Den noggranna kontrollen av insprutat bränsle spelar en kritisk roll i förbränningsprocessen, vilket förbättrar motorprestanda och säkerställer efterlevnad av miljöstandarder. Men när bränsleinsprutare åldras kan deras noggrannhet minska på grund av förändringar i bränsleinsprutarens parametrar över tid. Dataassimilationsalgoritmer kan hantera detta problem genom att uppskatta nya insprutarparametrar med hjälp av information från dynamiska modeller och mätningar. I denna avhandling utvecklas och simuleras dataassimilationsalgoritmer, specifikt Extended Kalman Filter (EKF) och Recursive Least Squares (RLS), för att utvärdera deras effektivitet för bränsleinsprutare vars parametrar förändras över tid.

Simuleringen använder World Harmonized Transient Cycle (WHTC) och flera testfall för att utvärdera prestandan hos dessa algoritmer. Denna forskning använder en förenklad modell av bränsleinsprutaren, utformad för att simulera åldringsförhållanden, vilket ger en robust ram för att testa algoritmerna under realistiska åldringsscenarier. De huvudsakliga forskningsfrågorna fokuserar på att undersöka algoritmernas noggrannhet, beräkningskostnader och effektivitet hos två olika metoder för att tillämpa begränsningar på den förenklade modellen.

Resultaten visar att EKF-algoritmer kan användas för att uppskatta parametrar som förändras över tid, medan RLS misslyckas med att uppskatta parametrar som varierade över tid. För simulering med modeller med konstant parametrar kan dock både EKF och RLS användas, där noggrannheten hos dem varierar beroende på kalibreringen av respektive algoritms parametrar. När det gäller implementationskostnader kräver EKF mer beräkningsresurser än RLS. Dessutom har två olika metoder för att tillämpa begränsningar implementerats och visat sig vara effektiva för att begränsa de uppskattade parametrarna baserat på de förutbestämda gränserna.

The accurate control of injected fuel plays a critical role in the combustion process, enhancing engine performance and ensuring compliance with environmental standards. However, as fuel injectors age, their accuracy may decline due to the changes in fuel injector parameters over time. Data assimilation algorithms can address this issue by estimating new injector parameters using the information from dynamic model and measurement. In this thesis, data assimilation algorithms, specifically the Extended Kalman Filter (EKF) and Recursive Least Squares (RLS), are developedand simulated to evaluate their effectiveness for fuel injector that the parameters changes over time.

The simulation employs the World Harmonized Transient Cycle (WHTC) and several test cases to evaluate the performance of these algorithms. This research utilizes a simplified model of the fuel injector, designed to simulate aging conditions, thus providing a robust framework for testing the algorithms under realistic aging scenarios. The main research questions focus on investigatingthe algorithm’s accuracy, computational costs, and effectiveness of two different methods for applying constraints to the simplified model.

The results demonstrate that the EKF algorithms can be used for estimating the parameters that changing over time, while RLS fails to estimated the parameters that varied over time. However, for simulating with the constant parameters models, the EKF and RLS both can be used which the accuracy on both of them are varied based on the calibration of each algorithms’s parameters. In terms of implementation costs, the EKF requires more computational resources than the RLS. Furthermore, two different methods for applying constraints have been implemented and proven to be effective in limiting the estimated parameters based on the predetermined boundary.