge base: Warsaw University of Technology

Settings and your account

Back

Prediction of knock in a spark-ignition engine using artificial inteligence algorithms

Mateusz Cezary Rodak

Abstract

One of the limiting factors for improved performance of the spark ignited internal combustion engine is the phenomenon of knocking combustion. Caring about the natural environment forces us to consider use of alternative fuels, especially those with biocomponents. This study presents the process of obtaining, processing, building and ultimately analysis of prediction models of the phenomenon of knock using artificial intelligence algorithms based on experimental data from the spark ignition engine test. The analysis of the models allowed to determine which parameters of the engine work are the most correlated with the knock phenomenon. Experimental data was obtained from research conducted at Michigan Technological University. The engine was operated at variable speed, fuel with biocomponents in different proportions and at variable spark timing. The MATLAB environment was used to pre-arrange experimental data and to identify knock occurrence based on the pressure profiles inside the cylinder and also to assess how commonly used combustion stability indicators refer to experiments with and without knock. . R environment and packages created to facilitate machine learning such as "Caret", "NeuralNet" were used to eliminate useless parameters, divide data into test and training sets, train models and improve their performance by optimizing work parameters. A study focuses on two algorithms, Random Forest and Neural Network. The results of the analysis show that in terms of the accuracy of the model, the neural network was better, reaching 94.74%, against the Random Forest algorithm, which reached 89.47% accuracy. The undertaken approach allowed to create a model of classification of knock occurence without using data from the interior of the combustion chamber.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Mateusz Cezary Rodak (FPAE) Mateusz Cezary Rodak,, Faculty of Power and Aeronautical Engineering (FPAE)
Title in Polish
Predykcja stuku w silniku o zapłonie iskrowym z wykorzystaniem algorytmów sztucznej inteligencji
Supervisor
Andrzej Teodorczyk (FPAE/IHE) Andrzej Teodorczyk,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Agnieszka Jach (FPAE/IHE) Agnieszka Jach,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Certifying unit
Faculty of Power and Aeronautical Engineering (FPAE)
Affiliation unit
The Institute of Heat Engineering (FPAE/IHE)
Study subject / specialization
, Energetyka (Power Engineering)
Language
(pl) Polish
Status
Finished
Defense Date
26-06-2019
Issue date (year)
2019
Pages
37
Internal identifier
MEL; PD-5143
Reviewers
Wojciech Rudy (FPAE/IHE) Wojciech Rudy,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE) Andrzej Teodorczyk (FPAE/IHE) Andrzej Teodorczyk,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Keywords in Polish
Spalanie stukowe, silnik spalinowy o zapłonie iskrowym, algorytmy sztucznej inteligencji, Random Forest, Sieci Neuronowe
Keywords in English
Knocking combustion, spark ignition engine, artificial intelligence algorithms, Random Forest, Neural Network
Abstract in Polish
Zjawisko stuku jest jednym z czynników ograniczających poprawę wydajności obecnych silników spalinowych. Dbanie o środowisko naturalne zmusza również by rozważyć wykorzystanie alternatywnych paliw, zwłaszcza tych z biokomponentami. W pracy przedstawiono proces pozyskania, przetworzenia, budowy oraz ostatecznie analizy modeli predykcji zjawiska spalania stukowego wykorzystując algorytmy sztucznej inteligencji na podstawie danych eksperymentalnych z badania silnika spalinowego o zapłonie iskrowym. Analiza modeli pozwoliła określić, które parametry pracy silnika są najbardziej skorelowane ze zjawiskiem stuku. Dane eksperymentalne pozyskane zostały z badań przeprowadzonych w Michigan Technological University. Opomiarowany silnik pracował przy zmiennej prędkości obrotowej, paliwie z biokomponentami w różnych proporcjach oraz przy zmiennym kącie wyprzedzenia zapłonu. Środowisko MATLAB wykorzystane zostało do wstępnego ułożenia danych eksperymentalnych oraz identyfikacji stuku na podstawie przebiegów ciśnienia we wnętrzu cylindra, sprawdzono również jak powszechnie używane wskaźniki stabilności procesu spalania odnoszą się do danych z podziałem na cykle stukające i niestukające. Środowisko R oraz pakiety stworzone w celu ułatwienia uczenia maszynowego takie jak „Caret”, „NeuralNet” zostały wykorzystane w celu eliminacji bezużytecznych w opisie stuku parametrów, podzielenia danych na dane tworzące model oraz dane sprawdzające dokładność przewidywań, budowy modeli, a także poprawę ich działania optymalizując parametry ich pracy. W pracy skupiono się na dwóch algorytmach, Lesie Losowym (Random Forest) oraz Sieci Neuronowej. Wyniki analizy pokazują, że pod względem dokładności modelu sieć neuronowa okazała się lepsza osiągając 94,74%, wobec algorytmu Random Forest który osiągnął 89,47% dokładności. Przyjęte podejście pozwoliło stworzyć model klasyfikacji stuku bez wykorzystania danych z wnętrza komory spalania.
File
  • File: 1
    Mateusz_Rodak_praca_inżynierska.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 34887

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUTe55c19860bc34112b34dd69e29d73c5b/
URN
urn:pw-repo:WUTe55c19860bc34112b34dd69e29d73c5b

Confirmation
Are you sure?
Report incorrect data on this page