h1

h2

h3

h4

h5
h6

DFG project G:(GEPRIS)317813673

Stabilisierung des GCAI-Brennverfahrens durch die Nutzung innerzyklischer Korrelationen (Teilprojekt 3)

CoordinatorProfessor Dr.-Ing. Jakob Andert ; Professor Dr.-Ing. Stefan Pischinger
Grant period2016 - 2025
Funding bodyDeutsche Forschungsgemeinschaft
 DFG
IdentifierG:(GEPRIS)317813673

⇧ FOR 2401 Optimierungsbasierte Multiskalenregelung motorischer Niedertemperatur-Brennverfahren ⇧

Note: Der Bedarf an Mobilität steigt stetig, gleichzeitig rücken steigende Freisetzung von anthropogenen CO2 aus fossilen Quellen sowie lokale Luftverschmutzungen zunehmend in den Fokus. Die Forschung an energieeffizienten und schadstoffarmen Fahrzeugantrieben kann hier einen wichtigen Beitrag leisten. Die ottomotorische kontrollierte Selbstzündung (GCAI) stellt einen vielversprechenden Ansatz dar, sowohl den Wirkungsgrad zu steigern als auch die Schadstoffemissionen zu reduzieren. Der Nutzung von GCAI stehen jedoch noch ungelöste Herausforderungen, wie die charakteristische Prozesscharakteristik mit autoregressiver Zyklenkopplung und die Abhängigkeit der Verbrennungsstabilität von den thermodynamischen Randbedingungen, entgegen. Ferner ist die Einschränkung des Kennfeldbereichs anzuführen. Um sowohl den transienten Betrieb zu ermöglichen als auch den möglichen Kennfeldbereich zu erweitern, liegt ein Fokus der Forschungsarbeiten auf regelungstechnisch basierten Konzepten. Es wird ein neuartiger optimierungsbasierter Multiskalenregelansatz zur Stabilisierung des GCAI-Brennverfahrens durch die Nutzung innerzyklischer Korrelationen verfolgt. In der ersten Projektphase konnte das Potential der In-Zyklus-Regelung bereits erfolgreich aufgezeigt werden. Von entscheidender Relevanz für modellbasierte Regelungen ist die Vorhersagegenauigkeit bei stochastisch auftretenden Ausreißerzyklen sowie der damit verbundenen Zyklenkopplung. Ein Schwerpunkt der experimentellen Arbeiten liegt auf der Methodik zur Erfassung des autoregressiven Charakters des Brennverfahrens durch transiente Anregungen. Aufgrund der Charakterisierung als Markov-Prozess wird davon ausgegangen, dass maschinelles Lernens (z.B. Reinforcement Learning) entscheidende Vorteile hat, die von konventionellen Methoden nicht erreicht werden können. Es sollen maßgeschneiderte Algorithmen zur Vermessung des GCAI-Prozesses entwickelt werden, um eine breite Datenbasis mit transienten Daten zur Systemidentifikation zu erzeugen. Ein Fokus der Prozessmodellierung liegt auf den Emissionen, um diese später in die Kostenfunktion der nichtlinearen modellprädiktiven Regelung einbinden zu können. Die Niedertemperaturkinetik ist stark abhängig von den thermodynamischen Randbedingungen, welche nicht direkt erfasst werden können. Zusätzliche Sensorkonzepte wie die Messung des Ionenstroms haben das Potential, den chemisch/thermodynamischen Zustand im Zylinder genauer zu bestimmen und in der Folge die Modellierung und Regelung zu verbessern. In Zusammenarbeit mit TP6 soll das Ionenstromsignal soweit analysiert werden, dass es als zusätzliche Eingangsgröße für den Regler verwendet werden kann. Über den Stand der Forschung hinaus sollen vor allem die Informationen aus dem Ionenstromsensor zur Verbesserung der Modelle verwendet werden. Schließlich wird untersucht, inwiefern sich der Ionenstrom als zusätzliche Sensorgröße zur Einbindung in die Regelung eignet. Die Regelung wird abschließend in MiL- und HiL-Betrieb validiert.
   

Recent Publications

All known publications ...
Download: BibTeX | EndNote XML,  Text | RIS | 

http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png Dissertation / PhD Thesis  ;  ;
Deep learning-based control of hydrogen dual-fuel engines
Aachen : RWTH Aachen University 1 Online-Ressource : Illustrationen () [10.18154/RWTH-2026-09783] = Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026  GO OpenAccess  Download fulltext Files BibTeX | EndNote: XML, Text | RIS

http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png Dataset  ;
Deep Neural Network Training Script incl. Data for HCCI Low-Temperature Combustion (alexwin9478/DnnTrainingHcci_pub: Zenodo)
Zenodo () [10.5281/ZENODO.10078477]  GO BibTeX | EndNote: XML, Text | RIS

All known publications ...
Download: BibTeX | EndNote XML,  Text | RIS | 


 Datensatz erzeugt am 2023-01-20, letzte Änderung am 2026-11-07



Dieses Dokument bewerten:

Rate this document:
1
2
3
 
(Bisher nicht rezensiert)