Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Ringraziamenti
ii
INDICE
Introduzione…………………………………………………………………………….1
iii
Indice
CAPITOLO 5 - Risultati
5.1 Premessa...................................................................................................................90
5.2 Caratteristiche delle prove effettuate........................................................................91
5.3 Controllore fuzzy statico..........................................................................................92
5.3.1 Vantaggi del sistema di controllo..........................................................................97
5.4 Controllore fuzzy totalmente adattativo...................................................................98
5.5 Controllore fuzzy parzialmente adattativo.............................................................105
5.6 Controllore fuzzy parzialmente adattativo in presenza di rumore..........................114
Conclusioni…….……………………………………………………………………..122
Bibliografia…………………………………………………………………………...124
Appendice A Dati tecnici del motore utilizzati nella simulazione…………..……125
Appendice B Algoritmo dei minimi quadrati….……………………….….……...127
iv
INTRODUZIONE
2
CAPITOLO 1
1.1 Generalità
4
Capitolo 1 Cenni sui motori alternativi a combustione interna
Inoltre la maggiore lentezza con cui si svolge il processo di combustione, unita alle
elevate masse degli organi in moto alterno (grandi forze d’inerzia), impediscono al
Diesel di raggiungere alti regimi di rotazione. Ne deriva che le potenze specifiche per
unità di cilindrata sono sensibilmente più basse di quelle dei motori Otto di
caratteristiche equivalenti, con un conseguente maggiore ingombro a parità di potenza.
Per contro il motore Diesel presenta una serie di vantaggi:
1. presenta migliore rendimento globale perché, nonostante il fatto che a parità di
rapporto di compressione il massimo rendimento competa al ciclo con combustione a
volume costante (ciclo Otto), in pratica nel motore Diesel sono possibili (anzi, spesso
sono necessari per una pronta autoaccensione del combustibile) più elevati rapporti
di compressione (circa doppi di quelli tollerati nel motore Otto), senza pericoli di
fenomeni anomali di combustione;
2. il rendimento del motore peggiora meno rapidamente al diminuire del carico, come
conseguenza del sistema di regolazione adottato nel motore Diesel. Esso permette di
ridurre la potenza sviluppata nel motore aumentando progressivamente il rapporto
aria/combustibile, rendendo il motore Diesel particolarmente adatto per quelle
applicazioni (ad esempio propulsione stradale nel traffico urbano) che richiede al
motore di funzionare spesso in condizioni di carico parziale;
3. utilizza dei combustibili (gasolio, olio, combustibile, ecc.) meno pregiati da un punto
di vista energetico, perché la loro produzione in raffineria richiede un minor
dispendio di energia. Questo aspetto, unito ai minori consumi specifici di
combustibile evidenziati al punto precedente, contribuisce ulteriormente a rendere
più economica la gestione del motore.
Ne deriva che il motore Diesel trova un suo naturale campo di applicazione in tutti quei
settori in cui il costo di esercizio risulta prevalente rispetto ai problemi di peso e di
ingombro. Questo ha fatto sì che il motore Diesel coprisse la gamma delle potenze
medie ed alte, affermandosi principalmente come mezzo di propulsione nei settori dei
trasporti industriali su strada, dei mezzi ferroviari e navali, nonché come generatore di
potenza per impianti fissi.
5
Capitolo 1 Cenni sui motori alternativi a combustione interna
6
Capitolo 1 Cenni sui motori alternativi a combustione interna
7
Capitolo 1 Cenni sui motori alternativi a combustione interna
8
Capitolo 1 Cenni sui motori alternativi a combustione interna
rotazione del propulsore, ed una più grande per i regimi superiori. In tal modo è
possibile garantire una notevole coppia sull’intero campo di funzionamento del
propulsore.
1.4 Sovralimentazione
9
Capitolo 1 Cenni sui motori alternativi a combustione interna
10
Capitolo 1 Cenni sui motori alternativi a combustione interna
1 Turbina 4 Tirante
2 Palette mobili 5 Anello rotante
3 Attuatore pneumatico
11
CAPITOLO 2
13
Capitolo 2 Modello del motore
Per caratterizzare lo stato termodinamico del fluido di lavoro in ogni punto del
sistema è necessario conoscere la temperatura, la pressione e il rapporto di equivalenza
mc / m a
mc / ma st , ove con i pedici a e c si intende aria e combustibile rispettivamente.
Il modello, zero dimensionale, riduce a sei gli stati termodinamici del fluido di
lavoro: lo stato 1 rappresenta le condizioni esterne; lo stato 2 quelle a valle del
compressore, che differiscono solo nella temperatura dallo stato 3 che rappresenta il
collettore di aspirazione; lo stato 4 è quello all’interno del cilindro; lo stato 5
rappresenta il collettore di scarico, mentre le condizioni 6 sono quelle a valle della
turbina.
Dunque lo schema, come si può osservare nella figura 1.2 , è suddiviso nei seguenti
elementi:
Attuatore
Controllore Pneumatico
i:
Turbogruppo
C T
Sistema di
Iniezione
2
pa, Tu, e
3 pa, Ta, a 4 5 p,T, s s s
pc, Tc, c
Collettore di Motore Diesel Collettore di
Aspirazione Scarico
14
Capitolo 2 Modello del motore
Figura 1.2: Schema a blocchi del motore diesel quattro tempi, iniezione diretta, sovralimentato, simulato.
Cilindri. Attraverso le valvole avvengono gli scambi di massa tra il cilindro e l’esterno,
mentre attraverso le pareti avvengono gli scambi di termici con l’esterno. Le
equazioni di conservazione della massa e della energia permettono di valutare lo
stato termodinamico all’interno del cilindro, lo stato 4.
Collettore di scarico. Le equazioni che modellano i condotti di scarico sono analoghe a
quelle dei condotti di aspirazione. Anche in questo caso sono stati trascurati i
fenomeni termici.
Turbina. La parte motrice del turbogruppo è stata modella come un ugello adiabatico
solo convergente, con sezione ristretta variabile. Anche nel caso della turbina per il
calcolo del rendimento, e quindi della potenza, della turbina sono utilizzate delle
mappe sperimentali.
15
Capitolo 2 Modello del motore
d Pt Pc
Jt ,
dt
(1a.2)
k s 1
pe k s
2s c ps Ts 1
PT m
T , (1b.2)
ps
dove m
2s è la portata in massa in uscita dalla capacità di scarico ed T il rendimento
16
Capitolo 2 Modello del motore
ke 1
p a ke 1
1a c pe Te
PC m 1 , (1c.2)
p
e C
dove m
1a è la portata in massa in ingresso alla capacità di aspirazione ed C il
p
m 1a f , a . (2.2)
pe
d paVa
m 1a m 2a , (3.2)
dt RaTa
in cui m
1a e m
2a sono le portate in massa in ingresso e in uscita alla capacità di
17
Capitolo 2 Modello del motore
d paVa u a
m 1a hu m 2a ha , (4.2)
dt RaTa
d p sVs
m 1s m 2s , (5.2)
dt RsTs
d psVs u s
m 1s hc m 2 s hs , (6.2)
dt RsTs
in cui m
1s e m
2 s sono le portate in massa in ingresso e in uscita alla capacità di
scarico, mentre con hc si indica l’entalpia del fluido all’interno del cilindro e con hs
quella della capacità di scarico.
La settima equazione del sistema modellizza la turbina come un ugello convergente
in modo da definire il legame tra portata dei gas di scarico e rapporto di espansione.
L’equazione è quella canonica del flusso stazionario in un condotto convergente;
particolare attenzione va posta al rapporto delle pressioni monte-valle dell’ugello, in
modo da correggere l’equazione nel caso di condizione subcritica o critica:
a) condizione subcritica:
ks
2 ks 1 pe
1,
ks 1 ps
18
Capitolo 2 Modello del motore
2 k s 1
ps 2 k s p e k s p e k s
2s
m
Rs Ts
Aeq
k s 1 p s p s ; (7a.2)
b) condizione critica:
ks
pe 2 k s 1 ,
ps k s 1
k s 1
ps 2 k s 1 . (7b.2)
2s
m Aeq k s
Rs Ts ks 1
E’ importante notare che il termine Aeq rappresenta l’area equivalente della turbina,
cioè la variabile su cui il sistema di controllo agisce in base alle condizioni della
pressione nella capacità di aspirazione.
Espressioni del tutto analoghe troviamo nelle equazioni otto e nove del sistema, in
cui si impongono le condizioni di funzionamento della valvola di aspirazione e scarico.
Queste sono modellate come ugelli convergenti, aperti o chiusi in rapporto alla fase del
ciclo in esame. Nel caso in cui le valvole siano aperte si distinguono i casi di flusso
inverso e nel caso di flusso diretto, i casi di condizioni subcritiche e critiche:
Per la valvola di aspirazione abbiamo quindi:
a) condizioni di flusso inverso:
pc
1,
pa
2 ka 1
pc 2k a p a ka p a ka
2s
m Aeq 0; (8a.2)
Rc Tc k a 1 p c pc
19
Capitolo 2 Modello del motore
b) condizioni subcritiche:
ka
2 k a 1 p c
1,
k
a 1 p a
2 k a 1
pa 2k a pc ka pc ka
2a
m Aeffa
; (8b.2)
Ra Ta k a 1 pa pa
c) condizioni critiche:
ka
pc 2 k a 1 ,
pa k a 1
ka 1
pa 2 ka 1 ;
2a
m Aeff a k a (8c.2)
RaTa ka 1
dove con Aeffa() si indica l’area efficace della sezione di passaggio dei gas attraverso la
valvola di aspirazione. L’area efficace è funzione del diametro della valvola, dell’alzata
della valvola (quindi dell’angolo di manovella) e del coefficiente di efflusso, attraverso
relazioni interpolate di dati sperimentali [7].
Per la valvola di scarico si ha:
a) condizioni subcritiche:
kc
2 kc 1 p s
1,
k
c 1 p c
2 kc 1
pc 2k c p s kc p s kc
1s
m Aeff s ; (9a.2)
RcTc k c 1 pc pc
20
Capitolo 2 Modello del motore
b) condizioni critiche:
kc
ps 2 k c 1 ,
pc k c 1
kc 1
pc 2 k c 1 .
1s
m Aeff s k c (9b.2)
RcTc kc 1
La decima equazione del sistema è quella che impone la conservazione della massa
all’interno del cilindro, espressa come:
m c m 2a f m 1s , (10.2)
valvola di aspirazione ed m
1s è la portata di gas combusti uscente da quella di scarico,
mc RcTc
pc . (11.2)
Vc
21
Capitolo 2 Modello del motore
ove uc è l’energia interna specifica della miscela presente nel cilindro, Q w è la potenza
termica scambiata con le pareti del cilindro; i pedici in ed ex si riferiscono alle portate e
alle entalpie dei fluidi in ingresso e in uscita al cilindro. Infine il pedice f si riferisce alle
condizioni del combustibile iniettato nel cilindro.
La tredicesima equazione esprime la portata degli elementi relativi alle
combustione, quindi dipende dal modello che scegliamo per la combustione. Il modello
assunto è un “single-zone”, in cui il contenuto del cilindro viene descritto dai valori
medi delle proprietà termodinamiche e chimiche, e che utilizza una o più formule
algebriche per definire il rilascio di calore. Le formule funzionali di dette equazioni
sono state scelte in modo da seguire al meglio l’andamento sperimentale delle curve di
rilascio del calore, mentre i coefficienti variano al variare del motore. Il modello usato,
sviluppato da Watson, si basa sulla descrizione di Lyn della combustione dei motori
Diesel [5,6] che afferma che la combustione comprende tre fasi principali: il ritardo di
accensione, la fase di combustione premiscelata e la fase di combustione diffusiva. In
base a questo modello si è scritto che:
f p d , (13a.2)
0.37 0.26
1 .88 ig td ,
(13b.2)
in cui è legato empiricamente alla durata del ritardo di combustione, td, espresso nella
equazione (13c.2) e alla massa ,ig, degli elementi chimici provenienti dal combustibile
somma di quella presente nel cilindro durante la fase di compressione e di quella che
22
Capitolo 2 Modello del motore
dovrebbe essere iniettata in quel ciclo. Il tempo di ritardo è dato dalla seguente
espressione:
1 1
0.063
t d 0.36 0.068v p exp E A
21.2
(13c.2)
RcTTC 17190 pTC 12.4
ove vp è la velocità media del pistone, è funzione della velocità di rotazione dell’albero
motore e della pressione di iniezione, EA è l’energia apparente di attivazione ed il pedice
TC si riferisce a caratteristiche all’interno del cilindro calcolate al punto morto superiore
[5,6].
Introducendo la seguente quantità:
ig / b ,
in cui b è la durata nominale della combustione, funzione del carico e della velocità
di rotazione dell’albero motore [6], esplicitando i termini della equazione (13a.2), si ha:
c c c1 1 1 c1
p 1 2
c2 1
f n,
b
(13c.2)
f 1
c1c2 c2 1 exp c1 c2
fn,
b
dove i parametri c sono dipendenti dalla durata del ritardo di combustione e dalla massa
degli elementi chimici provenienti dal combustibile [4].
Infine, ultima equazione del sistema è quella di equilibrio dei momenti all’albero
motore:
23
Capitolo 2 Modello del motore
dn
Jm Mt M p Mr , (14.2)
dt
x[2] = pa
x[3] = Ta
x[4] = m 2a
x[5] = ps
x[6] = Ts
x[7] = m
1s
x[8] = m
2s
24
Capitolo 2 Modello del motore
x[9] = pc
x[10] = Tc
x[11] = c
x[12] = mc
x[13] = f
25
Capitolo 2 Modello del motore
6
Aeq ( cm2 )
1
0 10 20 30 40 50 60 70 80 90 100
duty ( % )
26
Capitolo 2 Modello del motore
A k A Ac 0 , (15.2)
A Ac A
, (16.2)
t
ove è la costante di tempo, che è stata posta pari ad un valore di 0.01 nel caso di
apertura dell’area e ad un valore di 0.13 nel caso di chiusura.
Anche l’implementazione di un modello del primo ordine ha manifestato però
molte differenze rispetto all’andamento sperimentale, così è stata introdotta una
implementazione di un modello del secondo ordine.
Un modello del secondo ordine ha l’espressione del tipo:
27
Capitolo 2 Modello del motore
cA k A A 0 ,
mA (17.2)
c
k
2n , (18.2)
m
c
2n . (19.2)
m
Tale modello del secondo ordine dell’attuatore è stato discretizzato e implementato nel
modello del motore. Posto:
,
y A (20.2)
y 2n yt 1 2n A Ac , (21.2)
yt yt 1 y , (22.2)
A yt 1 , (23.2)
At At 1 A . (24.2)
I parametri su cui agire in questo modello del secondo ordine sono il valore della
frequenza n e di , in modo tale che il modello si differenzi nella fase di apertura e
chiusura secondo le modalità già descritte in precedenza.
28
Capitolo 2 Modello del motore
Per la scelta di questi due parametri sono state intraprese due strade, nella prima si
sono determinati questi due parametri in modo da far assumere al sistema il
comportamento di un sistema del primo ordine, andando quindi in uno stato di
smorzamento ipercritico. Nella seconda, si sono determinati i due parametri in esame
imponendo la legge nota che valuta il decremento logaritmico delle ampiezze di un
onda che oscilla secondo una caratteristica del secondo ordine. Quindi dalla equazione:
A0 n
ln , (25.2)
An 1 2
29
Capitolo 2 Modello del motore
Pressione di sovralimentazione
1200
1000
800
pressione (mbar)
600
200
0
0 2 4 6 8 10 12 14 16
tempo (s)
Figura 3.2: Controllo PID, confronto del valore sperimentale con il calcolato
30
Capitolo 2 Modello del motore
dxi
gi x (26.2)
dt
xi t t xi t
t
g i x t t 0 , (27.2)
in cui le incognite sono rappresentate dai termini al tempo (t+t). Così le equazioni
risolventi costituiscono un sistema misto che viene risolto in modo implicito per
ciascuno dei punti in cui si è deciso di dividere il ciclo termodinamico del motore
Diesel.
Vista la discretizzazione utilizzata per il sistema di equazioni, basterà fornire a
questo l’ingresso, pari alla quantità di carburante introdotta, e le condizioni iniziali per
un certo angolo di manovella. Il simulatore risolverà il sistema di equazioni attraverso il
31
Capitolo 2 Modello del motore
F x 0 (28.2)
F x x F x J x O x 2 , (29.2)
Fi
J ij . (30.2)
x j
J x F , (31.2)
32
Capitolo 2 Modello del motore
1
f F F (33.2)
2
(il fattore ½ è stato introdotto per convenienza). Ogni soluzione del sistema (28.2)
minimizza l’equazione (33.2), ma ci potrebbero essere dei minimi locali di (33.2) che
non sono soluzione del sistema (28.2). Non è quindi possibile applicare semplicemente
un algoritmo di minimizzazione della funzione (33.2).
Per sviluppare una strategia migliore, basta osservare che la correzione del metodo
di Newton è una direzione di pendenza negativa per f:
f x F J J 1 F F F 0 . (34.2)
33
Capitolo 2 Modello del motore
correzione che riduce f, ovvero si cerca x’ = x, con 0 < 1, che faccia ridurre f. Si
è sicuri di trovare un valore accettabile perché stiamo cercando nella direzione corretta.
E’ da notare che questo metodo essenzialmente minimizza f prendendo le
correzioni di Newton calcolate per rendere F = 0.
34
CAPITOLO 3
3.1 Introduzione
indipendenti di ingresso con una unica variabile di uscita. In definitiva, la logica fuzzy
permette di mappare un qualsiasi sistema non lineare utilizzando variabili di tipo
linguistico. In questo capitolo si vuole dare un cenno ai concetti base della logica fuzzy
[2], riprendendo dapprima alcune nozioni fondamentali sulla teoria degli insiemi e delle
composizioni fuzzy, e dopo aver descritto in breve gli elementi fondamentali che
costituiscono un sistema in logica fuzzy (FLS), si propone una formula tanto semplice
quanto importante, che permette di esprimere in maniera immediata il legame tra
ingressi ed uscita di FLS. Gli elementi fondamentali di un FLS sono:
- il fuzzificatore,
- la base di regole,
- il motore inferenziale,
- il defuzzificatore.
Alla fine di questo capitolo, dopo aver descritto la logica fuzzy, sarà proposta una
tecnica di controllo che permette di adattare on line i parametri da cui dipende la logica
fuzzy, denominata Estimator-based-adaptive-fuzzy-logic (EAFL).
36
Capitolo 3 Logica fuzzy e sua ottimizzazione
E’ noto che un insieme A può essere definito elencando tutti i suoi elementi oppure
specificando la condizione secondo la quale esso viene definito. Se per esempio A è
l’insieme dei numeri reali compresi tra 4 e 7 allora si può scrivere che:
A x R 4 x 7 . (1.3)
1 se x A,
f x (2.3)
0 se x A.
1.4
1.2
1
grado di appartenenza
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
x
37
Capitolo 3 Logica fuzzy e sua ottimizzazione
38
Capitolo 3 Logica fuzzy e sua ottimizzazione
1.4
1.2
calda
1
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
temperatura(° C)
B x , f x x B . (3.3)
39
Capitolo 3 Logica fuzzy e sua ottimizzazione
1.4
1.2
grado di appartenenza
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
temperatura(° C)
Figura 3.3: Esempio di diverso grado di appartenenza di una variabile di input a due classi
1 se x A o x B,
A B (4.3)
0 se x A e x B.
L’intersezione di A con B che si denota con A B ed è un insieme che contiene gli
elementi che appartengono simultaneamente ad A ed a B. La MSF che rappresenta
l’intersezione A B è:
40
Capitolo 3 Logica fuzzy e sua ottimizzazione
1 se x A e x B,
A B (5.3)
0 se x A o x B.
Il complemento di A è un insieme che contiene tutti gli elementi che non
appartengono ad A e si denota con A . La sua MSF è:
1 se x A ,
A (6.3)
0 se x A .
Una volta noti A e B e le loro funzioni di appartenenza è possibile poter calcolare le
MSF dell’unione, intersezione e complemento nel modo seguente:
A B max A x ; B x , (7a.3)
A x ; B x ,
A B min (7b.3)
A 1 A x . (7c.3)
2) Legge di esclusione A A
Se A e B sono due insiemi fuzzy allora le operazioni di unione, intersezione e di
complemento possono essere ancora rappresentate dalle relazioni (7.3), anche se le leggi
aristoteliche possono essere violate.
41
Capitolo 3 Logica fuzzy e sua ottimizzazione
Per verificare che la legge di esclusione non è più valida si supponga che A sia un
generico insieme fuzzy che ha come MSF una gaussiana. La figura 4a.3 rappresenta la
MSF di A mentre la figura 4b.3 mostra la MSF del complemento di A ottenuta
applicando la relazione (7c.3). Se ora si applica la relazione (7b.3) per calcolare la MSF
di A A otteniamo il risultato di figura 4c.3 che dice che A A .
1 1
0.5 0.5
0 0
0 5 10 0 5 10
(a) (b)
Intersezione di A e del suo complemento
0.5
0
0 5 10
(c)
Figura 4.3
42
Capitolo 3 Logica fuzzy e sua ottimizzazione
U V x , y x U e y V . (8.3)
Si denoti con R(U,V) una generica relazione che intercorre tra gli elementi di U e
gli elementi di V, essa è un sottoinsieme dello spazio vettoriale U V . Essendo le
relazioni, degli insiemi, anche queste possono essere definite sia elencando gli elementi
che vi appartengono (in questo caso sono delle coppie (x,y) di elementi), sia definendo
una funzione di appartenenza ad R(U,V) del tipo:
1 se e solo se x, y RU ,V ,
R x, y (9.3)
0 altrimenti.
Nel caso in cui U e V sono due insiemi fuzzy R(U,V) viene analogamente chiamata
relazione fuzzy e rappresenta il grado di associazione, interazione o interconnessione
presente tra gli elementi di U e gli elementi di V. Ovviamente in questo caso la funzione
di appartenenza R(x,y) può assumere un qualsiasi valore tra 0 ed 1:
R(U ,V ) x , y , R U ,V x, y U V . (10.3)
43
Capitolo 3 Logica fuzzy e sua ottimizzazione
R S R (x , y) S (x , y), (11a.3)
R S R (x , y ) S (x , y). (11b.3)
R U ,W P U ,V Q V ,W . (12.3)
R U ,W x , z R U ,W y 0 V x , y 0 P U ,V e y 0 , z Q V ,W .
(13.3)
Ovviamente R(U,W) può essere definita tramite una funzione di appartenenza che può
essere calcolata con una qualsiasi delle seguenti definizioni:
1) composizione max-min , viene definita tramite la MSF:
P Q x , z x , z , maxy min P x , y , Q y , z ; (14a.3)
P Q x , z x , z , maxy P x, y Q y , z . (14b.3)
44
Capitolo 3 Logica fuzzy e sua ottimizzazione
Facendo riferimento agli insiemi tradizionali si supponga di avere tre insiemi discreti
che chiamiamo U,V e W e denotiamo con x gli elementi di U, con y gli elementi di V e
con z gli elementi di W. U è composta da tre elementi e V e W sono composti ciascuno
da quattro elementi, per cui sarà: U={ x1, x2, x3 }, V={ y1, y2, y3,y4} e W = { z1, z2, z3, z4 }.
Siano R1(U,V) una relazione tra gli elementi di U e gli elementi di V, e R 2(V,W)
una relazione tra gli elementi di V e gli elementi di W:
y1 y2 y3 y4
x1 0 1 0 1
R1 U ,V (15a.3)
x2 1 0 0 0
x3 0 0 1 1
z1 z2 z3 z4
y1 1 0 0 0
R2 (V ,W ) y 2 0 0 0 1 (15b.3)
y3 1 1 0 0
y4 0 0 1 0
z1 z2 z3 z4
x1 0 0 1 1
R3 U ,W . (15c.3)
x2 1 0 0 0
x3 1 1 1 0
45
Capitolo 3 Logica fuzzy e sua ottimizzazione
z3
y1 0
y1 y2 y3 y4
y2 0 (15d.3)
x1 0 1 0 1
y3 0
y4 1
R3 x1 , z3 max min
0,0 , min 1,0 , min 0,0 , min 1,1 1 . (15e.3)
R3 x1 , z 3 max 0 0 , 1 0 , 0 0 , 1 1 1 . (15f.3)
R S x , z supyV R x , y * S y , z , (16.3)
46
Capitolo 3 Logica fuzzy e sua ottimizzazione
y1 y2 y3 y4
x1 0.8 1 0.1 0.7
R1 x , y ;
x2 0 0.8 0 0
x3 0.9 1 0.7 0.8
(17a.3)
z1 z2 z3
y1 0.4 0.9 0.3
R2 y , z y 2 0 0.4 0 ; (17b.3)
y3 0.9 0.5 0.8
y4 0.6 0.7 0.5
z1 z2 z3
x1 0.6 0.8 0.5
R3 x , z ; (17c.3)
x2 0 0.4 0
x3 0.7 0.9 0.7
z1 z2 z3
x1 0.42 0.72 0.35
R3 x , z . (17d.3)
x2 0 0.32 0
x3 0.63 0.81 0.56
47
Capitolo 3 Logica fuzzy e sua ottimizzazione
Con questo esempio si è verificato che quando le relazioni sono di tipo fuzzy non è
più possibile ottenere lo stesso risultato applicando indifferentemente i due tipi di
composizione max-min e max-prodotto.
R(x,y) S(y,z)
Figura 5.3
S(y,z)
Figura 6.3
In questo modo la figura 5.3 diventa la figura 6.3, che descrive come un insieme
fuzzy possa attivare una qualsiasi relazione. Quando si compone la relazione y è molto
vicino a z con un qualsiasi insieme fuzzy, otteniamo una MSF che costituisce il grado di
verità dell’affermazione quando l’insieme di partenza è proprio quello a cui viene
applicata la relazione; in questo modo la relazione (16.3) diventa:
R S z supxU R x * S x , z . (18.3)
48
Capitolo 3 Logica fuzzy e sua ottimizzazione
x1 x2 x3 x4
R x
0.6 0.8 0.5 0.4
(19a.3)
z1 z2 z3
x1 0.4 0.9 0.3
S x , z x2 0 0.4 0 (19b.3)
x3 0.9 0.5 0.8
x4 0.6 0.7 0.5
z1 z2 z3
RS z , (19c.3)
0.5 0.6 0.5
z1 z2 z3
RS z , (19d.3)
0.45 0.54 0.4
ad esempio R S z1 max 0.4 0.6 , 0 0.8 , 0.9 0.5 , 0.6 0.4 0.45 .
49
Capitolo 3 Logica fuzzy e sua ottimizzazione
3.2.5 Implicazioni
Le implicazioni sono delle relazioni del tipo IF THEN. La parte interrogativa delle
implicazioni ( IF ) è anche chiamata antecedente, mentre la parte conclusiva è detta
conseguente. Un esempio di implicazione potrebbe essere: se il coefficiente di
smorzamento è piccolo allora la risposta del sistema all’impulso oscillerà a lungo.
Anche per le implicazioni è possibile definire una funzione di appartenenza pq(x,y)
con cui è possibile valutarne il grado di verità e che si può calcolare mediante una tra le
seguenti relazioni:
P Q x , y 1 min P x ,1 Q y , (20a.3)
P Q x , y max1 P x , Q y . (20b.3)
50
Capitolo 3 Logica fuzzy e sua ottimizzazione
da cui si capisce bene che affinché la proposizione logica sia soddisfatta non è
necessario che gli insiemi A* e B* della prima premessa e della conseguenza siano gli
stessi della seconda premessa. Il modus ponens generalizzato è molto importante per un
sistema in logica fuzzy, perché, come si vedrà nel paragrafo successivo, rappresenta in
modo completo l’applicazione delle regole e quindi il processo che avviene nel motore
inferenziale. Note le funzioni di appartenenza della prima e della seconda premessa è
possibile calcolare quella relativa alla conseguenza mediante la relazione (18.3), che nel
caso particolare diventa:
B* y supx A* A* x * A B x , y . (22.3)
Infine, per il calcolo delle MSF delle implicazioni si possono utilizzare le seguenti
relazioni:
A x , B y ,
A B x , y min (23a.3)
A B x, y A x B y . (23b.3)
51
Capitolo 3 Logica fuzzy e sua ottimizzazione
3.3.1 Generalità
1. Fuzzificatore
2. Motore inferenziale
3. Base di regole
4. Defuzzificatore
REGOLE
52
Capitolo 3 Logica fuzzy e sua ottimizzazione
Base di regole: l’insieme delle regole costituisce la base della conoscenza del
sistema e quindi dalla sua bontà dipende anche la precisione della relazione ingresso-
uscita. In alcuni casi si può anche accettare di avere un insieme povero di regole base,
potendo aggiornarle durante l’evoluzione del sistema che si vuole controllare mediante
l’applicazione di opportuni algoritmi adattativi.
3.3.2 Le regole
Come già detto nell’introduzione le regole di un sistema fuzzy sono del tipo IF-
THEN-ELSE e possono essere espresse come segue:
53
Capitolo 3 Logica fuzzy e sua ottimizzazione
Nel motore inferenziale i principi della logica fuzzy vengono utilizzati per
combinare le regole base, ottenendo una relazione tra gli insiemi fuzzy in ingresso ed un
insieme fuzzy in uscita. Quindi il motore inferenziale vede sia in ingresso sia in uscita
solo insiemi fuzzy e non variabili numeriche o linguistiche. Ogni regola è considerata
come un’implicazione:
A B x, y (25.3)
in cui:
B Gl (25c.3)
54
Capitolo 3 Logica fuzzy e sua ottimizzazione
A B x , y R l x1 , x2 ,.........
., x p , y F l * F l * ..........
1 2
. * F l * Gl .
p (26.3)
Sia Ax l’insieme fuzzy che rappresenta l’ingresso del motore inferenziale (uscita
fuzzificata), la relativa funzione d’appartenenza è così definita:
Ax x X1 * X 2 * .....
X i .....* X p , (27.3)
in cui X i è la MSF dell’insieme fuzzy relativo all’i-esimo ingresso. Per ogni regola il
motore inferenziale determina in uscita un insieme fuzzy che chiamiamo Bl in modo tale
che:
B l Ax R l . (28.3)
La relazione (28.3) dice semplicemente che per ogni regola si può ottenere un
insieme fuzzy che è dato dalla composizione tra la relazione relativa alla l-esima regola
(vedi implicazione) ed il relativo insieme fuzzy Ax di ingresso. Per ottenere la MSF
dell’insieme Bl basta applicare la relazione (18.3) in cui ora l’insieme A relativo alla
premessa è p-dimensionale, in questo modo si ottiene:
Bl y Ax R l supx Ax Ax x * A B x , y . (29.3)
Applicando la relazione (29.3) alle l regole avremo in uscita l insiemi fuzzy che
dovranno essere combinati in modo tale da averne uno solo. L’esperienza ha dimostrato
che per questa operazione la t-conorm (che rappresenta l’operazione di unione) dà i
risultati migliori per applicazioni in campo ingegneristico.
55
Capitolo 3 Logica fuzzy e sua ottimizzazione
3.3.4 Il fuzzificatore
1 se x x,
A* x (30.3)
0 se x x .
Non sempre questo tipo di fuzzificazione può essere adeguato, specialmente
quando gli ingressi possono essere affetti da disturbi o da rumore. In questi casi si può
X p x p * F l x1 * .....* F l x p * G l y ,
Bl y supxU X1 x1 * ...... (31.3)
1 p
in cui si suppone che gli insiemi fuzzy in ingresso sono definiti nello spazio vettoriale
56
Capitolo 3 Logica fuzzy e sua ottimizzazione
Bl y Gl * supxU X1 x1 * F l x1 * .......* X P x P * F l xP .
1 P
(32.3)
Un caso applicativo molto importante è quello in cui le MSF del generico insieme
fuzzy in ingresso Xk e del generico antecedente Fk sono delle gaussiane, espresse
rispettivamente dalle relazioni:
2
1 xk m X k
2 , (33a.3)
X k xk e Xk
2
x m
1 k Fkl
2 l . (33b.3)
F l xk
F
e k
k
Se come t-norm si usa il prodotto la relazione (32.3) si può scrivere come segue:
Bl y Gl y Ql xk ,max
p
(34.3)
k 1 k
generico termine x k ,max è ottenuto a seguito della massimizzazione (sup) del seguente
termine:
Ql xk X k x k F l xk , (35a.3)
k k
57
Capitolo 3 Logica fuzzy e sua ottimizzazione
3.3.5 Defuzzificazione
µ (y)
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 40 0 10 20 30 40
(a) y (b) y
Figua 8.3
58
Capitolo 3 Logica fuzzy e sua ottimizzazione
0.8
0.6
B1 B2
0.4
0.2
0
0 5 10 15 20 25 30 35 40
y
Figura 9.3
S y B y dy
y , (36.3)
S B y dy
59
Capitolo 3 Logica fuzzy e sua ottimizzazione
I
yi B yi
i 1
y I
. (37.3)
B yi
i 1
A differenza dei primi due questo defuzzificatore ha il pregio di poter dare comunque un
unico valore in uscita.
M
l
y Bl y
l 1
l
y ; (38.3)
M
Bl
l 1
y
l
questo defuzzificatore dal punto di vista computazionale è più semplice del precedente
perché gli insiemi B l presentano di solito delle MSF note e di conseguenza sono anche
noti i loro centri di gravità.
M l Bl y
l
y
l2
l 1
y M , (39.3)
Bl y
l 1
l
60
Capitolo 3 Logica fuzzy e sua ottimizzazione
dove l è un coefficiente che tiene conto del grado di dispersione del conseguente della
l-esima regola.
Per poter applicare con semplicità i principi della logica fuzzy c’è bisogno di avere
una relazione diretta tra le variabili di ingresso e la variabile di uscita, ossia una formula
esplicita del tipo y=f(x), dove x rappresenta il vettore delle variabili numeriche in
ingresso ed y la variabile in uscita. Tali relazioni sono dette Radial Basis Functions. Per
quanto detto, e come si vede dalla figura 7.3, per ottenere questa formula è sufficiente
seguire il segnale x prima attraverso il fuzzificatore, in cui viene trasformata in un
insieme fuzzy, poi attraverso il motore inferenziale, in cui viene convertito in uno o più
insiemi fuzzy di uscita, e successivamente nel defuzzificatore, in cui finalmente si
ottiene un valore numerico per y. Questo procedimento così complesso fa ben capire che
comunque non è possibile scrivere una formula del tutto generale e che sia valida per
ogni FLS. Pertanto, prima di tutto si devono operare delle scelte specifiche per quanto
riguarda:
1. fuzzificatore
2. le funzioni di appartenenza (MSF)
3. il tipo di composizione
4. il tipo di motore inferenziale
5. il defuzzificatore
Se si sceglie un fuzzificatore singleton, max-product composition, product
inference e un height defuzzificatore, si ha che
61
Capitolo 3 Logica fuzzy e sua ottimizzazione
M p
y F l xi
l
y f x l 1 i 1 i
M p
(40.3)
F l xi
l 1i 1 i
p
Bl y l A B x, y l F l xi G l y l , (41.3)
i 1 i
in cui si deve usare la (30.3). Assumendo poi che le MSF sono normalizzate, si ha
G l y l 1 e la relazione (41.3) diventa:
p
Bl y l A B x , y l F l xi . (42.3)
i 1 i
relazioni (33.3), si ha che Bl y l è data dalla relazione (34.3); inoltre, se si assume che
anche Gl y l sia una gaussiana, si ha che il suo valore in corrispondenza di y yl è
Bl y l Ql xk ,max ,
p
k 1 k
(43.3)
62
Capitolo 3 Logica fuzzy e sua ottimizzazione
Infine, sostituendo la relazione (43.3) nella (38.3), si ottiene il legame tra ingresso
ed uscita che costituisce la radial basis function:
y Ql xk ,max
M p
l
y f x l 1 k 1 k
. (44.3)
Ql xk ,max
M p
l 1k 1 k
3.5 Estimator-Based-Adaptive-Fuzzy-Logic
La logica fuzzy si basa su una serie di regole che possono essere estrapolate sia
utilizzando dati sperimentali, sia dati numerici, sia dall’esperienza. Comunque partendo
anche da una base di regole iniziali povere, che in genere devono garantire la stabilità
del sistema, è possibile adattarle on line utilizzando l’algoritmo EAFL [9] al fine di
ottimizzare il funzionamento del controllore fuzzy.
La base di regole può essere rappresentata da una serie di parametri:
~
k A ij k , Ai k , i k ; i 1,2,...,l ; j 1,2,...,p ,
j
(45.3)
dove i è l’indice riferito alle l regole, l’indice j è riferito agli p ingressi, k fa riferimento
~i
agli istanti di tempo campionati, t = kT con T periodo di campionamento, A j (k ) il
centro insieme fuzzy antecedenti relativo alla i-esima regola e j-esimo ingresso, i(k) il
centro insieme fuzzy conseguenti i-esima regola. Le funzioni di appartenenza per gli
antecedenti sono di tipo gaussiano.
63
Capitolo 3 Logica fuzzy e sua ottimizzazione
1 2
Jk ey k , (46.3)
2
e y k r k y k . (47.3)
LSA
yst(k)
In questa tesi si è utilizzato l’algoritmo dei minimi quadrati, Least Square Algoritm
(LSA) (descritto in appendice B), che permette di esprimere ŷ k in funzione di y(k-1)
e di u(k-1), che indicano rispettivamente il valore effettivo della grandezza di uscita, e
dell’ingresso del sistema al passo temporale immediatamente precedente a quello in cui
si vuole valutare y(k):
64
Capitolo 3 Logica fuzzy e sua ottimizzazione
I coefficienti ak e bk non sono costanti ma variano nel tempo per tenere conto delle
nonlinearità e delle tempovarianze del sistema. Essi possono essere stimati on line
applicando proprio l’algoritmo LSA in forma ricorsiva. Inoltre, assumendo che essi non
cambiano tra l’istante k e l’istante k+1, è possibile stimare y(k) con un passo temporale
in anticipo, ossia è possibile stimare y(k+1) con la equazione (48.3) proiettata con un
passo in avanti:
1
Jˆ k 1 eˆy2 k 1 , (50.3)
2
65
Capitolo 3 Logica fuzzy e sua ottimizzazione
est(k+1) LSA
r(k+1) + yst(k+1)
66
Capitolo 3 Logica fuzzy e sua ottimizzazione
Jˆ k 1
k 1 k , (52.3)
in cui rappresenta un coefficiente che esprime la velocità con cui la base di regole è
aggiornata e può essere scelto in modo arbitrario. In linea generale ad un più alto
corrisponde un adattamento di (k) più repentino, viceversa ad un più basso
corrisponde un aggiornamento più lento. Ad ogni modo la scelta di deve derivare da
un giusto compromesso tra una velocità di assestamento adeguata e la stabilità
dell’algoritmo, un valore troppo grande di infatti può comportare una continua
oscillazione della variabile controllata y(k) attorno al valore di riferimento.
Le derivate parziali di Jˆ k 1 rispetto a sono date da:
l
wij k
Jˆ k 1
bk eˆy k 1
j 1
, (53a.3)
i N l
wij k
i 1 j 1
N l
vij k cij wij k i k u k
Jˆ k 1
bk eˆy k 1
i 1 j 1
~ , (53b.3)
A ij N l
wij k
i 1 j 1
N l
~ k vij2 k cij wij k i k u k
Jˆ k 1 Ai
bk eˆy k 1
j i 1 j 1
, (53c.3)
Ai N l
j wij k
i 1 j 1
in cui:
67
Capitolo 3 Logica fuzzy e sua ottimizzazione
~i
Aj k x j k
vij k , (54a.3)
2Ai k 2X j
j
~i
1 Aj k x j k 2
2 i k X
2 2
, (54b.3)
wij k e
Aj j
dove xj(k) indica il vettore degli ingressi. I coefficienti cij presenti nelle equazioni
(53b.3) e (53c.3) sono pari ad 1 se la i-esima regola dipende dal j-esimo ingresso,
altrimenti sono pari a zero.
68
CAPITOLO 4
4.1 Introduzione
Come visto nel terzo capitolo, le fasi costruttive del controllore fuzzy possono
essere così riassunte:
- Definizione degli ingressi
- Definizione dell’uscita
- Definizione del tipo e del numero di insiemi per gli antecedenti/conseguenti
- Definizione del tipo di legame tra gli ingressi (AND oppure OR)
- Definizione del tipo di composizione
- Definizione del fuzzificatore e del defuzzificatore
La logica fuzzy si basa sulla definizione degli ingressi e di una base di regole che
rappresentano il cuore di questa logica e la cui creazione ha rappresentato la parte più
difficoltosa del presente lavoro. Come primo passo si è realizzato un controllo fuzzy,
che stabilizzasse la pressione di sovralimentazione rispetto al valore di set, a cui poi
andare ad applicare il controllo adattativo. Il problema più impegnativo era
rappresentato dall’esigenza di definire una matrice di regole che controllasse il sistema
in tutte le possibile condizioni di funzionamento.
Per la definizione di questa base di regole ci si è basati su dati sperimentali ricavati
osservando due precedenti test sullo stesso modello, controllato mediante un algoritmo
One Step Ahead (OSA) [3] su cui sarà presentato poi un risultato di confronto.
La definizione degli ingressi ha costituito un passo importante nella progettazione
del controllore fuzzy. Inizialmente si è pensato di considerare come ingressi della logica
di controllo la pressione di set di sovralimentazione, la pressione di set on line, cioè
quella realmente in uscita a valle del compressore, il carburante introdotto al ciclo per
ogni singolo cilindro, e il numero di giri del motore e come uscita direttamente il valore
di u rappresentante l’area equivalente di passaggio in turbina. In relazione a questi
ingressi e uscita è stata definita una base di regole che non ha dato buoni risultati,
soprattutto perché, il numero di giri e la quantità di carburante introdotta,
rappresentavano sostanzialmente variabili di disturbo legate al carico e alle condizioni
70
Capitolo 4 Applicazioni al modello delle tecniche di controllo
di funzionamento (la costruzione della base di regole con tali ingressi necessitava di
maggiori dati sperimentali di partenza rispetto a quelli a disposizione); quello che si è
ottenuto è stata una pressione di sovralimentazione molto instabile su cui non ha avuto
nemmeno senso applicare il controllo adattativo.
A questo punto, si è pensato di ragionare solamente sull’errore di pressione
(definito come differenza tra la pressione di riferimento e quella on line) e il carburante
introdotto, con in uscita sempre direttamente il valore di u opportuno. Anche in questo
caso la mancanza di dati sperimentali in tutte le possibili condizione di funzionamento
del motore, dati sperimentali che tra l’altro erano influenzati dalla dinamica relativa al
tipo di test effettuato, non ha permesso di generare una base di regole che permettesse di
ottenere una risposta perlomeno stabile su test differenti.
La soluzione è stata di definire la base di regole che considerasse come ingressi
l’errore di pressione, e la sua derivata temporale, e come conseguente della base di
regole non direttamente il valore di u (che pilota poi l’attuatore e che rimane comunque
l’uscita del controllore globale) ma un u che rappresentasse la variazione dell’area di
passaggio dei gas di scarico, legato alla u dalla relazione uk=uk-1+u. Sulla base di
questa definizione ingresso-uscita è stato molto semplice costruire una base di regole,
che ha dato subito buoni risultati, utilizzando semplici relazioni di buon senso, integrate
ai dati sperimentali a disposizione.
71
Capitolo 4 Applicazioni al modello delle tecniche di controllo
2. Differenza dell’errore: (indicata con E). Con esso intendiamo la differenza tra
l’errore al passo k e l’errore al passo k-1; esso risulta essere direttamente
proporzionale alla derivata dell’errore se si pensa al fatto che tra il passo k e k-1
intercorre il tempo di campionamento, valore costante. Tale ingresso è molto
importante in quanto esprime la velocità con cui la pressione si avvicina o allontana
al valore di riferimento.
Per semplicità di notazione indicheremo con x il vettore degli ingressi, che per quanto
detto è costituito da due componenti: x(k) = [ E(k), E(k) ].
* u
Aeq Aeq (1.4)
k*
*
in cui Aeq indica appunto l’area di passaggio realizzata dall’attuatore, Aeq rappresenta
un opportuno valore di riferimento dell’area di passaggio, molto prossimo al valore
minimo, mentre k* è una costante utilizzata per aumentare la sensibilità e la precisione
di u. L’uso di valori di k* troppo piccoli può dare variazioni della grandezza di controllo
u in un intervallo troppo piccolo con eccessiva sensibilità da parte del sistema. Si è
scelto un valore di k*=100000 con conseguente intervallo di variazioni di u
*
sufficientemente ampio. Per quanto concerne la variabile Aeq , si è scelto il valore di
1.75 cm2, in modo da avere un campo di variazione intorno allo zero ma centrato su un
72
Capitolo 4 Applicazioni al modello delle tecniche di controllo
valore positivo, per ottenere un valore di u mediamente più grande in valore assoluto,
sempre per problemi di sensibilità.
Facendo notare subito che l’uscita finale del controllore resta comunque il valore u
direttamente rappresentante dell’area di passaggio da attuare, così come definito dalla
relazione (1.4), in questo contesto si intende il valore di uscita dalla mappatura fuzzy,
cioè il conseguente della base di regole. Per esso si è pensato di lavorare sulla
variazione dell’ area di passaggio in turbina rispetto al valore al passo precedente:
u k u k 1 u . (2.4)
Definire il tipo degli antecedenti vuol dire scegliere una funzione di appartenenza
(membership function) per essi, che in questo caso sono delle gaussiane aventi
espressione:
2
xjk ~
A ij
12
i (3.4)
Ai k e
Aj
j
~i
dove A j rappresenta il centro dell’insieme fuzzy dell’antecedente relativo alla i-esima
regola ed in corrispondenza del j-esimo ingresso.
A questo punto, dopo aver determinato il campo di variabilità significativo delle
variabili di ingresso, occorre definire il loro numero di insiemi fuzzy ed i valori delle
73
Capitolo 4 Applicazioni al modello delle tecniche di controllo
1.4
1.2
E7 E6 E5 E4 E3 E2 E1
1
grado di appartenenza
0.8
0.6
0.4
0.2
0
-80 -60 -40 -20 0 20 40 60 80
mbar
74
Capitolo 4 Applicazioni al modello delle tecniche di controllo
1 se E1 k 54
2
E1 1 E1 k E~1 , (4a.4)
2 E1
e se E1 k 54
1 se E7 k 54
2
E7 1 E7 k E~7 . (4b.4)
2 E7
e se E7 k 54
Per quanto concerne la variabile Differenza Errore si è scelto un intervallo [-20 20]
mbar coperto da cinque insiemi fuzzy così come mostrato in figura 2.4
75
Capitolo 4 Applicazioni al modello delle tecniche di controllo
1.4
1.2
0.8
0.6
0.4
0.2
0
-30 -20 -10 0 10 20 30
mbar
76
Capitolo 4 Applicazioni al modello delle tecniche di controllo
(5.4)
dove x(k) indica il vettore degli ingressi all’istante t = kt, Ai rappresenta il vettore degli
insiemi fuzzy degli antecedenti relativamente alla i-esima regola, y(k) la variabile di
uscita, che nel nostro caso rappresenta la variazione dell’area di passaggio nella turbina
rispetto al valore al passo k-1, e Bi rappresenta l’insieme fuzzy del conseguente relativo
alla i-esima regola. Ad esempio esplicitando la relazione (6.4) per la prima regola si
ottiene:
Utilizzando la relazione (7.4) e tutte le possibili combinazioni dei due ingressi si può
costruire una base di 35 regole:
77
Capitolo 4 Applicazioni al modello delle tecniche di controllo
in cui u-8 rappresenta l’insieme fuzzy del conseguente con centro in –8.
Le regole sono state definite analizzando test precedenti, da cui si sono ricavati
alcuni punti base all’interno della tabella, integrate a criteri basati sul buon senso. La
prima cosa che ovviamente si è portati a pensare è che nel caso in cui l’errore di
pressione (pset-pon-line) sia positivo occorre ridurre l’area equivalente in turbina, viceversa
nel caso in cui l’errore è negativo. Non è però sempre così: occorre distinguere se, pur
avendo un errore positivo, si è in fase di diminuzione di tale errore o di aumento e
soprattutto con quale velocità. Questo ha portato a introdurre la variabile differenza
78
Capitolo 4 Applicazioni al modello delle tecniche di controllo
errore. Per meglio comprendere si analizzino alcuni esempi pratici: se, ad esempio,
all’istante k l’errore di pressione è di 36 mbar e la differenza errore di 10 mbar,
significa che al passo k-1 l’errore era di 26 mbar e che quindi sta aumentando e occorre
chiudere l’area di passaggio in maniera tanto più forte quanto maggiore è la velocità con
cui questo avviene (E). Si può però essere in una situazione in cui l’errore è sempre
pari a 36 mbar ma ad esempio una differenza errore pari a –10 mbar, questo significa
che in precedenza l’errore era pari a 46 mbar e che quindi la direzione è quella giusta.
Osservando la tabella, in questa situazione si nota un u positivo, si inizia infatti ad
aumentare l’area di passaggio per stabilizzare la pressione, altrimenti raggiungerebbe la
pressione di riferimento con una velocità così elevata da passare nella situazione
opposta, cioè con un errore negativo anche consistente, con conseguente instabilità del
sistema (con la u che passa dal valore di saturazione negativo al valore di saturazione
positivo); l’entità di tale apertura deve essere tanto più forte quanto maggiore è la
velocità (E) con cui la pressione effettiva si avvicina al valore di riferimento. Analogo
discorso vale se si parte da un errore di pressione negativo.
Ciò che salta agli occhi è che comunque l’entita del u, in valore assoluto, è
sempre più piccola quanto più l’errore di pressione e/o la sua differenza sono in
prossimità del valore nullo. Questo al fine di stabilizzare il sistema, poiché nel momento
in cui la pressione on line “aggancia” la pressione di riferimento, valori eccessivi del u
non farebbero altro che innervosire il controllo del sistema. E’ chiaro che occorre
comunque sempre raggiungere un compromesso tra stabilità e tempo di assestamento
del sistema.
Si noti, con un altro esempio, una ulteriore situazione gestita dal controllore: se si
suppone di essere con errore pari a 36 mbar ed una differenza errore pari a –5 mbar, la
logica restituisce un u valore medio tra –4 e +6, ossia un u positivo, e questo è giusto
essendo l’errore in fase di diminuzione e, per quanto detto prima, occorre iniziare ad
aumentate l’area di passaggio. Questo spiega perché per E positivi, a parità di errore, i
conseguenti per E pari a –10 mbar sono in valore assoluto maggiori dei conseguenti
79
Capitolo 4 Applicazioni al modello delle tecniche di controllo
35 2
~
u i Qi x j ,max
u k
i 1 j 1 j
, (9.4)
35 2
Qi x j ,max
i 1 j 1 j
in cui
80
Capitolo 4 Applicazioni al modello delle tecniche di controllo
Qi x j X j x j Ai x j (10.4)
j j
~
2X j A ij 2Ai x j k
x j ,max
j
. (11.4)
2X j 2Ai
j
~ k , E
k E j
~ k , k , k , ~
i Ej Ei
un k , (12.4)
Jˆ k 1
k 1 k , (13.4)
81
Capitolo 4 Applicazioni al modello delle tecniche di controllo
in cui le derivate parziali sono quelle definite dalle formule (53.3) applicate al
controllore fuzzy proposto.
Una prima considerazione da fare è la seguente: nella (13.4) è presente la derivata
del termine Jˆ k 1 rispetto ai parametri, e per come è definita Jˆ k 1 , si evince che
la (13.4) è strettamente legata alla variabile di controllo u(k) e alla sua definizione;
questo ha comportato una mancanza dell’aggiornamento dei parametri quando gli
ingressi E(k) e E(k) sono oltre gli intervalli [-54 54] mbar e [-20 20] mbar
rispettivamente (fuori dalla tabella delle regole), poiché la relazione fuzzy (9.4) in
questa situazione non “distingue” gli effettivi ingressi fuori tabella.
Questo spiega l’andamento delle successive figure che riportano nel tempo
l’andamento dei parametri e in cui si nota che essi sono aggiornati a partire da un certo
istante temporale. In effetti in tutti i test effettuati la pressione di set inizialmente
aumenta troppo velocemente e la pressione reale non è in grado di seguirla per i limiti di
saturazione dell’area in turbina, ottenendo un errore di pressione molto elevato (oltre i
54 mbar) e per quanto affermato in precedenza, non si procede all’aggiornamento dei
parametri.
82
Capitolo 4 Applicazioni al modello delle tecniche di controllo
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
Il problema è dovuto alla “incrocio” dei centri conseguenti che si verifica in un certo
istante, così come evidenziato nelle figure 5.4. In pratica, i valori di alcuni centri dei
conseguenti, adiacenti nella base di regole, tendono nel tempo ad assumere valori molto
prossimi, finché non si verifica addirittura una inversione rispetto alla posizione di
partenza.
83
Capitolo 4 Applicazioni al modello delle tecniche di controllo
20
15
10
-5
-10
-15
-20
-25
5 6 7 8 9 10 11 12 13 14 15
tempo(s)
Centri conseguenti
-5.8
-6
-6.2
-6.4
-6.6
-6.8
-7
-7.2
5 6 7 8 9 10 11 12 13 14 15
tempo(s)
84
Capitolo 4 Applicazioni al modello delle tecniche di controllo
Tale problema nasce dalla natura iterativa della relazione (13.4) che dipende dal
parametro arbitrario . Essa tende ad ottimizzare nel tempo i parametri tanto meglio
quanto più il sistema si mantiene in condizioni quasi stazionarie, facendo tendere (k),
con l’uso di un piccolo, man mano al valore di convergenza (se lo si raggiunge
avremo errore nullo e i parametri non saranno più modificati). Nel caso proposto, le
prove effettuate pongono il sistema in condizioni decisamente non stazionarie per cui i
parametri vengono aggiornati tenendo conto del nuovo punto di funzionamento. Un
valore piccolo di implica un aggiornamento dei parametri troppo piccolo rispetto al
valore di convergenza, che cambia nel tempo, e quindi lo si raggiunge in tempi molto
lunghi; viceversa un valore eccessivo di potrebbe “scavalcare” il valore di
convergenza, portando comunque l’ottimizzatore a rincorrere tale valore con
conseguente instabilità della pressione di sovralimentatazione.
Anche cercando di eliminare questo incrocio dei centri conseguenti non si sono
ottenuti risultati migliori, perché comunque i valori di alcuni centri tendevano ad
assumere valori molto prossimi tra loro. In conclusione l’applicazione contemporanea
della modifica di tutti i parametri porta ad effetti fra loro contrastanti.
Tutte queste considerazioni, unite al fatto che il controllo fuzzy senza
aggiornamento dei parametri dà dei risultati di per sé molto buoni, ha portato a pensare
che la base di regole dovesse essere modificata il meno possibile. Lasciando stare i
valori dei centri antecedenti, dei centri conseguenti e delle varianze degli insiemi fuzzy
antecedenti relativi alla differenza errore, si è posta l’attenzione sulla sola modifica
delle varianze relative alla variabile errore, cioè sulla distribuzione dei pesi degli
antecedenti della variabile errore. Le simulazioni numeriche hanno subito messo in
evidenza che questa era la strada giusta da seguire, come si può notare dalla figura 6.4
in cui è rappresentato l’andamento di una simulazione effettuata nelle stesse condizioni
in cui è stata effettuata la simulazione di figura 4.4.
85
Capitolo 4 Applicazioni al modello delle tecniche di controllo
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
Nella successiva figura 7.4 è riportato l’andamento della distribuzione dei pesi degli
antecedenti relativi alla variabile errore.
86
Capitolo 4 Applicazioni al modello delle tecniche di controllo
12
-36
10
36
8 -54
54
18
6 -18
4 0
0
5 6 7 8 9 10 11 12 13 14 15
tempo(s)
Figura 7.4: Andamento dei pesi degli antecedenti della variabile errore
87
Capitolo 4 Applicazioni al modello delle tecniche di controllo
in [7.65 12.65]. In figura 8.4 è rappresentato lo schema di controllo finale in cui si nota
appunto che tra i vari parametri da cui dipende il controllore fuzzy, l’unico ad essere
aggiornato ad ogni passo di campionamento è E.
pset(k) Controllore
E k
Fuzzy u Plant
Aeq Aeq*
*
k Aeq
E k
p(k) u(k) + u(k) p(k)
+
u(k-1)
est(k+1)
LSA
u(k)
pset(k+1) + pst(k+1)
p(k)
88
CAPITOLO 5
RISULTATI
5.1 Premessa
40
35
30
25
mg/c/cil
20
15
10
0
0 2 4 6 8 10 12 14 16
tempo(s)
90
Capitolo 5 Risultati
40
35
mg/c/cil
30
25
20
15
0 2 4 6 8 10 12 14 16
tempo(s)
91
Capitolo 5 Risultati
I risultati ottenuti nella prima prova sono forniti nelle figure 3.5, 4.5, e 5.5, che
riportano l’andamento in funzione del tempo, dell’area equivalente della turbina, della
pressione di sovralimentazione e del relativo errore espresso in percentuale.
-4
x 10 Andamento Aeq
8
6
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
92
Capitolo 5 Risultati
900
800
700
600
mbar
500
400
Andamento reale : blue
300 Pressione di set : rosso
200
100
0
0 2 4 6 8 10 12 14 16
tempo(s)
30
20
10
Errore %
-10
-20
-30
-40
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 5.5: Errore % riferito alla pset con controllore statico (prima prova)
93
Capitolo 5 Risultati
in cui
Pset Ponline
Errore% 100 . (1.5)
Pset
Dalle figure si può notare l’ottimo risultato ottenuto durante questa prova con il
controllore fuzzy statico; una volta che la pressione on line ha agganciato la pset, le
regole che governano l’andamento sono quelle relative all’antecedente errore nullo.
Nella fase iniziale e finale della prova è evidente la elevata pendenza della pressione di
set che non può essere seguita dalla pressione on-line per i limiti di saturazione dell’area
di passaggio in turbina, come si può notare osservando la figura 3.5 tra t=2s e t=4.4s.
Nel modello del motore l’area minima attuabile è di 1 cm 2 mentre quella massima è di
7.5 cm2.
Anche per la seconda prova, nelle figure 6.5, 7.5 e 8.5, si riportano gli andamenti
dell’area equivalente della turbina, della pressione di sovralimentazione e dell’errore di
pressione percentuale.
-4
x 10 Andamento Aeq
7
5
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
94
Capitolo 5 Risultati
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
16
14
12
10
Errore %
-2
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 8.5: Errore % riferito alla pset con controllore statico (seconda prova)
95
Capitolo 5 Risultati
Il cuore della logica fuzzy è, come già sottolineato più volte, la base di regole del
motore inferenziale. La realizzazione di un buon controllore fuzzy è legata
essenzialmente proprio alla dimensione della matrice di regole e ai criteri con cui tali
regole sono state definite, e quindi al numero e al tipo di ingressi, al numero di
antecedenti e al tipo di uscita del motore inferenziale.
In questo lavoro, come già citato nel capitolo precedente, sono stati definiti come
ingressi che fornissero le informazioni necessarie al motore inferenziale l’errore di
pressione e la derivata dell’errore e come uscita la variazione dell’area di passaggio in
turbina.
Vantaggi legati alla natura degli ingressi e dell’uscita:
- l’errore di pressione e la sua derivata richiedono la pressione on-line come
unica variabile esterna al controllore (oltre ai valori di pressione di set che
provengono però dalla centralina elettronica) e questo implica una riduzione
massima di rumore introdotto nel sistema di controllo, che necessita di un
unico sensore di segnale. Rispetto ai controllori PID (Proporzionale-Integrale-
Derivativo) implementati sui motori con turbine a geometria variabile
attualmente in commercio, non è necessaria quindi strumentazione ulteriore.
- controllo rubusto ai vari test ed ai differenti sistemi da controllare:
l’iniziale carenza di dati sperimentali ha portato alla definizione di ingressi ed
uscita che svincolasse al massimo da questa tipo di mancanza. Proprio ciò si è
96
Capitolo 5 Risultati
Si riportano ora i risultati ottenuti per entrambe le prove nel caso in cui tutti i
parametri da cui dipende il controllore siano aggiornati.
Nelle figure da 9.15 a 14.5 si possono osservare gli andamenti ottenuti nella prima
prova; in particolare, essendoci l’aggiornamento dei parametri, nelle figure 12.5, 13.5 e
14.5 si riportano gli andamenti nel tempo, dei centri antecedenti, delle relative varianze
e dei centri dei conseguenti.
97
Capitolo 5 Risultati
-4
x 10 Andamento Aeq
8
6
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 10.5: Andamento pressione con controllore totalmente adattativo (prima prova)
98
Capitolo 5 Risultati
30
20
10
Errore %
-10
-20
-30
-40
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 11.5: Errore % riferito alla pset con controllore totalmente adattativo (prima prova)
Antecedenti errore
50
-50
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
Antecedenti differenza errore
20
10
-10
-20
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
Figura 12.5: Andamento centri antecedenti con controllore totalmente adattativo (prima prova)
99
Capitolo 5 Risultati
10 -18
18
8 0
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
Varianze antecedenti differenza errore
10
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
Figura 13.5: Andamento varianze antecedenti con controllore totalmente adattativo (prima prova)
20
10
-10
-20
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
zoom su due conseguenti in particolare
0
-1
-2
-3
-4
-5
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
100
Capitolo 5 Risultati
Figura 14.5: Centri conseguenti (prima prova) , la figura (b) evidenzia il problema “dell’incrocio”
Anche per la seconda prova, nelle figure da 15.5 a 20.5, si riportano gli andamenti
dei risultati ottenuti.
-4
x 10 Andamento Aeq
8
6
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
101
Capitolo 5 Risultati
Figura 16.5: Andamento pressione con controllore totalmente adattativo (seconda prova)
15
10
Errore %
-5
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 17.5: Errore % riferito alla pset con controllore totalmente adattativo (seconda prova)
Antecedenti errore
50
-50
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
Antecedenti differenza errore
20
10
-10
-20
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
102
Capitolo 5 Risultati
Figura 18.5: Andamento centri antecedenti con controllore totalmente adattativo (seconda prova)
-18
10
18
0
9
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
Varianze antecedenti differenza errore
10
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
Figura 19.5: Andamento varianze antecedenti con controllore totalmente adattativo (seconda prova)
103
Capitolo 5 Risultati
20
10
-10
-20
5 6 7 8 9 10 11 12 13 14 15
(a) tempo(s)
zoom su due conseguenti in particolare
-6
-6.5
-7
-7.5
5 6 7 8 9 10 11 12 13 14 15
(b) tempo(s)
Figura 20.5: Centri conseguenti (seconda prova) , la figura (b) evidenzia il problema “dell’incrocio”
Analizzando i risultati delle due prove, in entrambi i casi si ha un controllo del
sistema sempre più instabile al passare del tempo di simulazione. Il problema è legato,
come già spiegato nel paragrafo 4.3.1, alla iteratività della formula di aggiornamento dei
parametri e alla sua dipendenza da un parametro arbitrario che porta questa metodo di
aggiornamento ad entrare in crisi quando il sistema da controllare è in condizioni non
stazionarie. Analizzando tale andamento, una prima causa di instabilità è legata al fatto
che il metodo di aggiornamento tende a penalizzare quelle regole che si attivano quando
l’errore di pressione è piccolo, diminuendo la loro influenza (basta osservare
l’andamento dei E18 , E0 , E18 nelle figure 13.5 e 19.5) ed è chiaro che questo
destabilizza il sistema poiché si avranno sempre grosse variazioni dell’area di passaggio
in turbina anche quando l’errore è piccolo. Le figure 9.5 e 15.5 testimoniano le forti
oscillazioni dell’area equivalente calcolata. La seconda causa, osservando le figure 14.5
e 20.5, è l’inversione dei centri di alcuni conseguenti rispetto alle posizioni di partenza,
inversione che va contro i criteri con i quali è stata costruita la base di regole.
104
Capitolo 5 Risultati
Gli ottimi risultati ottenuti con il controllore statico, uniti ai problemi sorti con il
controllore totalmente adattativo, hanno suggerito di modificare i parametri del
controllore più significativi.
In questo caso i risultati ottenuti fanno riferimento al sistema di controllo finale in
cui vengono aggiornati solo i pesi degli antecedenti relativi alla variabile errore di
pressione. La limitazione dei pesi all’interno del range [7.65 12.65] ha permesso l’uso
di un elevato che porta il controllore ad essere più pronto alle variazioni dei punti di
funzionamento del motore e nello stesso tempo non si crea instabilità eliminando quei
problemi sottolineati nel paragrafo precedente.
I risultati ottenuti nella prima prova sono forniti nelle figure 21.5, 22.5 e 23.5, che
riportano l’andamento in funzione del tempo, dell’area equivalente in turbina, della
pressione di sovralimentazione e del relativo errore percentuale.
105
Capitolo 5 Risultati
-4
x 10 Andamento Aeq
8
6
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
900
800
700
600
mbar
500
400
Andamento reale : blue
300 Pressione di set : rosso
200
100
0
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 22.5: Andamento pressione con controllore parzialmente adattativo (prima prova)
106
Capitolo 5 Risultati
30
20
10
Errore %
-10
-20
-30
-40
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 23.5: Errore % riferito alla pset con controllore parzialmente adattativo (prima prova)
Si effettua ora un confronto tra il sistema di controllo fuzzy e l’algoritmo OSA
implementato sullo stesso modello in un lavoro precedente [3]. In particolare nella
figura 24.5, si riporta il confronto delle pressioni di sovralimentazione ottenute con i
due metodi, mentre nelle 25.5 si effettua un confronto dei relativi errori percentuali.
107
Capitolo 5 Risultati
Pressione di sovralimentazione
1100
1000
900
800
700
600
mbar
500
400
100
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 24.5: Confronto tra controllore fuzzy parzialmente adattativo ed algoritmo OSA (prima prova)
30
20
Sistema di controllo OSA : rosso
Sistema di controllo fuzzy : blue
10
Errore %
-10
-20
-30
-40
2 4 6 8 10 12 14 16
tempo(s)
Figura 25a.5: Confronto tra controllore fuzzy parzialmente adattativo ed algoritmo OSA (prima prova)
108
Capitolo 5 Risultati
8
Sistema di controllo fuzzy : blue
6
Sistema di controllo OSA : rosso
4
2
Errore %
-2
-4
-6
-8
-10
2 4 6 8 10 12 14 16
tempo(s)
Figura 25b.5: Confronto tra controllore fuzzy parzialmente adattativo ed algoritmo OSA (prima prova)
Osservando le figure 24.5 e 25.5 si può notare il miglioramento ottenuto con il
controllore fuzzy rispetto all’algoritmo OSA. Non considerando le fasi iniziale e finale
della prova in cui la turbina è in saturazione e quindi il tipo di controllo è ininfluente, il
controllore fuzzy risulta essere molto più pronto nelle fasi in cui si hanno variazioni
della pressione di set e di carburante iniettato. In particolare si possono notare
l’eliminazione delle forti oscillazioni (con evidenti over_shoots) presenti nel controllo
OSA tra t=4s e t=5s ed un successivo migliore andamento della pressione reale rispetto
all’andamento ottenuto con il controllore OSA in cui si ottiene una pressione che tende
ad assestarsi al valore di set con una certa lentezza. Infine è nuovamente più pronto
nella fase finale quando la pressione di set si abbatte intorno a 400 mbar.
109
Capitolo 5 Risultati
-4
x 10 Andamento Aeq
7
5
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
Tra t=8s e t=10s si può notare una diminuzione media dell’area equivalente
attuata; ciò è dovuto al fatto che a parità di pressione di set si ha una diminuzione di
carburante introdotto (vedi figura 2.5). Tale situazione a parità di area equivalente
porterebbe ad una diminuzione della pressione reale, il controllore reagisce riducendo
l’area di passaggio.
Nelle successive figure 27.5 e 28.5 si riportano l’andamento della pressione di
sovralimentazione e del relativo errore percentuale, sempre in riferimento al controllore
fuzzy parzialmente adattativo.
110
Capitolo 5 Risultati
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 27.5: Andamento pressione con controllore parzialmente adattativo (seconda prova)
16
14
12
10
Errore %
-2
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 28.5: Errore % riferito alla pset con controllore parzialmente adattativo (seconda prova)
111
Capitolo 5 Risultati
Anche in questo caso è disponibile un confronto tra i risultati ottenuti con in controllore
fuzzy parzialmente adattativo e quelli ottenuti in un lavoro precedente con l’algoritmo
OSA, riportando nelle figure 29.5 e 30.5 l’andamento della pressione di
sovralimentazione e del relativo errore percentuale.
Pressione di sovralimentazione
1100
1000
900
800
700
600
mbar
500
400
100
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 29.5: Confronto tra controllore fuzzy parzialmente adattativo ed algoritmo OSA (seconda prova)
112
Capitolo 5 Risultati
15
10
Sistema di controllo fuzzy : blue
Errore %
-5
-10
2 4 6 8 10 12 14 16
tempo(s)
Figura 30.5: Confronto tra controllore fuzzy parzialmente adattativo ed algoritmo OSA (seconda prova)
Osservando la figura 29.5 e soprattutto la figura 30.5 si può notare come non ci sono
fasi in cui il controllore fuzzy generi un errore percentuale elevato, a differenza del
controllore OSA che produce errori più elevati tra t=4s e t=6s, ovvero quando si hanno
nuovamente variazioni della pressione di set e di carburante introdotto. In effetti basta
osservare l’andamento del combustibile iniettato in figura 2.5 e notare come solo nelle
fasi tra t=8s e t=10s, e tra t=13s e t=15s, in cui il carburante introdotto è costante, la
pressione, nel caso OSA, tende ad assestarsi al valore di set.
113
Capitolo 5 Risultati
(circa ogni due giri completi). Questo aspetto conferma la bontà e la robustezza del
sistema di controllo implementato.
Ql xk X k x k F l xk , (2.5)
k k
114
Capitolo 5 Risultati
da cui si ottiene
2X k mF l 2F l m X k
xk ,max k k
(3.5)
2X k 2F l
k
Si sono effettuati dei test per entrambe le prove simulando il caso in cui alla
pressione reale di sovralimentazione fornita al software di controllo, si aggiunga un
disturbo casuale.
Nella figura 31.5 si riporta l’andamento in funzione del tempo, del disturbo casuale
presente durante la prima prova. Si suppone che il rumore introdotto sia distribuito
casualmente in un intervallo di [-10 10 ] mbar.
115
Capitolo 5 Risultati
10
2
mbar
-2
-4
-6
-8
-10
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 31.5: Rumore introdotto dal sensore di pressione del collettore di aspirazione (prima prova)
Nelle successive figure 32.5, 33.5 e 34.5 si riportano l’andamento dell’area equivalente
in turbina, della pressione di sovralimentazione nel collettore di aspirazione e del
relativo errore percentuale.
116
Capitolo 5 Risultati
-4
x 10 Andamento Aeq
8
6
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
900
800
700
600
mbar
500
400
Andamento reale : blue
300 Pressione di set : rosso
200
100
0
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 33.5: Andamento pressione con controllore parzialmente adattativo in presenza di rumore
117
Capitolo 5 Risultati
30
20
10
Errore %
-10
-20
-30
-40
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 34.5: Errore % riferito alla pset con controllore parzialmente adattativo in presenza di rumore
Infine, nella figura 35.5 si riporta l’andamento del rumore introdotto durante la
seconda prova, e nelle figure 36.5, 37.5 e 38.5 i risultati ottenuti. Anche in questo caso il
rumore introdotto è distribuito casualmente nell’intervallo [-10 10 ] mbar.
118
Capitolo 5 Risultati
10
2
mbar
-2
-4
-6
-8
-10
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 35.5: Rumore introdotto dal sensore di pressione del collettore di aspirazione (seconda prova)
-4
x 10 Andamento Aeq
7
5
Area ( m2 )
1
0 2 4 6 8 10 12 14 16
tempo(s)
119
Capitolo 5 Risultati
1000
800
mbar
600
400
Andamento reale : blue
Pressione di set : rosso
200
0
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 37.5: Andamento pressione con controllore parzialmente adattativo in presenza di rumore
15
10
Errore %
-5
0 2 4 6 8 10 12 14 16
tempo(s)
Figura 38.5: Errore % riferito alla pset con controllore parzialmente adattativo in presenza di rumore
120
Capitolo 5 Risultati
121
CONCLUSIONI
Nel presente lavoro è stata proposta una tecnica di controllo adattativa basata su
logica fuzzy per la regolazione della pressione di sovralimentazione di un motore
alternativo ad accensione spontanea, sovralimentato mediante un turbogruppo con
turbina a geometria variabile (VGT). Il progetto del regolatore e l’analisi dei risultati
sono stati resi possibili grazie ad un modello numerico zerodimensionale del motore in
esame.
Dalle simulazioni numeriche si evince come l’algoritmo di controllo Estimator-
based-adaptive-fuzzy-logic (EAFL), rappresenta un’ottima soluzione al problema di
controllo proposto in questo lavoro. Infatti, la sua natura adattativa, permettendo di
ottimizzare on line i parametri da cui dipende la logica fuzzy, ha consentito di ottenere
ottimi risultati, sia in termini di prontezza che di precisione, nelle simulazioni di due
diversi casi test. Dai risultati ottenuti si è potuto notare inoltre come non ci siano fasi in
cui il controllore fuzzy generi un errore percentuale elevato, salvo che in condizioni di
saturazione. In particolare si è potuto notare l’eliminazione delle forti oscillazioni
caratteristiche degli algoritmi di controllo PID.
Tale risultato è stato ottenuto grazie ad un’opportuna scelta degli ingressi ed uscita
del motore inferenziale, e al numero di regole stabilite: l’iniziale carenza di dati
sperimentali ha portato alla definizione di ingressi (errore di pressione e sua derivata
temporale) ed uscita (variazione dell’area di passaggio in turbina) della mappatura
fuzzy, che non richiedessero grandi quantitativi di dati. Proprio ciò si è rivelato in
seguito il punto di forza dell’algoritmo di controllo che risulta essere robusto per le
diverse condizioni di funzionamento del motore. Inoltre, l’errore di pressione e la sua
derivata richiedono la pressione on-line come unica variabile esterna al controllore
(oltre ai valori di pressione di set che provengono però dalla centralina elettronica), e
questo implica una riduzione massima di rumore introdotto nel sistema di controllo,
che necessita di un unico sensore di segnale. Rispetto ai controllori PID (Proporzionale-
Integrale-Derivativo) implementati sui motori con turbine a geometria variabile
122
Conclusioni
123
Bibliografia
124
APPENDICE A
Cilindro
Alesaggio del cilindro: 79.5 mm
Corsa del pistone: 95.5 mm
Lunghezza della biella: 110 mm
Rapporto di compressione: 19.5
Cilindrata: 474 cm3
Volume dello spazio morto: 25.6 cm3
Valvole
Diametro della sede della valvola di aspirazione: 31.9 mm
Diametro della sede della valvola di scarico: 24.5 mm
Angolo di apertura valvola di aspirazione (AVO): 710°
Angolo di chiusura valvola di aspirazione (AVC): 230°
Angolo di apertura valvola di scarico (EVO): 484°
Angolo di chiusura valvola di scarico (EVC): 12°
Masse in movimento
Momento d’inerzia dell’albero del turbogruppo: 8.4 10-5 Kg m2
Momento d’inerzia dell’albero motore e delle parti rotanti connesse: 5.0 10-5 Kg m2
Massa delle parti in moto alternato: 1.0 Kg
Condizioni ambiente
Pressione atmosferica: 101325 Pa
Temperatura atmosferica: 300 K
125
Appendice A
Carburante
Numero di cetano del carburante: 54.5
Potere calorifico inferiore: 41800 KJ / Kg
Rapporto stechiometrico tra carburante e massa di aria: 6.8 10-2
Densità del carburante: 0.837 Kg / litro
Dati di funzionamento
Temperatura media delle pareti del cilindro: 540 K
Esponente nella formula di scambio termico convettivo: 0.85
Esponente della politropica di compressione: 1.3
126
APPENDICE B
Un generico sistema può essere modellato usando uno schema ARMA che nel caso
di sistema SISO è:
y k a y k 1 b u k 1 , (1.B)
y k k 1 k 1 , (2.B)
in cui
yk 1
k 1 a b ,
k 1
uk 1
. (3.B)
Le seguenti formule, che descrivono LSA in forma ricorsiva, danno una stima
ragionevole di :
127
T k 1 P k 2
k k 1 y k k 1 k 1 , (4a.B)
1 T k 1 P k 2 k 1
128
Appendice B
P k 2 k 1 T k 1 P k 2
P k 1 P k 2 . (4b.B)
1 T k 1 P k 2 k 1
Nelle equazioni (4.B) P(k-1) e P(k-2) rappresentano rispettivamente le matrici di
covarianza agli istanti k-1 e k-2. Essendo un algoritmo ricorsivo, i termini a primo
membro nelle equazioni (4.B) sono calcolati ad ogni passo temporale considerato ed
occorre chiaramente inizializzare alcuni parametri alla partenza:
0 0 0 , (5a.B)
p 0
P1 . (5b.B)
0 p
L’equazione (4a.B) può essere riscritta nella forma
k k 1 M e0 , (6.B)
che ci dice che i coefficienti a e b del vettore riga vengono aggiornati ad ogni passo
temporale in modo direttamente proporzionale all’errore e0 , inteso come differenza tra il
valore effettivo di y e la sua stima:
e0 y k k 1 k 1 . (7.B)
129
Appendice B
Pertanto è conveniente partire con una matrice di covarianza i cui elementi sono
piuttosto alti (per esempio P=106). Nel metodo tradizionale P è aggiornata secondo la
(4b.B) e dopo poche iterazioni assume valori troppo piccoli con conseguente drastica
riduzione di M e quindi una notevole riduzione sulla velocità di convergenza. Una
evoluzione del metodo, utilizzata in questa tesi, consiste nel memorizzare la matrice P
dopo un certo numero di passi e nel riaggiornarla dopo un certo numero di passi
successivi, e iterando questo processo (è stato scelto di aggiornarla ogni 5 passi), grazie
alla velocità dell’algoritmo dei minimi quadrati la matrice di covarianza dopo i primi 5
passi avrà sicuramente raggiunto un valore ottimale, che potrà essere utilizzato come
aggiornamento senza aggiungere alcuna incertezza 5 passi temporali dopo. Questa
complicazione del metodo ha il vantaggio di permettere una stima più precisa di y grazie
alla possibilità di annullare periodicamente l’influenza di punti troppo lontani nel
tempo. Un esempio di stima preso da una simulazione numerica è riportato in figura
1.B; l’errore tra il valore reale e quello stimato risulta evidente solo nei primi passi di
campionamento quando i vettori di stima passano dal valore di inizializzazione, nullo, a
quello stimato.
Confronto tra pressione reale e pressione stimata
1200
1000
800
600
400
200
mbar
-200
-400
-1000
0 2 4 6 8 10 12 14 16
tempo(s)
Figura (1.B): Confronto tra pressione reale e stimata con LSA ottimizzato
130