Published January 1, 2021 | Version v1
Publication Open

Modelling Fuel Consumption and<i>NOₓ</i>Emission of a Medium Duty Truck Diesel Engine With Comparative Time-Series Methods

Creators

  • 1. ORCID
  • 2. Istanbul Technical University
  • 3. Yıldız Technical University

Description

This study focuses on different intelligent time series modelling techniques namely nonlinear autoregressive network with exogenous inputs (NARX), autoregressive integrated moving average with external inputs (ARIMAX), multiple linear regression (MLR), and regression error with autoregressive moving average (RegARMA), applied on a diesel engine to predict NO x emission and fuel consumption. The experiment data are collected from a six cylinder, four stroke medium duty truck diesel engine, which is integrated on a passenger bus and operated in engine integration tests. NO x emission and fuel consumption outputs are estimated with the help of input data; exhaust gas recirculation temperature and position, engine coolant temperature, engine speed, exhaust gas pressure, common rail pressure, intake manifold air temperature and pressure, accelerator pedal percentage, engine load, turbocharger variable geometry position and speed, and selective catalytic reduction outlet temperature. NARX artificial time series neural network, MLR, ARIMAX, and RegARMA time series techniques were separately applied for the estimation NO x emission and fuel consumption outputs. The performance of the models is analyzed and evaluated with Bayesian information criterion (BIC) and root mean square error (RMSE) criteria. When the high cost and time loss of experimental testing are thought, using the intelligent modelling methodology provides far more accurate prediction and fast application abilities to analyze internal combustion engine dynamics for the control and calibration manner. As a result of the comparison of different types of modelling techniques, RegARMA technique comes to the forefront with 6707.6 BIC value with 105.58 RMSE for NO x emission model and 4026.4 BIC value with 7.93 RMSE for fuel consumption model.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تركز هذه الدراسة على تقنيات نمذجة السلاسل الزمنية الذكية المختلفة وهي الشبكة الانحدارية الذاتية غير الخطية مع المدخلات الخارجية (NARX)، والمتوسط المتحرك المتكامل الانحداري التلقائي مع المدخلات الخارجية (ARIMAX)، والانحدار الخطي المتعدد (MLR)، وخطأ الانحدار مع المتوسط المتحرك الانحداري الذاتي (RegARMA)، المطبق على محرك الديزل للتنبؤ بانبعاثات أكسيد النيتروجين واستهلاك الوقود. يتم جمع بيانات التجربة من محرك ديزل للشاحنات المتوسطة بست أسطوانات وأربع أشواط، والذي يتم دمجه في حافلة ركاب ويتم تشغيله في اختبارات تكامل المحرك. يتم تقدير انبعاثات NO x ومخرجات استهلاك الوقود بمساعدة بيانات الإدخال ؛ ودرجة حرارة وموضع إعادة تدوير غاز العادم، ودرجة حرارة سائل تبريد المحرك، وسرعة المحرك، وضغط غاز العادم، وضغط القضيب المشترك، ودرجة حرارة وضغط هواء مشعب السحب، ونسبة دواسة الوقود، وحمل المحرك، وموضع وسرعة هندسة الشاحن التوربيني المتغير، ودرجة حرارة مخرج التخفيض الحفاز الانتقائي. تم تطبيق تقنيات NARX للشبكة العصبية ذات السلاسل الزمنية الاصطناعية و MLR و ARIMAX و RegARMA بشكل منفصل لتقدير انبعاثات NO x ومخرجات استهلاك الوقود. يتم تحليل أداء النماذج وتقييمها باستخدام معيار المعلومات البايزي (BIC) ومعايير الخطأ التربيعي لمتوسط الجذر (RMSE). عندما يتم التفكير في التكلفة العالية وفقدان الوقت للاختبار التجريبي، فإن استخدام منهجية النمذجة الذكية يوفر تنبؤًا أكثر دقة وقدرات تطبيقية سريعة لتحليل ديناميكيات محرك الاحتراق الداخلي لطريقة التحكم والمعايرة. نتيجة للمقارنة بين الأنواع المختلفة من تقنيات النمذجة، تأتي تقنية RegARMA في المقدمة بقيمة 6707.6 BIC مع 105.58 RMSE لنموذج NO x للانبعاثات و 4026.4 قيمة BIC مع 7.93 RMSE لنموذج استهلاك الوقود.

Translated Description (French)

Cette étude se concentre sur différentes techniques de modélisation de séries temporelles intelligentes, à savoir le réseau autorégressif non linéaire avec entrées exogènes (NARX), la moyenne mobile intégrée autorégressive avec entrées externes (ARIMAX), la régression linéaire multiple (MLR) et l'erreur de régression avec moyenne mobile autorégressive (RegARMA), appliquée sur un moteur diesel pour prédire les émissions de NO x et la consommation de carburant. Les données expérimentales sont collectées à partir d'un moteur diesel de camion moyen à six cylindres et quatre temps, qui est intégré à un bus de passagers et utilisé dans des tests d'intégration du moteur. Les émissions de NO x et les sorties de consommation de carburant sont estimées à l'aide des données d'entrée ; température et position de recirculation des gaz d'échappement, température du liquide de refroidissement du moteur, régime moteur, pression des gaz d'échappement, pression de rampe commune, température et pression de l'air du collecteur d'admission, pourcentage de la pédale d'accélérateur, charge du moteur, position et vitesse de géométrie variable du turbocompresseur et température de sortie de réduction catalytique sélective. Les techniques NARX Artificial Time Series Neural Network, MLR, ARIMAX et RegARMA Time Series ont été appliquées séparément pour l'estimation des émissions de NO x et de la consommation de carburant. La performance des modèles est analysée et évaluée avec des critères de critère d'information bayésien (BIC) et d'erreur quadratique moyenne (RMSE). Lorsque l'on pense au coût élevé et à la perte de temps des essais expérimentaux, l'utilisation de la méthodologie de modélisation intelligente fournit une prédiction beaucoup plus précise et des capacités d'application rapides pour analyser la dynamique du moteur à combustion interne pour le contrôle et l'étalonnage. À la suite de la comparaison de différents types de techniques de modélisation, la technique RegARMA arrive au premier plan avec une valeur BIC de 6707,6 avec 105,58 RMSE pour le modèle d'émission de NO x et une valeur BIC de 4026,4 avec 7,93 RMSE pour le modèle de consommation de carburant.

Translated Description (Spanish)

Este estudio se centra en diferentes técnicas inteligentes de modelado de series temporales, a saber, la red autorregresiva no lineal con entradas exógenas (NARX), la media móvil integrada autorregresiva con entradas externas (ARIMAX), la regresión lineal múltiple (MLR) y el error de regresión con media móvil autorregresiva (RegARMA), aplicados en un motor diésel para predecir la emisión de NO x y el consumo de combustible. Los datos del experimento se recopilan de un motor diésel de camión de servicio medio de seis cilindros y cuatro tiempos, que se integra en un autobús de pasajeros y se opera en pruebas de integración de motores. Las emisiones de NO x y las salidas de consumo de combustible se estiman con la ayuda de datos de entrada; temperatura y posición de recirculación del gas de escape, temperatura del refrigerante del motor, velocidad del motor, presión del gas de escape, presión del conducto común, temperatura y presión del aire del colector de admisión, porcentaje del pedal del acelerador, carga del motor, posición y velocidad de la geometría variable del turbocompresor y temperatura de salida de reducción catalítica selectiva. Las técnicas de redes neuronales de series temporales artificiales NARX, MLR, ARIMAX y RegARMA se aplicaron por separado para la estimación de emisiones NO x y salidas de consumo de combustible. El rendimiento de los modelos se analiza y evalúa con el criterio de información bayesiana (BIC) y el criterio de error cuadrático medio (RMSE). Cuando se piensa en el alto costo y la pérdida de tiempo de las pruebas experimentales, el uso de la metodología de modelado inteligente proporciona una predicción mucho más precisa y capacidades de aplicación rápidas para analizar la dinámica del motor de combustión interna para el control y la calibración. Como resultado de la comparación de diferentes tipos de técnicas de modelado, la técnica RegARMA llega a la vanguardia con un valor BIC de 6707.6 con 105.58 RMSE para el modelo de emisión NO x y un valor BIC de 4026.4 con 7.93 RMSE para el modelo de consumo de combustible.

Files

09435333.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:7ba0451de115ad5846540368725358e8
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نمذجة استهلاك الوقود<i> والانبعاثات</i> غير المؤكدة لمحرك ديزل بشاحنة متوسطة مع طرق السلاسل الزمنية المقارنة
Translated title (French)
Modélisation de la consommation de carburant et des émissions de<i> NOx</i>d'un moteur diesel de camion de poids moyen avec des méthodes de séries chronologiques comparatives
Translated title (Spanish)
Modelado del consumo de combustible y<i></i> la emisión de NOer de un motor diésel de camión de servicio medio con métodos comparativos de series temporales

Identifiers

Other
https://openalex.org/W3163404980
DOI
10.1109/access.2021.3082030

Is supplement to
https://openalex.org/W2606910468 (Other)
https://openalex.org/W2981300935 (Other)
https://openalex.org/W2799656149 (Other)
https://openalex.org/W1545859685 (Other)
https://openalex.org/W4312068927 (Other)
https://openalex.org/W4242415550 (Other)
https://openalex.org/W3108681695 (Other)
https://openalex.org/W4382361623 (Other)
https://openalex.org/W2734185189 (Other)
https://openalex.org/W4304142418 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Turkey

References

  • https://openalex.org/W1499940238
  • https://openalex.org/W1970214772
  • https://openalex.org/W1973076474
  • https://openalex.org/W1985259582
  • https://openalex.org/W1987323548
  • https://openalex.org/W1987792262
  • https://openalex.org/W1991277158
  • https://openalex.org/W2042460614
  • https://openalex.org/W2064815864
  • https://openalex.org/W2103452139
  • https://openalex.org/W2126486515
  • https://openalex.org/W2131931949
  • https://openalex.org/W2140286129
  • https://openalex.org/W2168175751
  • https://openalex.org/W2202511434
  • https://openalex.org/W2219703815
  • https://openalex.org/W2479849141
  • https://openalex.org/W2889404528
  • https://openalex.org/W2891945866
  • https://openalex.org/W2903477391
  • https://openalex.org/W2936657479
  • https://openalex.org/W2977152192
  • https://openalex.org/W3122598275