CC BY
32
DOI: 10.24412/2413-2527-2021-428-9-15
Моделирование расхода топлива для тяжелых транспортных средств с использованием искусственных нейронных сетей
О. А. Дурницын Тюменский индустриальный университет Тюмень, Россия durnitsynoa@mail.ru
Аннотация. В статье представлен подход искусственной нейронной сети к моделированию расхода топлива транспортных средств большой грузоподъемности. Предлагаемый метод использует легкодоступные данные, собранные по шине CAN грузовика. В качестве эталона используется традиционный метод, основанный на полиномиальной регрессионной модели. Расход топлива измеряется в двух различных испытаниях, выполняемых с использованием уникального испытательного стенда для приложения нагрузки к двигателю. Был проведен тест переходного состояния, чтобы оценить полиномиальную регрессию и 25 моделей нейронных сетей с различными параметрами. На основании полученных результатов была выбрана лучшая модель нейронной сети. Затем был проведен проверочный тест с использованием реальных нагрузок рабочего цикла для сравнения моделей. Нейросетевая модель превзошла традиционный метод и гораздо лучше отражает расход топлива двигателя, работающего в переходных режимах. Представленный метод может быть применен для снижения расхода топлива в транспортных средствах общего назначения, обеспечивающих точную модель экономии топлива грузовых автомобилей, в частности в диапазоне низких оборотов двигателя и крутящего момента.
Ключевые слова: нейронная сеть, двигатель внутреннего сгорания, большегрузный грузовик, экономия топлива, специальный автомобиль, автобетоносмеситель, цикл движения.
Введение
Грузовые автомобили, независимо от того, используются ли они для грузовых перевозок или в качестве коммерческих транспортных средств, играют важную роль в экономике страны, и повышение их топливной эффективности, несомненно, может оказаться весьма полезным. Существует довольно много опубликованных исследований, описывающих эффективность работы дизельных двигателей в транспортных средствах. Однако подавляющее большинство работ сосредоточено на потреблении топлива и мало исследований по топливной эффективности рабочего цикла грузовых автомобилей специального назначения, т. е. автобетоновозов, самосвалов, бетононасосов, грузовиков с краном и т. д. [1]. Обычно характеристики двигателя внутреннего сгорания (ДВС) получают в лабораториях с использованием испытательных стендов или шасси. Однако производители кузовов грузовых автомобилей и пользователи грузовых автомобилей обычно имеют ограниченный доступ к такому сложному оборудованию, использование которого требует много времени и
связано с высокими затратами. Альтернативным решением этой проблемы является использование бортовой системы диагностики автомобиля (БСДА) для регистрации данных о работе двигателя и получения их по шине CAN [2, 3]. Поскольку стандарт Системы управления автопарком (СУА) для регистрации данных шасси широко используется в грузовых автомобилях, выпущенных после 2012 года, сбор данных относительно прост и не требует вмешательства в бортовые системы транспортного средства. Этот стандарт предусматривает среди прочих параметров число оборотов двигателя n, крутящий момент T, мгновенный расход топлива или расход топлива Ge.
Цель данной работы — предложить подход на основе искусственной нейронной сети (ИНС) для прогнозирования расхода топлива на основе реальных эксплуатационных данных, чтобы точно определить производительность дизельного двигателя. Обычные методы требуют проведения испытаний в квазистационарных состояниях. Таким образом, для преодоления проблем, связанных с традиционными методами, необходимо разработать эффективные альтернативные методы, в которых вместо этого используются зарегистрированные данные шины CAN.
Наиболее широкое распространение при анализе топливной экономичности получили сети прямого распространения, такие как многослойный персептрон (МП) и сеть ра-диально-базисных функций (РБФ) [4, 5]. Они позволяют сравнить предсказанные моделью результаты с известными значениями зависимых переменных [6]. Нейросете-вые модели не требуют формулировки гипотез о взаимосвязи между зависимыми и независимыми переменными, расчет происходит в процессе обучения. Хотя результаты моделирования ИНС представляют систему «черный ящик» и с трудом поддаются интерпретации, оценка важности значений предикторов позволяет анализировать зависимость выходной функции от входных переменных.
Полученный на основе динамометрических испытаний результат использовался для прогнозирования расхода топлива, а затем сравнивался с реальными значениями, зарегистрированными с помощью бортовой диагностики. Такое применение привело к ошибкам прогнозирования до 10 %. Это было вызвано различиями в установившихся и переходных режимах работы двигателя. Ключевым аспектом метода, представленного в статье,
является прогнозирование расхода топлива на основе разработки модели ИНС, построенной с использованием данных CAN, собранных с грузовика, без необходимости в динамометрических испытаниях. Поэтому предлагаемый способ можно легко использовать без специального оборудования, изучая данные, собранные во время реальной эксплуатации грузовика, как во время транспортировки, так и с использованием блока отбора мощности. Испытательный стенд был подключен к двигателю шасси через коробку отбора мощности. Он использует гидравлическую систему для имитации нагрузки рабочего цикла или любой произвольной нагрузки, определяемой потребностями испытаний. Затем данные собираются с помощью шины CAN, как это может быть сделано во время реальной повседневной эксплуатации транспортного средства.
Описание проверенного шасси и испытательного стенда
Основная концепция испытаний, представленных в этом исследовании, заключалась в том, чтобы установить двигатель в желаемую рабочую точку и измерить его расход топлива. Это было сделано как в квазистационарных, так и в переходных состояниях. Затем собранные данные были использованы для калибровки различных моделей и оценки их точности. Испытания проводились с использованием испытательного стенда (ИС), установленного на шасси Scania P320, оснащенного двигателем объемом 9,3 дм3 (максимальная мощность 235 кВт и максимальный крутящий момент 1600 Нм). Концепция испытательного стенда основана на приложении нагрузки с использованием блока отбора мощности в качестве регулируемой нагрузки двигателя генератора. Насос, подключенный к блоку, приводит в действие гидравлическую систему. Загрузка системы может быть скорректирована в соответствии с ожидаемой историей загрузки. Мощность двигателя определяется его крутящим моментом T и частотой вращения п. Это передается в гидравлическую систему. Мощность этой системы определяется произведением расхода масла Q и давления p:
^ х Т х п = Q х р ,
где п — эффективность насоса.
Используя испытательный стенд, можно получить произвольную плотную сетку точек измерения в диапазоне максимальной мощности блока. ИС может быть установлен на любом шасси грузовика, если он оснащен блоком отбора мощности. В случае, если на раме недостаточно места, на транспортном средстве устанавливается только насос, а масло подается в гидроагрегат с помощью гидравлических шлангов. Для целей этого исследования ИС был прикреплен к раме шасси с помощью винтов, а гидравлический насос был подключен к блоку отбора мощности двигателя с помощью гомокинетиче-ского вала. Последним шагом было подключение блока управления ИС к шине CAN шасси. Весь процесс монтажа занял у двух рабочих менее часа. Окончательный испытательный стенд представлен на рисунке 1. Были проведены три типа испытаний: квазистационарное состояние, переходное состояние и проверочный тест. Они подробно описаны в последующих разделах.
Рис. 1. Испытательный стенд во время испытаний, установленный на шасси Scania
Эталонная модель — полиномиальная регрессия
Традиционный подход к определению общих характеристик ДВС заключается в приложении постоянной нагрузки при постоянной скорости в различных рабочих точках и измерении расхода топлива. В силу особенностей двигателя внутреннего сгорания вышеуказанные условия считаются квазистационарными. Этот метод широко используется для оценки производительности двигателя и расхода топлива. Затем в качестве аппроксимирующей функции используется полиномиальная регрессия 3-й степени. Поскольку исследование рассматривается как функция двух переменных, результат аппроксимации соответствует поверхности с коэффициентами полинома, рассчитанными с использованием метода наименьших квадратов. Стоит отметить, что в этом методе для построения модели используются все точки измерения, не оставляя неиспользуемых точек для целей тестирования.
Испытание на переходное состояние
Во время работы установки, как и в большинстве внедорожников, частота вращения двигателя обычно устанавливается на постоянное значение. Из-за потребности в мощности, генерируемой гидравлической системой, указанный крутящий момент двигателя постоянно меняется для поддержания постоянной скорости. Этот процесс управляется электронным блоком управления двигателем (ЭБУ), который также позволяет регистрировать данные по шине CAN [7]. На основе этих настроек был проведен тест переходного состояния: частота вращения двигателя была установлена постоянной в течение 50 секунд, а нагрузка менялась каждые 3, 4 или 5 секунд случайным образом. Затем частота вращения двигателя была установлена ступенчато на следующее значение из диапазона [700, 750, ..., 1150, 1200]. Далее 50 секунд изменения нагрузки были применены снова. Этот процесс повторяется, в результате чего собираются измерения для 11 различных оборотов двигателя. Отрывок из него представлен на рисунке 2. Задержка (по времени) At между увеличением или уменьшением Ge и T может быть легко визуализирована со значениями в диапазоне от 0,5 до 1,5 секунд.
Рис. 2. Частота вращения двигателя п, крутящий момент Т и расход топлива Ое во время испытаний в переходном состоянии.
Испытание на переходное состояние привело к 6 000 наблюдений во всем исследуемом диапазоне оборотов двигателя. Для дальнейшего анализа набор данных был случайным образом отобран до размера 600 и разделен на обучающий и тестовый наборы в пропорции 80:20 соответственно [8].
Проверочный нагрузочный тест Для проверки моделей был собран второй набор измерений. Аналогично испытанию на переходное состояние, для каждой постоянной частоты вращения двигателя нагрузка прилагалась 6 раз с интервалами в 10 минут между испытаниями. Основное внимание было уделено расходу топлива в циклах нагрузки по 33 с, которые аналогичны реальному рабочему циклу. Примеры этого показаны на рисунке 3.
Рис. 3. Цикл нагрузки для п = 900, 1000 и 1200 оборотов в минуту в проверочных испытаниях
В результате проверочного теста было выполнено 65 циклов нагрузки, по 6 на частоту вращения двигателя (один цикл был отброшен из-за ошибки регистрации). Краткое описание теста представлено в таблице 1.
Таблица 1
Краткое описание проведенных испытаний
Тест Переходные Нагрузка
состояния на проверку
Диапазон п 650 - 1 250 об/мин
Диапазон Т 50 - 500 Нм
Количество наблюдений 6 000 12 000
Продолжительность 10 мин 20 мин
Общее количество 1 110 г 2 670 г
использованного топлива
Полиномиальная регрессия
ДЛЯ ПЕРЕХОДНЫХ СОСТОЯНИЙ Прежде чем представить подход, основанный на ИНС, необходимо изучить результат применения более традиционного метода к данным о переходных состояниях. Тренировочные заданные значения были аппроксимированы с использованием поверхности полинома 3-й степени (рис. 4). Ключевые показатели для этой модели: RMSE = 1,33, R2 = 0,811 и MAE = 1,02.
Рис. 4. Модель переходного состояния (TSM): аппроксимация поверхности полинома 3-й степени наблюдений переходных состояний (красные точки)
В следующих разделах модель полиномиальной регрессии, обученная на данных о переходном состоянии, называется моделью переходного состояния (МПС). Эту модель также можно рассматривать как модель устранения ошибок, полученную из нестационарных состояний с использованием метода стационарного состояния. Основанный на критерии наименьшего квадрата, традиционный подход, по-видимому, недостаточно надежен, когда речь заходит о выбросах или высоких точках рычага. Полиномиальная подгонка поверхности очень чувствительна к распределению наблюдений в области п-Т, что может привести к подгонке и неправильной форме поверхности. Решением этой проблемы может быть применение более сложных регрессионных моделей, например, регрессии ЛАССО, эластичной сети. Однако это выходит за рамки представленной работы.
Модель нейронной сети При анализе переходных состояний двигателей внутреннего сгорания включение в модель информации, связанной с изменением скорости и крутящего момента, как правило, приводит к повышению точности модели. В качестве дополнительных входных переменных использовались производные от п и Т. Был рассмотрен ряд значений из временного периода до начала испытаний и наблюдения. Однако рассмотренные двигатели отличаются от представленных в статье с точки зрения размера, типа зажигания и даже норм выбросов, которым они должны соответствовать. Нет прямого указания на то, какие дополнительные значения, предшествующие наблюдениям, следует включить для получения точной модели. Более того, похоже, что этот вопрос зависит от инерции двигателя, которая напрямую связана с объемом
двигателя. В этом исследовании предполагалось, что изменения следует учитывать за 1,5 с до точки измерения. Нейросетевая модель, используемая в данном исследовании, — ИНС. Эта модель основана на многослойной искусственной нейронной сети с прямой связью, которая обучается стохастическому градиентному спуску с использованием обратного распространения. В качестве функции активации использовался выпрямитель. Для получения оптимальной ИНС было проанализировано 5 наборов предикторов и 5 чисел нейронов в одном скрытом слое, в результате чего было получено 25 моделей. Они обобщены в таблице 2. Индекс в обозначении предикторов указывает время в миллисекундах до наблюдения. Кроме того, Д указывает, что переменная соответствует разнице между фактическим значением и значением за х миллисекунд до этого; например, Т500 соответствует значению крутящего момента за 500 мс до наблюдения, а Дп1500 соответствует разнице между п и п1500. В ИНС 1 включены только 2 входные переменные (п и Т) — и это модель, наиболее близкая к полиномиальной эталонной модели с точки зрения предикторов [9].
Таблица 2
Модели нейронных сетей: 5 наборов предикторов, по 5 наборов скрытых слоев в каждом
Модель Прогностический фактор Входной N Скрытый N Выходной N
ИНС 1 n, T 2
ИНС 2 n, T, n1000, T1000 4
ИНС 3 n, T, An 1000, AT1000 4 5
n, T, n500, n1000, 10
ИНС 4 n1500, T500, T1000, T1500 8 15 20 1
n, T, An500, An1000, 30
ИНС 5 An 1500, AT500, AT1000, AT1500 8
Поскольку полиномиальная регрессия заменяется нейронной сетью, нелинейные зависимости в данных, как ожидается, будут объяснены лучше. ИНС 2 и ИНС 4 состоят из фактических и предшествующих значений п и Т. Таким образом, их можно рассматривать как модели, усредняющие фактические значения наблюдений по сравнению с предыдущими. Однако благодаря возможностям глубокого обучения можно выявить нелинейные зависимости. В ИНС 3 и ИНС 5 из п и Т включены различия между фактическими и предыдущими значениями. Эта идея, по-видимому, больше фокусируется на фактическом наблюдении и изменениях для предыдущего Д(. Каждая модель нейронной сети была вычислена с использованием обучающего набора с 10-кратной перекрестной проверкой; эпохи были установлены на 100. Для измерения производительности модели был использован RMSE (табл. 3).
Как и ожидалось, производительность ИНС 1 значительно хуже, чем у других моделей, с более чем в 3 раза высокими значениями RMSE. Большее число предикторов привело к лучшим результатам, о чем свидетельствует более низкий ЯМБЕ для ИНС 4 и 5 по сравнению с ИНС 2 и 3. Количество нейронов в скрытом слое не оказывает существенного влияния на производительность моделей.
Оценки модели ЯМБЕ для каждого N отличаются друг от друга не более чем на одно стандартное отклонение. Таким образом, предполагалось, что нет смысла использовать модель с N выше 5.
Таблица 3
Результаты теста для 25 моделей нейронных сетей
Скрытый N RMSE
ИНС 1 ИНС 2 ИНС 3 ИНС 4 ИНС 5
5 0,306 (0,026) 0,116 (0,023) 0,118 (0,031) 0,108 (0,09) 0,097 (0,024)
10 0,307 (0.028) 0,112 (0,023) 0,111 (0,024) 0,099 (0,045) 0,092 (0,026)
15 0,306 (0,032) 0,111 (0,022) 0,109 (0,028) 0,095 (0,043) 0,091 (0,025)
20 0,307 (0,03) 0,111 (0,022) 0,107 (0,028) 0,096 (0,06) 0,087 (0,021)
30 0,307 (0,031) 0,109 (0,024) 0,106 (0,027) 0,087 (0,029) 0,087 (0,022)
Для применения к набору данных проверки был выбран ИНС 5, так как он показал лучшие результаты, и именно о нем идет речь ниже в тексте.
Набор данных проверки — результаты Уровень обобщения модели полиномиальной регрессии и модели ИНС сравнивался с использованием набора данных проверки, состоящего из 65 циклов загрузки. Для каждого цикла нагрузки были рассчитаны показатели RMSE, R2 и MAE. Кроме того, была введена оценка абсолютной относительной погрешности, поскольку она ориентирована на инженерное применение модели. Она определяется уравнением
_ Zi=i(Ge,; х At) — прогноз х A0 _
£ай5'относ- " Zf=1(Ce,i х At) "
_ |Общее количество топлива-Прогнозируемый расход топлива!
Общее количество топлива
где Ge,; соответствует измеренному расходу топлива; Ge,; прогноз — прогнозируемому расходу топлива; At — временному шагу между i-м и (i + 1)-м до фактического наблюдения.
Уровень точности моделей был основан на прогнозировании общего расхода топлива для цикла загрузки без учета соответствия конкретным наблюдениям. Примеры реальных и прогнозируемых расходов топлива для каждой модели и 4 оборотов двигателя представлены на рисунке 5. Для отображения были выбраны обороты двигателя 750, 850, 1000 и 1150 об/мин, поскольку они соответствуют различным областям карты производительности двигателя.
С точки зрения статистических показателей модель ИНС превосходит МПС. Как оценки RMSE, так и оценки MAE почти в три раза и более чем в два раза меньше соответственно для модели ИНС. Значения R2 модели ИНС близки к 1 по сравнению с моделью МПС (0,83). Модель ИНС также показывает значительно лучшую подгонку к Ge, демонстрируя почти наложение реальных и прогнозируемых значений. Напротив, МПС не может точно предсказать Ge, когда появляются быстрые изменения расхода топлива. Это не является критической проблемой до тех пор, пока общий расход топлива хорошо прогнозируется.
ИНС МПС
liMSt - 0.35 . RMS^: t.15
о no 20 30 о Ю 20 30
-—"Прогноз --Действительность
Рис. 5. Действительный и прогнозируемый расход топлива в проверочном тесте для n = 750, 850, 1000 и 1150 об / мин с использованием МПС и ИНС
Средняя абсолютная относительная погрешность составляет 3,6 ± 2,8 % и 2,4 ± 1,2 % для МПС и ИНС соответственно. Это разумные значения для инженерных приложений. Однако, учитывая максимальные значения, погрешность МПС в некоторых случаях может составлять 10 %. Основываясь на представленных результатах, стоит отметить, что оценки модели ИНС лучше по всем предполагаемым критериям.
Обсуждение
Предлагаемый метод ИНС должен быть проверен на других дизельных двигателях, чтобы подтвердить его уровень обобщения. До сих пор на испытательном стенде больше не проводилось никаких испытаний, однако с использованием данных CAN, зарегистрированных во время реальной эксплуатации двух грузовиков MAN, можно сделать некоторые выводы. В обоих грузовых автомобилях, оснащенных дизельными двигателями (12,4 дм3 (309 кВт) и 10,5 дм3 (235 кВт) соответственно), задержка At не превышала 1,5 с. Таким образом, можно сделать вывод, что модель ИНС 5 (включая 8 предикторов) должна работать аналогично двигателю Scania, рассмотренному ранее. Нейронная сеть должна правильно настроить свои параметры в соответствии с величиной At для конкретного двигателя. Модель ИНС позволяет хорошо вписываться в переходные состояния без необходимости глубокого понимания зависимостей между n, T, An, AT и Ge для конкретного двигателя. Расширение традиционной модели путем формулирования дополнительных уравнений вручную представляется неэффективным, и маловероятно, что такая модель приведет к лучшему соответствию. Модель ИНС с 8 предикторами и 5 нейронами в скрытом слое состоит из гораздо большего набора уравнений. Его вес и смещения автоматически оптимизируются с помощью большого количества итераций в обратном распространении. Это позволяет более эффективно обнаруживать нелинейные зависимости. Таким образом, можно сделать вывод, что использование современных методов машинного обучения для получения данных в целях прогнозирования расхода топлива имеет, по крайней мере, два основных преимущества:
• обеспечивает лучшую подгонку по сравнению с обычными моделями;
• не требует аналитического сформулированного объяснения анализируемых объектов, если модель автоматически формулирует оптимальные уравнения посредством процесса обучения.
Модель нейронной сети была обучена с использованием всего 510 наблюдений из 6 000 общих наблюдений. Даже при таком уменьшенном наборе данных модель работала лучше, чем эквивалентная модель полиномиальной регрессии. Это означает, что теоретически 60 секунд (включая 15 % для набора тестовых данных) испытания на переходное состояние достаточно для получения хорошей модели ИНС. Однако в действительности за такое короткое время может быть трудно исследовать двигатель во всем желаемом диапазоне из-за его инерции. Тем не менее результаты показывают потенциал использования ИНС для решения реальных проблем. Данные, собранные во время обычной эксплуатации транспортного средства, обычно имеют неравномерное распределение в области n-T. Когда равномерное распределение желательно для построения как моделей ИНС, так и моделей полиномиальной регрессии, может быть применен ручной выбор наблюдений или алгоритм кластеризации [10]. Получение равномерного распределения приводит к уменьшению размера выборки. Однако, как показано в этой статье, даже относительно небольшой набор данных может привести к созданию модели ИНС с достаточной точностью прогнозирования расхода топлива, которая работает лучше, чем полиномиальная регрессия. Необходимо провести дальнейшие исследования для изучения количественного влияния неравномерного распределения в выборке.
Заключение
Модель нейронной сети, используемая для прогнозирования расхода топлива двигателем внутреннего сгорания, представленная в этой статье, привела к более высокой точности и лучшей подгонке по сравнению с обычной полиномиальной регрессионной моделью. Модель была обучена на основе данных о переходном состоянии и проверена на реальных циклах нагрузки, набрав среднее значение RMSE = 0,32 и среднее значение £ай5,относ. = 2,4 %. Представленный метод может быть применен для прогнозирования расхода топлива в грузовых автомобилях, где параметры двигателя могут регистрироваться с помощью шины CAN во время ежедневной работы. Затем модель производительности двигателя может быть использована для калибровки приемника мощности, установленного через блок отбора мощности, например путем выбора оптимальных оборотов двигателя. Блок может использоваться в течение значительной части рабочего дня транспортного средства. В результате приемник мощности, установленный через блок, был активен в течение 65 % ежедневного рабочего времени, потребляя примерно 30 % от общего объема используемого топлива. Таким образом, применение представленного в статье метода, может привести к снижению расхода топлива и выбросов выхлопных газов в течение значительной части ежедневного рабочего времени.
Те же обязанности можно выполнять, используя аналогичные транспортные средства, но оснащенные различными двигателями. Наряду с простотой применяемого метода можно легко и экономично получить модели двигателей с разных шасси, чтобы сравнить их эффективность с
точки зрения работы в диапазоне низких крутящих моментов. Это важная и полезная информация для производителей кузовов грузовых автомобилей, пользователей грузовых автомобилей и руководства автопарков.
Литература
1. Маняшин, А. В. Прогнозирование и планирование ресурсов на автомобильном транспорте с использованием информационных технологий. — Тюмень: ТюмГНГУ, 2015. — 145 с.
2. Маняшин, С. А. Автоматизация исследований режимов движения автомобилей в городе / С. А. Маняшин, А. В. Маняшин // Проблемы эксплуатации систем транспорта: Сборник материалов Всероссийской научно-практической конференции, посвященной 45-летию со дня основания Тюменского индустриального института им. Ленинского комсомола (Тюмень, Россия, 06 ноября 2008 г.) / отв. ред.
B. И. Бауэр. — Тюмень: ТюмГНГУ, 2008. — С. 197-198.
3. Кувыкин, В. И. Анализ оптимальных решений в задачах нелинейного программирования / В. И. Кувыкин, Е. В. Кувыкина, М. Ю. Петухов // Вестник Нижегородского университета им. Н. И. Лобачевского. 2011. №2 4 (5).
C. 2285-2286.
4. Маняшин, С. А. Методика исследования режимов движения автомобилей в городских условиях / С. А. Маня-шин, А. В. Маняшин // Проблемы эксплуатации и обслуживания транспортно-технологических машин: Материалы Международной научно-технической конференции (Тюмень, Россия, 14 апреля 2008 г.) / отв. ред. Н. С. Захаров. — Тюмень, ТюмГНГУ, 2008. — С. 126-128.
5. Вычисление низкотемпературных характеристик дизельного топлива с помощью искусственных нейронных сетей / С. Маринович, Т. Боланча, С. Юкич, [и др.] // Химия и технология топлив и масел. 2012. № 1 (569). С. 47-51.
6. Ясницкий, Л. Н. Интеллектуальные системы: Учебник. — Москва: Лаборатория знаний, 2016. — 221 с. — (Учебник для высшей школы).
7. A Dual Strategy for Controlling Energy Consumption and Air Pollution in China's Metropolis of Beijing / Y. Zhang, H. Wang, S. Liang, [et al.] // Energy. 2015. Vol. 81. Pp. 294-303. DOI: 10.1016/j.energy.2014.12.041.
8. CO2 Emissions from Fuel Combustion 2016. — Paris: International Energy Agency, 2016. — 533 p.
DOI: 10.1787/co2_fuel-2016-en.
9. Wang, J. Fuel Consumption Model for Conventional Diesel Buses / J. Wang, H. A. Rakha // Applied Energy. 2016. Vol. 170. Pp. 394-402. DOI: 10.1016/j.apenergy.2016.02.124.
10. Typaldos, P. Minimization of Fuel Consumption for Vehicle Trajectories / P. Typaldos, I. Papamichail, M. Papageor-giou // IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 21, Is. 4. Pp. 1716-1727.
DOI: 10.1109/TITS.2020.2972770.
DOI: 10.24412/2413-2527-2021-428-9-15
Simulation of Fuel Consumption for Heavy Vehicles Using Artificial Neural Networks
O. A. Durnitsyn Industrial University of Tyumen Tyumen, Russia durnitsynoa@mail.ru
Abstract. This article presents an artificial neural network approach to modeling fuel consumption of heavy-duty vehicles. The proposed method uses easily accessible data collected from the truck's CAN bus. The traditional method based on a polynomial regression model is used as a reference. Fuel consumption is measured in two different tests performed using a unique test bench to apply the load to the engine. First, a transition state test was conducted to evaluate the polynomial regression and 25 ANN models with different parameters. Based on the results obtained, the best INS model was selected. Then a validation test was carried out using real work cycle loads to compare models. The neural network model has surpassed the traditional method and significantly better reflects the fuel consumption of an engine operating in transient modes. The presented method can be applied to reduce fuel consumption in general-purpose vehicles that provide an accurate model of fuel economy of trucks, in particular, in the range of low engine speed and torque.
Keywords: neural network, internal combustion engine, heavy truck, fuel economy, special car, concrete mixer truck, traffic cycle.
References
1. Manyashin A. V. Forecasting and planning resources in road transport using information technology [Prognozirovanie i planirovanie resursov na avtomobil'nom transporte s ispol'zovaniem informatsionnykh tekhnologiy]. Tyumen, Tyumen State Oil and Gas University, 2015, 145 p.
2. Manyashin S. A., Manyashin A. V. Automation of Researches of Modes of Movement of Cars in the City [Avtoma-tizatsiya issledovaniy rezhimov dvizheniya avtomobiley v gorode], Problems of Operation of Transport Systems: Collection of materials of the All-Russian Scientific and Practical Conference [Problemy ekspluatatsii sistem transporta: Sbornik mate-rialov Vserossiyskoy nauchno-prakticheskoy konferentsii], Tyumen, Russia, November 06, 2008. Tyumen, Tyumen State Oil and Gas University, 2008, Pp. 197-198.
3. Kuvykin V. I., Kuvykina E. V., Petukhov M. Yu. The Analysis of Optimal Solutions in Non Linear Programming Problems [Analiz optimal'nykh resheniy v zadachakh nelineynogo programmirovaniya], Vestnik of Lobachevsky State University of Nizhni Novgorod [Vestnik Nizhegorodskogo universiteta imeni N. I. Lobachevskogo], 2011, No. 4 (5), Pp. 2285-2286.
4. Manyashin S. A., Manyashin A. V. Methodology for Research of Modes of Movement of Cars in Urban Conditions [Metodika issledovaniya rezhimov dvizheniya avtomobiley v gorodskikh usloviyakh], Problems of Operation and Maintenance of Transport and Technological Machines: Proceedings of the International Scientific and Technical Conference [Problemy ekspluatatsii i obsluzhivaniya transportno-tekhnologicheskikh mashin: Materialy Mezhdunarodnoy nauchno-tekhnicheskoy
konferentsii], Tyumen, Russia, April 14, 2008. Tyumen, Tyumen State Oil and Gas University, 2008, Pp. 126-128.
5. Marinovich S., Bolanca T., Ukich S., et al. Calculation of Low-Temperature Properties of Diesel Fuel Using Artificial Neural Networks [Vychislenie nizkotemperaturnykh kharakter-istik dizel'nogo topliva s pomoshch'yu iskusstvennykh ney-ronnykh setey], Chemistry and Technology of Fuels and Oils [Khimiya i tekhnologiya topliv i masel], 2012, No. 1 (569), Pp. 47-51.
6. Yasnitsky L. N. Intelligent Systems: Textbook [Intel-lektual'nye sistemy: Uchebnik]. Moscow, Laboratory of Knowledge, 2016, 221 p.
7. Zhang Y., Wang H., Liang S., et al. A Dual Strategy for Controlling Energy Consumption and Air Pollution in China's Metropolis of Beijing, Energy, 2015, Vol. 81, Pp. 294-303. DOI: 10.1016/j.energy.2014.12.041.
8. CO2 Emissions from Fuel Combustion 2016. Paris, International Energy Agency, 2016, 533 p.
DOI: 10.1787/co2_fuel-2016-en.
9. Wang J., Rakha H. A. Fuel Consumption Model for Conventional Diesel Buses, Applied Energy, 2016, Vol. 170, Pp. 394-402. DOI: 10.1016/j.apenergy.2016.02.124.
10. Typaldos P., Papamichail I., Papageorgiou M. Minimization of Fuel Consumption for Vehicle Trajectories, IEEE Transactions on Intelligent Transportation Systems, 2020, Vol. 21, Is. 4, Pp. 1716-1727.
DOI: 10.1109/TITS.2020.2972770.
