@article { author = {کاویانی, هوشنگ and بحری, بهرام}, title = {Data driven model for detecting misfiring combustion in low temperature combustion engine using Neuro-Fuzzy}, journal = {Engine Research}, volume = {55}, number = {55}, pages = {39-48}, year = {2019}, publisher = {Iranian Society of Engine}, issn = {1735-5214}, eissn = {2345-4121}, doi = {}, abstract = {The homogeneous charge compression ignition (HCCI) engines with ethanol fuel as a renewable fuel is a promising solution to some of the major challenges of combustion engines. Incomplete or misfiring combustion limits HCCI operation and damages the catalyst converter and exhaust systems. The experimental data of a 0.3-liter combustion engine was used for modeling and detecting misfiring combustion. Incomplete and misfiring combustion in HCCI engine was studied by fuzzy-neural network. There is a significant relationship between misfiring combustion and in-cylinder pressure variations at 0, 5, 10, 15 and 20 crankshafts. These experimental findings were used to design a fuzzy-neural network for misfiring incomplete combustion in a HCCI engine. This model has been tested on experimental data. The results showed that the fuzzy-neural network fault diagnostic model can detect incomplete and misfiring combustion in HCCI engine with ethanol fuel. In addition, the developed model was able to identify the transition success from the normal operating area and incomplete combustion.}, keywords = {}, title_fa = {بررسی و شبیه‌سازی احتراق ناقص در موتورهای احتراق سرد با شبکه فازی- عصبی}, abstract_fa = {موتورهای احتراق تراکمی مخلوط همگن با سوخت اتانول به عنوان یک سوخت تجدید پذیر، راه حل امیدوار کننده برای مقابله با برخی از چالش‏های عمده موتورهای احتراقی است. احتراق ناقص یا نادرست عملکرد این موتورها را محدود کرده و به سامانه‏های پس پالایش و دود آسیب رسانده و سبب افزایش آلودگی در خودرو می‏شود. در این تحقیق داده‏های تجربی یک موتور 0.3 لیتری احتراق تراکمی مخلوط همگن برای شبیه‏سازی و تحلیل احتراق ناقص استفاده شده استفاده شده است. نتایج نشان داد که بین احتراق ناقص و تغییرات فشار استوانه در 0، 5، 10، 15 و 20 زاویه میل‏لنگ ارتباط معنی داری وجود دارد. این یافته‏های تجربی برای طراحی یک شبکه فازی-عصبی برای تشخیص احتراق ناقص در موتور احتراق تراکمی مخلوط همگن استفاده شد. نتایج ارزیابی دقت شبیه‏سازی فازی-عصبی بدست آمده با استفاده از داده­هایی آزمایشگاهی نشان داد، که همبستگی بسیار مناسبی ( ) بین داده‏های پیش بینی شده شبیه‏سازی و داده‏های آزمایشگاهی وجود دارد که بیانگر دقت قابل قبول شبیه‏سازی فازی-عصبی برای تشخیص احتراق ناقص انتخاب شده است.}, keywords_fa = {}, url = {https://www.engineresearch.ir/article_697845.html}, eprint = {https://www.engineresearch.ir/article_697845_3bb6fca2c6276ef4e72465ec3f510ebf.pdf} }