The automotive industry is evolving to meet stricter emissions standards, such as Euro 6 and the upcoming Euro 7, while enhancing engine performance. Improving the Engine Management System (EMS), which relies on sensor data, models, and an Electronic Control Unit (ECU), is key to optimizing the performance of Spark-Ignited Internal Combustion Engines (SI-ICEs) while reducing emissions. However, engine sensors can be costly, slow, prone to defects, and difficult to place which is creating the need for alternative parameter estimation methods. This work is a comparative proof-of-concept study to investigate whether estimating in-cylinder pressures and exhaust parameters in real-time using EMS sensor data is a possible solution to the sensor problem. The project employed a combination of data-driven black-box modeling and physical modeling. Two regression models, a multivariate linear regression (MvLR) and an artificial neural network (ANN), were used to predict in-cylinder pressures during an engine cycle in a spark-ignited ICE. These predictions were based on data collected from steady-state experiments in an engine test cell. The predicted pressures were subsequently used as inputs for two of the three temperature models presented. These two models are physics-based and utilize the predicted pressures to estimate exhaust parameters, including residual gases and exhaust temperatures. The third model is a standalone linear regression model constructed to predict the exhaust manifold temperature. The predicted pressures were validated against cell-specific sensors measuring the in-cylinder pressure. The estimated temperatures were validated against a mean value temperature sensor located before the turbocharger in the exhaust manifold. The ANN model was the most accurate pressure model and performed a mean squared error (MSE) of 0.2126 Bar2 and a R2-score of 0.9973 across all estimated points. Of the three temperature models, the regressive model predicted the temperature in the exhaust manifold most accurately with an MSE of 34.06◦C2 and a R2-score of 0.9863. The best performing physical model performed an MSE of 138.4◦C2 and a R2-score of 0.9442 which is a significant performance reduction. Despite promising results, none of the models were implemented due to time constraints, although all were designed with the feasibility of real-time applications in mind.

Fordonsindustrin utvecklas för att möta strängare utsläppskrav, såsom Euro 6 och de kommande Euro 7, samtidigt som motorprestandan ständigt förbättras. Förbättringar av motorns styrsystem (EMS), som är beroende av sensordata, modeller och en elektronisk styrenhet (ECU), är avgörande för att optimera prestandan hos tändstiftsantända förbränningsmotorer (SI-ICE) samtidigt som utsläppen minskas. Sensorer kan dock vara dyra, långsamma, känsliga för fel och svåra att placera, vilket skapar ett behov av alternativa metoder för parameteruppskattning. Detta arbete är en jämförande konceptstudie för att undersöka om skattning av cylindertryck och avgaserparametrar i realtid med hjälp av EMS-sensordata är en möjlig lösning på sensorproblematiken. I projektet användes en kombination av databaserad black-box-modellering och fysikalisk modellering. Två regressionsmodeller, en multivariat linjär regression (MvLR) och ett artificiellt neuralt nätverk (ANN), användes för att uppskatta cylindertryck under en cykel i en tändstiftsantänd förbrännings- motor (SI-ICE). Dessa förutsägelser baserades på data som samlades in från stationära experiment i en motortestcell. De förutspådda trycken användes därefter som indata för två av de tre temperaturmodeller som presenterades. Dessa två modeller är fysikbaserade och använder de förutspådda trycken för att uppskatta avgaser, såsom restgaser och avgastemperaturer. Den tredje modellen är en fristående linjär regressionsmodell som konstruerades för att förutsäga temperaturen i avgasgrenröret. De förutsagda trycken validerades mot cellspecifika sensorer som mätte cylindertrycket. De uppskattade temperaturerna validerades mot en medelvärdessensor placerad före turbinen i avgasgrenröret. ANN-modellen var den mest precisa tryckmodellen och presterade ett medelkvadratiskt fel (MSE) på 0.2126 Bar2 och ett R2-värde på 0.9973 över alla uppskattade punkter. Av de tre temperaturmodellerna var den regressiva modellen mest exakt och förutsade temperaturen i avgasgrenröret med ett MSE på 34.06◦C2 och ett R2-värde på 0.9863. Den bäst presterande fysikaliska modellen hade ett MSE på 138.4◦C2 och ett R2-värde på 0.9442, vilket är en avsevärd prestandaminskning. Trots lovande resultat implementerades ingen av modellerna på grund av tidsbrist, även om alla modeller utformades med hänsyn till möjligheten för realtidsapplikationer.