مدل سازی قوای محرکه خودرو honda insight با استفاده از روش های شناسایی سیستم ها
چکیده
افزایش قیمت فرآورده های نفتی و همچنین گسترش قوانین سخت گیرانه محیط زیستی سبب شده تا صنعت خودروسازی جهان دو هدف را سرلوحه فعالیت های خود قرار دهد : یکی کاهش آلاینده خودروها و دیگری کاهش مصرف سوخت. یکی از راه حل هایی که برای دستیابی به این اهداف توسط صنایع خودروسازی و هم چنین از طرف دولت ها دنبال می گردد خودروهای دورگه می باشد. در این خودروها با اضافه کردن یک موتور الکتریکی به مجموعه قوای محرکه خودرو به طرق مختلف سعی می شود تا این اهداف محقق گردد. مهمترین مسیله در طراحی خودروهای دورگه الگوریتم توزیع توان آنها می باشد که مشخص کننده نحوه استفاده از موتور احتراقی و موتور الکتریکی در نقاط مختلف عملکردی خودرو به منظور دست یابی به بهترین حالت عملکرد خودرویی، مصرف سوخت و آلاینده ها می باشد که این الگوریتم نیازمند مدل تمام اجزای قوای محرکه می باشد. در این پایان نامه مدل موتور احتراقی، مجموع موتور احتراقی و موتور الکتریکی و مجموعه کلاچ تا چرخ خودروی hondo insight به روش شناسایی سیستم ها تهیه شده است. علت اصلی استفاده از این روش مدل سازی عدم وجود اطلاعات دقیق از اجزا مختلف این خودرو و پیچیدگی بالای سیستم می باشد. مدل هایی مختلفی در شناسایی سیستم وجود دارند که با توجه به شرایط مسیله و هدف مدل سازی می توان از آنها استفاده کرد. از آنجایی که به منظور الگوبرداری خودروی مورد نظر دقت و قابلیت تفسیر و تعمیم مدل ها دارای اهمیت ویژه ای می باشد، از مدل های فازی (lolimot) به منظور مدل سازی اجزا پیچیده و از مدل های خطی به منظور مدل سازی اجزا ساده تر استفاده شده است. مدل فازی lolimot علاوه بر ویژگی های فوق از مزیت های دیگری نظیر عدم حساسیت به شرایط اولیه، آموزش سریع و شناسایی پیچیدگی سیستم برخوردار می باشد که نتایج مدل سازی اجزا مختلف این خودرو و صحه گذاری مدل ها به وسیله آزمون های انجام شده این مزیت ها را تأیید می نماید. نتایج مدل سازی اجزا مختلف این خودرو به وسیله این الگوریتم نشان داد که چگونه دورگه سازی می تواند پراکندگی نقاط عملکردی موتور احتراق داخلی یک خودرو را کاهش دهد. این همان ایده ای است که خودروهای خفیف دورگه برای بهینه سازی مصرف سوخت دنبال می کنند. یعنی مدیریت موتور احتراق داخلی و موتور الکتریکی بطوری که این اجزا همواره در یک نوار باریک در اطراف نقاط عملکردی بهینه خود کار کنند. البته این مدل ها دارای معایبی نیز می باشند که مهمترین آنها وابستگی آنها به تجربه کاربر و نیاز به آزمون و خطا کردن برای رسیدن به نتیجه مطلوب می باشد.