Kateřina KIDOROVÁ, Master Degree Programme (5). Dept. of Machine Design, FME, University of West Bohemia, Plzeň. E-mail: kidorovak@email.cz. Supervised by: Prof. Stanislav Hosnedl
ABSTRACT
Piezo rel Umum Injektor (PCR), bagian dari diesel rel Umum Suntikan sistem, menawarkan keuntungan tiada bandingnya dan unik di dalam nanometer resolusi dengan kecepatan tinggi aplikasi sistem diesel. Penyeimbangan yang optimal menyangkut batas toleransi parameter membawa biaya yang menyelamatkan dan mutu meningkatkan di dalam proses produksi. Simulasi PCR ilmu hidrolik adalah salah satu dari perkakas yang yang paling kuat yang menggambarkan perilaku sistem itu. Dengan bantuan 1D simulasi di dalam AMESIM dan MATLAB perangkat lunak menggunakan Metode Monte Carlo untuk yang acak sampling parameter adalah suatu pendekatan baru untuk meneliti pabrikasi toleransi apakah PCR injektor menyangkut 2nd generasi yang dikembangkan
1 INTRODUCTION
Gol dari proyek ini adalah untuk mengambil keuntungan dari 1D simulasi jumlah suntikan untuk karena memecahkan permasalahan dalam toleransi optimal dengan sampling adalah parameter injektor sebagai Monte Carlo (MC) studi. MC metoda didasarkan pada pengintegrasian menyangkut distribusi kemungkinan fungsi dari tiap berikut dan parameter penggunaan yang sistematis dari angka-angka acak dalam rangka menaksir parameter dari suatu distribusi yang tak dikenal oleh simulasi statistik menurut a ditentukan algoritma. Gunakanlah MC pendekatan mempunyai alasan-alasan layak. Jika kita bertukar-tukar hanya menurunkan batas arus (LSL) dan batas arus bagian atas (USL) selama 20 parameter mandiri, karena kejadian, kita perlu menjalankan 210 simulasi tunggal, yang berarti menentukan atas di atas suatu juta simulasi untuk bermacam-macam dua nilai-nilai satu parameter. Jika kita ingin bertukar-tukar tidak hanya toleransi yang marginal menilai tetapi juga rata-rata menghargai untuk 20 parameter, kita perlu menjalankan 210 simulasi tunggal– itu telah GIGA angka-angka. Dengan MC simulasi yang saja kira-kira 400 simulasi tunggal harus dilaksanakan.
tugas Yang pertama adalah pengembangan suatu simulasi MATLAB-AMESIM model untuk memproduksi injektor yang baru dengan berbagai kombinasi parameter di dalam toleransi asli mereka. analisa dan Evaluasi menyangkut hasil dari simulasi oleh penggunaan perangkat lunak statistik STATGRAPHICS adalah tugas yang kedua . menurut analisa Yang statistik suatu pandangan dan perbandingan parameter dengan efek yang yang paling tinggi dari parameter dan toleransi mereka dengan hampir tidak ada efek menyangkut toleransi yang bisa mendorong kearah pelebaran batas toleransi lebih dengan tepat untuk menyelamatkan biaya produksi dibuat.
2 ANALYSIS OF PROJECT
Dalam rangka menyelesaikan suatu Monte Carlo simulasi adalah diperlukan untuk mengumpulkan data menyinggung kepada masing-masing relevan parameter– distribusi dan toleransi dari tiap parameter. Data untuk suatu total jumlah 17 parameter apakah disajikan dari manajemen mutu untuk MC simulasi.
Perapian MC simulasi vas suatu model simulasi disahihkan dibangun di dalam AMESIM perangkat lunak yang menghasilkan hasil simulasi jumlah suntikan.Pembacaan data statistik, parameter sampling di dalam toleransi produksi dan pengaturan mereka untuk simulasi, menjalankan simulasi di dalam AMESIM dengan parameter baru menetapkan, membaca diakibatkan oleh simulasi dan penyelamatannya di dalam suatu Lampaui file adalah suatu tugas untuk MATLAB catatan yang menggunakan kelas dan memprogramkan berfungsi untuk parameter sampling menurut MC algoritma. Analisa suntikan statistik jumlah sebagai nilai kombinasi parameter masukan yang dependent diselamatkan di dalam Lampaui adalah yang dievaluasi oleh STATGRAPHICS perangkat lunak statistic
2.1 AMESIM MODEL AND ITS VALIDATION
Untuk menghasilkan hasil mutu jumlah suntikan tinggi adalah diperlukan untuk membuat pengesahan tentang simulasi model. Pengesahan menyangkut model simulasi adalah suatu operasi sangat penting di dalam simulasi. Untuk ” mengesahkan” diterangkan seperti ” untuk membuktikan bahwa sesuatu yang benar”, yang berarti ” model simulasi sesuai dengan injektor riil”. Gol pengesahan adalah untuk merancang suatu tinggi- ketelitian model dengan waktu kalkulasi waktu CPU sama sedikit seperti mungkin. Ada beberapa langkah-langkah untuk mengesahkan injektor dikembangkan model seperti pembaharuan parameter injektor menurut data bersifat percobaan tersedia, hasil penggunaan FEM analisa untuk parameter tertentu pengesahan tentang komponen injektor alat pemercik pengesahan, Rel Umum Pengesahan, ECU pengesahan, pengesahan sistem servis hidrolik perbandingan dari varian model diusulkan menurut waktu tampak untuk injektor itu ECU arus, ECU voltase, jarum mengangkat, suntikan menilai, menyalurkan lewat pipa memaksa dan lain lain- lihat contoh dengan informasi tentang akselerasi jarum yang salah selama simulasi kwantitas memetakan perbandingan dari data bersifat percobaan dan mutu simulasi.Pengesahan adalah waktu yang mengkonsumsi, pekerjaan berat dan suatu studi proses intensive.
proses Yang paling diperumit adalah alat pemercik pengesahan. Standard itu AMESIM model alat pemercik adalah tidak cukup untuk jarum yang yang paling kecil mengangkat. Akhirnya, menurut 9 (yang bersifat percobaan riset hambatan alir) alat pemercik tempat duduk area. apakah digambarkan sebagai 4-degree polynomial ketergantungan pada atas jarum mengangkat sebagai ganti penggunaan AMESIM asli model (tanggungan liniar alat pemercik duduk area). Setelah data yang bersifat percobaan mengukur dengan tekanan tinggi test bangku peralatan dan data dari simulasi diselamatkan di dalam PC adalah sangat berguna bagi program yang otomatis merencanakan waktu tampak dengan bantuan MATLAB. Waktu alur cerita tampak menyediakan banyak informasi sekitar perilaku waktu suatu injektor riil bandingkan dengan perilaku nya sepanjang simulasi dan mengacu pada mutu menyangkut simulasi itu. varian model simulasi Yang diusulkan, yang memproduksi hasil yang terbaik dipertunjukkan di dalam kwantitas memetakan untuk berbagai kondisi pengarah, diterima sebagai a simulasi model untuk MC simulasi.
2.2 MONTE CARLO SIMULATION OF INJECTION QUANTITIES
Dengan AMESIM tersedia model dan mengenal metoda sampling adalah parameter adalah diperlukan untuk memecahkan suatu permasalahan dalam pengolahan dan manajemen data untuk menghasilkan injektor baru dengan berbagai kombinasi parameter yang secara otomatis tanpa kalkulasi manual dan mengubah parameter di dalam AMESIM. Beberapa MATLAB catatan dan fungsi apakah diprogramkan untuk merealisir MC simulasi yang terutama untuk mendapatkan hasil dari semua simulasi di dalam orang Lampaui file. Ada tiga poin-poin penting untuk dipertimbangkan:
• pengaruh kombinasi parameter bisa adalah berbeda untuk berbagai kondisi-kondisi pengarah ( secara eksperimen tersebut) dan diterukur seperti Test Poin-Poin (TP) atau sering juga dinamai seperti Pelanggan Poin-Poin (CP)– sama sekali semuanya lima kondisi-kondisi pengarah)
• jika ada manapun korelasi antara dua atau lebih parameter
• berapa banyak simulasi harus dilakukan untuk mendapatkan hasil yang manjur ttg ditirukan jumlah suntikan untuk penentuan toleransi produksi.
Permasalahan dalam berbagai kondisi-kondisi pengarah yang digambarkan oleh sistem memaksa, membuka waktu kendali, menaikkan tegangan voltase dan menginginkan kwantitas suntikan dipecahkan dengan penggunaan MATLAB kelas dan pengulangan untuk masing-masing TP. Yang hanya satu satuan parameter apakah di hasilkan untuk semua Test Poin-Poin. Nurut riset dan pengalaman manajemen mutu dan lain tenaga ahli, tidak ada korelasi di antara parameter harusnya telah di pertimbangkan. Semua parameter adalah oleh karena itu sampled dengan bebas dari satu sama lain.
Dalam rangka memperoleh yang dapat memutuskan yang perlu jumlah simulasi tunggal, beberapa angka-angka simulasi. apakah diteruskan ( N= 200, 400, 600, 800, 1000) untuk karena parameter beberapa. Standard penyimpangan jumlah suntikan. apakah diamati di dalam ketergantungan pada total jumlah tunggal simulasi. Keadaan pegun menyinggung kepada menentukan jumlah minimum MC simulasi ( N= 400). Untuk mengkalkulasi waktunya diperlukan untuk menirukan 400 injektor baru yang kita perlu mempertimbangkan fakta bahwa simulasi satu pengulangan bagian dalam berlangsung approx. 45 s. Karena semua kondisi-kondisi pengarah keseluruhan simulasi mengkonsumsi sekitar 90 000:3600=25.
2.3 STATISTICAL ANALYSIS OF RESULTS FROM SIMULATION
Data diselamatkan didalam Lampaui file. apakah dievaluasi oleh STATGRAPHICS perangkat lunak statistik yang diprogramkan untuk menguraikan analisa one-variable informasi statistik tentang suntikan distribusi kwantitas sama nilai dependent . seperti itu seperti harga rata-rata, simpangan baku, perbedaan, cakupan, norma kurtosis dan kecondongan dan mengkalkulasi berbagai regresi linier analisa yang secara langsung dari Lampaui data. Efek dari tiap variasi parameter. apakah dihitung di dalam multiple regresi analisa dengan ANOVA analisa lebih lanjut karena itu adanya ditafsirkan oleh hubungan perbedaan (simpangan baku).
langkah yang Yang terakhir menyangkut proyek adalah untuk menirukan hanya parameter dengan efek variasi tinggi tentang toleransi mereka. parameter dan Parameter tidak penting dengan efek sangat kecil adalah yang dihapuskan dari MC simulasi. waktu ini Parameter adalah sampled di dalam 75% dan 50% tentang batas toleransi dan simpangan baku yang asli *apakah diamati yang dibandingkan di dalam 100% distribusi toleransi. Hasil *apakah lagi dievaluasi di dalam suatu Lampaui file dan alur cerita yang diperoleh dari data menawarkan informasi tentang modifikasi toleransi mungkin.
3 CONCLUSION
Produk dari proyek ini adalah metodologi gambarkan bagaimana cara menirukan toleransi suatu diesel rel umum Injektor, model injektor yang disahihkan walaupun alat pemercik itu sub-model mempunyai suatu cacat rintangan kecil di dalam definisi alat pemercik tempat duduk area yang tak realistis disebabkan oleh tekanan salah distribusi di dalam alat pemercik bagian, dan MATLAB sebelum- dan post-processing program untuk yang besar lingkup aplikasi. Pendekatan ini bisa membawa biaya-biaya yang menyelamatkan dalam hal toleransi lebih besar cakupan, mutu yang meningkatkan dalam hal batas toleransi lebih kecil di dalam produksi. Itu bisa membawa keuntungan waktu dan biaya-biaya penghematan pengembangan injektor memproses
4 ACKNOWLEDGEMENT
Dorongan/Gerakan hati untuk suatu simulasi toleransi pabrikasi datang mula-mula dari mutu manajemen SIEMENS VDO Permobilan Regensburg, Negara Jerman, sebagai konsekwensi pertanyaan bagaimana cara mengambil keuntungan dari simulasi memecahkan permasalahan dalam toleransi optimal sebagai Monte Carlo belajar. Ini menjadi suatu tugas yang disertasi ijazah ku. Itu akan mustahil untuk mengatur semua tugas tanpa pengalaman yang lebih dulu sebagai anggota menyangkut regu simulasi di dalam SIEMENS VDO dan tanpa kooperasi dengan regu tenaga ahli pada atas simulasi, pengukuran, AMESIM dan lain bidang ilmu pengetahuan. Aku bermaksud menyatakan pengakuan untuk pendukungan untuk guru privat ku Dr. Golok Baranowski– kepala regu simulasi, Dipl.-Ing. Roberto Mo dari mutu manajemen, Alain Saintsorny– ahli pada AMESIM perangkat lunak dan ke orang-orang dari injektor mendisain departemen, regu laboratorium dan tenaga ahli FEM yang menghitung seperti halnya semua orang-orang siapa yang yang disajikan aku dengan informasi perlu. Aku adalah berterima kasih ke Guru besar. Stanislav Hosnedl dan Doc. Jaroslav Krátký dari Universitas Barat Bohemia untuk memberi aku suatu kesempatan untuk belajar didalam Regensburg dan keuntungan kelompok pengalaman, untuk mengambil bagian menyangkut proses pengembangan suatu yang tinggi- komponen teknik didalam suatu perusahaan internasional seperti SIEMENS karena hampir dua tahun.
REFERENCES
[1] Gentle, J. E.: Random Number Generation and Monte Carlo Methods, Second Edition, 2003 New York, Springer Verlag
[2] Brase, C. H, Brase, C. P: Understandable Statistics, Third Edition, D.C. HEATH AND COMPANZ, Lexington, Massachusetts
[3] Mollenhauer, K. (Hrsg.): Handbuch Diesel Motoren, 1997 New York, Springer Verlag, ISBN 3-540-62514-3
[4] Levine, D. M: Applied statistics for engineers and scientists: using Microsoft Excel and MINITAB, 2001 New Jersey, Prentice-Hall, Inc., ISBN 0-13-488801-4
[5] Robert Bosch GmbH: Diesel-Einpritztechnik, 1993 Stuttgart, VDI Verlag, ISBN 3-18-419116-8
[6] MATLAB – The Language of Technical Computing: Using MATLAB Version6, 2000 The MathWorks, Inc
[7] Roller, B.: Diplomarbeit über Pumpe-Düse-Projekt, Internal Siemens VDO report
[8] Yoon, S: Characterization of the flow in different types of nozzles of a Diesel Common Rail Injector; Diploma; Internal Siemens VDO report
[9] Kidorova, K.: Experimentelle und theoretische Bestimmung des Durchflusswiderstands von Common Rail Einspritzdüsen; Praktikumsbericht; Internal Siemens VDO report
[10] Entwicklung Einspritzsysteme, MTZ 9/2002 Jahrgang 63
[11] Inside, Das Mitarbeitermagazin von Siemens VDO Automotive Ausgabe 1/2005
[12] Veach, E.: Robust Monte Carlo Methods for Light Transport Simulation, A Dissertation of Stanford University, December 1997
[13] Imagine S. A.: AMESim and “Common Rail” type Injection Systems, Technical Bulletin n°110l
