Model Predictive Urea Dosing Control Strategy for Heavy-Duty Diesel Vehicles
Autor: | Schmekel, Mathias |
---|---|
Jazyk: | angličtina |
Rok vydání: | 2023 |
Předmět: | |
Druh dokumentu: | Text |
Popis: | Stricter requirements on the reduction of Nitrogen Oxides (NOx) in the emissions of heavy-duty diesel vehicles drives development for more efficient aftertreatment systems. An ammonia covered catalyst is one of the most successful technologies in reducing NOx by converting it into the harmless byproducts water and nitrogen. The ammonia injection control is however difficult due to nonlinearities and the impact of external exhaust parameters. The ammonia coverage ratio depends heavily on the surface temperature of the catalyst and a rapid increase in surface temperature would lead to a rapid decrease in ammonia storage capabilities. If the storage capabilities decrease below the current level of stored ammonia, the excess ammonia will flow into the exhaust and convert to NOx, an undesired phenomenon due to the cost of and the pollution caused by the ammonia released, often referred to as ammonia slip. This issue is further amplified by the fact that the problem is asymmetric, that is injected ammonia cannot be actively removed but has to be reduced by the reaction with the NOx present in the exhaust. As such, it is very important to keep the level of ammonia storage ratio low enough to avoid slipping but at the same time sufficiently high to obtain a satisfactory NOx conversion efficiency. These two issues are the main reasons why feedback control has proven to be difficult to implement to solve the dosing problem. As one has to store a lot of ammonia in order to obtain a satisfactory conversion of NOx, one often cannot react to rapid temperature increases in the catalyst. As such, one often experiences a lot of ammonia slip during these scenarios. In this report it is shown that utilizing predicted parameters of the exhaust in a model predictive controller reduces the ammonia consumption by 38% while also improving the tracking of the NOx conversion reference by 5.5%. Strängare krav på minskning av kväveoxider (NOx) i utsläpp från tunga dieselfordon driver utvecklingen för ett mer effektivt efterbehandlingssystem. En ammoniakbelagd katalysator är en av de mest framgångsrika tekniker för att minska NOx genom att omvandla det till de ofarliga biprodukterna vatten och kväve. Injeceringen av ammoniak är dock svår att reglera på grund av olinjär dynamik och påverkan av externa avgasparametrar. Täckningsgraden av ammoniak beror starkt på yttemperaturen hos katalysatorn, där en ökning av temperaturen skulle leda till en minskad lagringskapacitet av ammoniak. Om lagringskapaciteten minskar under nuvarande täckningsgraden av ammoniak kommer överskottet av ammoniak att frigöras och strömma ut ur katalysatorn tillsammans med avgaserna och omvandlas till NOx, ett oönskat fenomen på grund av kostnaden för och de föroreningar som orsakas av ammoniaken. Detta problem förvärras av det faktum att problemet är asymmetriskt, dvs injicerad ammoniak kan inte aktivt avlägsnas utan måste reduceras genom att reagera med de befintliga NOx som finns i avgaserna. Därav är det väldigt viktigt att täckningsgraden av ammoniak hålls tillräckligt lågt för att undvika att ammoniaken frigörs men samtidigt tillräckligt hög för att erhålla den önskade omvandlingen av NOx. Dessa två problem är de främsta anledningarna till att reglering med återkoppling har visat sig vara svårt att implementera för att lösa doseringsproblemet. Eftersom det krävs en hög täckningsgraden av ammoniak för att få en önskvärd omvandling av NOx hinner en ofta inte korrigera för snabba temperaturökningar i katalysatorn. Det frigörs därför mycket av den lagrade ammoniaken under dessa scenarier. I denna rapport demonstreras att användandet av predikterade avgasparametrar i en modell prediktiv kontroller minskar ammoniakförbrukningen med 38% samtidigt som den önskade NOx omvandlingen förbättrades med 5.5%. |
Databáze: | Networked Digital Library of Theses & Dissertations |
Externí odkaz: |