Show simple item record

dc.contributorTampereen teknillinen yliopisto, Hydrauliikan ja automatiikan laitosen
dc.creatorBackas, Joni
dc.date.accessioned2010-02-26T10:56:14Z
dc.date.available2010-02-26T10:56:14Z
dc.date.issued2010-02-26T10:56:14Z
dc.identifier.urihttp://dspace.cc.tut.fi/dpub/handle/123456789/6522
dc.description.abstractSuomen Akatemian GIM-huippuyksikköön kuuluvassa Älykkäät koneet -projektissa tutkitaan muun muassa liikkuvien työkoneiden energiatehokkuutta. Tavoitteena on tarjota ratkaisuja, joiden avulla pystytään optimoimaan polttoaineen kulutusta ja samanaikaisesti täyttämään dieselmoottoreiden jatkuvasti tiukentuvat päästörajoitukset. Tässä diplomityössä tutkitaan neurolaskennan käyttöä hydraulipumpun hyötysuhteiden mallintamisessa. Liittämällä yhteen yksittäisten komponenttien malleja voidaan määrittää hydrostaattiselle ajovoimansiirrolle ne ohjearvot, joilla energiankulutus on mahdollisimman vähäistä. Neurolaskentaa hyväksikäyttäen pyritään luomaan tarkkoja sekä nopeasti suoritettavia malleja, joiden muodostaminen ei vaadi suurta määrää mittauspisteitä. Koska käytettyjen rakenteiden virittäminen kuitenkin vaatii niin sanottua opetusdataa, yritetään löytää toimintapisteet, jotka kuvaavat mallinnettavaa ilmiötä mahdollisimman kattavasti. Työssä esitellään hydrostaattisen ajovoimansiirron tärkeimmät komponentit edellä kuvatusta näkökulmasta keskittyen kuitenkin pumpun häviöihin ja niiden suuruuteen vaikuttaviin tekijöihin. Lisäksi käydään läpi aiempia hyötysuhdemalleja, joista yksi myös määritetään mitattujen pisteiden avulla. Tarkoituksena on luoda yhtymäkohta tämän ja aikaisempien tutkimusten välille ja toisaalta saada referenssi, johon uusia malleja voidaan verrata. Neuraalijärjestelmiä käsittelevässä teoriaosuudessa selvennetään erilaisten verkkotyyppien periaatteita ja niissä käytettäviä matemaattisia ratkaisutapoja. Esitellyn teorian pohjalta muodostetaan kolme erityyppistä neurolaskentaa hyödyntävää mallia siten, että volumetrinen ja mekaanishydraulinen hyötysuhde lasketaan täysin erillisillä järjestelmillä. Lisäksi esitellään IHA-koneeksi kutsutun tutkimusalustan ohjausjärjestelmään implementoitu hyötysuhdemalli. Lopullinen vertailu suoritetaan siis viiden mallityypin välillä molemmille hyötysuhteille erikseen. Tätä varten suoritettiin kattavat mittaukset vinolevyohjatulle aksiaalimäntäpumpulle. Tutkimustulosten perusteella voidaan todeta, että neuroverkkoihin perustuvilla mallinnustavoilla saavutetut tulokset vastaavat todella hyvin mittausarvoja. Kun vielä otetaan huomioon niiden lähes automaattinen määritysprosessi ja nopea suoritusaika, tullaan siihen lopputulokseen, että kyseiset ratkaisutavat ovat varteenotettava vaihtoehto käytettäväksi jopa suoraan liikkuvien koneiden ohjausjärjestelmän osana. Useimmat nykyiset tähän tarkoitukseen suunnitellut yksiköt eivät kuitenkaan pysty suorittamaan neuroverkkojen vaatimia laskutoimituksia, mikä luonnollisesti estää niiden käyttämisen. Jatkossa on myös selvitettävä, miten yleiskäyttöisiä mallit loppujen lopuksi ovat. Tämä voidaan tehdä vain erilaisille hydraulipumpuille suoritettujen mittausten avulla. /Kir10fi
dc.description.abstractGeneric Intelligent Machines (GIM) is a Centre of Excellence of the Academy of Finland. One of its main research areas is the improvement of fuel economy in mobile working machines while maintaining the diesel emissions below the levels that are constantly reduced by the European Union. In this master’s thesis the efficiencies of a hydraulic pump are modelled utilizing neural computation. When similar models of all components of hydrostatic transmission are combined, it is possible to determine reference values which optimize the overall energy consumption. Generating accurate and fast computable models is easily achieved with neural networks. Since this process requires a set of training data, one objective was finding an exiguous number of operating points that would represent the efficiencies well enough for the whole operating range. The theory part includes the presentations of the most important components of hydrostatic transmissions, mainly concentrating on the losses of efficiency of hydraulic pumps and what is causing them. Some prior efficiency models are also presented and one of them is constructed from measured data for reference purposes. The neural network part clarifies the structures of the used neural systems and mathematical methods behind them. Finally, three different networks are tuned in order to approximate both the volumetric and the hydromechanical efficiency of the measured pump. In addition, another model implemented in the research platform called IHA-machine, is presented. The final comparison is therefore made between five different kinds of models and with a separate system for both efficiencies. For this evaluation, extensive measurements were conducted to gather enough efficiency information from a swashplate operated axial piston pump. The results show huge potential in neural network-based modelling of the efficiencies of hydraulic pumps. Considering numerical accuracy, the computing time and automation level of the determination process, these systems have to be reckoned with when choosing an applicable model even for mobile machines. Most of the current control units do not have suitable functions to run neural networks by default, even though the required calculations are fairly simple. Naturally, this confines their usability to very few applications. In future, it has to be determined how easily the new models will approximate the data collected from pumps of different types and sizes.en
dc.format.mimetypeapplication/pdf
dc.language.isofi
dc.relation.isformatof77 s.en
dc.rightsThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.titleHydraulipumpun hyötysuhteiden mallintaminen neurolaskennan avullaen
dc.typeDiplomityö - Master's thesis
dc.identifier.urnURN:NBN:fi:tty-201002261078
dcterms.issued2010-02-03
dc.revHuhtala, Kalevi
dc.thsVuohijoki, Antti
dcterms.alternativeModelling of Efficiencies of Hydraulic Pump with Neural Computationen
dc.contributor.laitosHydrauliikan ja automatiikan laitos
dc.contributor.tiedekuntaAutomaatio-, kone- ja materiaalitekniikan tiedekunta
dc.contributor.yliopistoTampereen teknillinen yliopisto
dc.programmeAutomaatiotekniikan koulutusohjelmaen
dc.date.published2010-02-03
dc.contributor.laitoskoodiiha


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record