Sichere Systemidentifikation und Regelung der ottomotorischen Selbstzündung durch maschinelles Lernen

Bedei, Julian; Andert, Jakob Lukas; Trimpe, Johann Sebastian

doi:HT031288586

Sichere Systemidentifikation und Regelung der ottomotorischen Selbstzündung durch maschinelles Lernen = Safe system identification and control of homogeneous charge compression ignition using machine learning

Bedei, Julian^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Julian Bedei

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Andert, Jakob Lukas (Thesis advisor)^RWTH* ; Trimpe, Johann Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-09-03

Online
DOI: 10.18154/RWTH-2025-07998
URL: http://publications.rwth-aachen.de/record/1018815/files/1018815.pdf

Einrichtungen

Projekte

DFG project G:(GEPRIS)277012063 - FOR 2401: Optimierungsbasierte Multiskalenregelung motorischer Niedertemperatur-Brennverfahren (277012063) (277012063)

Inhaltliche Beschreibung (Schlagwörter)
Prozessregelung (frei) ; ethanol (frei) ; homogeneous charge compression ignition (HCCI) (frei) ; künstliche neuronale Netze (frei) ; maschinelles Lernen (frei) ; reinforcement learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Der Klimawandel zählt zu den größten globalen Herausforderungen. Trotz der zunehmenden Elektrifizierung des Verkehrs bleiben Verbrennungsmotoren weltweit von Bedeutung. Um deren Treibhausgasemissionen zu reduzieren, ist eine Effizienzsteigerung essenziell. Die homogene Kompressionszündung (engl.: Homogeneous Charge Compression Ignition, HCCI) bietet das Potential, sowohl die Effizienz zu erhöhen als auch simultan die Stickoxidemissionen (NOx) durch niedrige Verbrennungstemperaturen zu senken. Die Regelung des HCCI-Prozesses ist jedoch aufgrund von Nichtlinearitäten, stochastischen, autoregressiven Charakteristika und Mehrgrößenverhalten (engl.: Multiple Input Multiple Output, MIMO) herausfordernd. Wegen der Abhängigkeit der Verbrennung vom thermodynamischen und chemischen Gemischzustand ist es zur Prozessstabilisierung erforderlich, Zustandsschwankungen im geschlossenen Regelkreis zu minimieren. Zur Berücksichtigung von innerzyklischen Schwankungen des Zustands wird in dieser Arbeit neben einer zyklischen Regelskala das Potential einer zusätzlichen innerzyklischen Regelschleife dargestellt. Hierfür werden Methoden des maschinellen Lernens verwendet, welche große Datenmengen erfordern, die in Interaktion mit dem Realprozess erzeugt werden müssen, um sämtliche Kreuzkopplungen zwischen Stell- und Zustandsgrößen zu erfassen. Zur sicheren Exploration des Versuchsraums wird ein Vermessungsalgorithmus zur Interaktion mit dem Prozess auf beiden Zeitskalen implementiert, wobei die stochastischen Prozessgrenzen ermittelt werden. Die erzeugten Daten werden genutzt, um künstliche neuronale Netze (KNN) zu trainieren, die echtzeitfähig in die Multiskalenregelung integriert werden. Hiermit werden die Vorteile des Multiskalenansatzes erstmalig experimentell belegt. Im Vergleich zu einer rein zyklischen Regelung wird die Standardabweichung der Verbrennungsschwerpunktlage, die ein Maß für die Verbrennungsstabilität ist, um 19,7% reduziert. Die während der Vermessung ermittelten Prozessgrenzen, ermöglichen zudem erstmals bestärkendes Lernen (engl.: Reinforcement Learning, RL) in Interaktion mit dem sicherheitskritischen System eines HCCI-Prüfstands anwenden zu können. Das Potential von RL wird durch die lasttransiente Prozessregelung unter Einhaltung sicherheitsrelevanter Nebenbedingungen gezeigt. Überdies wird die Adaptionsfähigkeit von RL genutzt, um die Emissionen bei Teilsubstitution des Ottokraftstoffs durch Ethanol zu reduzieren. Diese Arbeit zeigt das Potential von Ansätzen des maschinellen Lernens zur HCCI-Regelung, mit denen sowohl eine Verbesserung der Stabilität als auch eine Verringerung der Emissionen erzielt werden können. Darüber hinaus bietet die entwickelte RL-Werkzeugkette aufgrund der Anpassungsfähigkeit der Algorithmen eine Grundlage für systematische Folgestudien.

Climate change is one of the greatest global challenges. Despite the increasing electrification of the transportation sector, combustion engines remain significant worldwide. Enhancing their efficiency is essential for reducing greenhouse gas emissions. Homogeneous charge compression ignition (HCCI) offers the potential to improve efficiency while simultaneously reducing nitrogen oxide emissions (NOx) through low combustion temperatures. However, controlling HCCI is challenging due to non-linearities, stochastic, autoregressive characteristics and multiple input multiple output (MIMO) behavior. Since the combustion depends on the thermodynamic, chemical state of the mixture, minimizing state fluctuations through closed-loop control is necessary for process stabilization. In this work, to account for innercyclic fluctuations of the mixture state, in addition to a cyclic control scale, the potential of an additional innercyclic control loop is demonstrated. To achieve this, machine learning algorithms are employed, requiring large data sets generated through interaction with the real process to capture all cross-couplings between control and state variables. For safe exploration of the experimental space, a measurement algorithm is implemented to interact with the process on both time scales, enabling the identification of stochastic process limitations. The generated data is used to train artificial neural networks (KNN), which are integrated into the multiscale control through a real-time capable implementation. Thus, the benefits of the multiscale approach are demonstrated experimentally for the first time. Compared to a purely cyclic control, the standard deviation of the combustion phasing, which is a measure of combustion stability, is reduced by 19,7%. Furthermore, the process limitations identified during measurement allow for the application of Reinforcement Learning (RL) to interact with the safety-critical system of an HCCI test bench for the first time. The potential of RL is demonstrated through load-transient process control while adhering to safety-relevant boundary conditions. Additionally, the adaptability of RL is leveraged to reduce emissions by partially substituting gasoline with ethanol. This work highlights the potential of machine learning approaches for HCCI control to achieve both improved stability and reduced emissions. Moreover, given its adaptability, the developed RL toolchain provides a framework for systematic follow-up studies.

OpenAccess:
PDF
(additional files)