För att minska bränsleförbrukningen och utsläppen har länge motorer med högre termisk verkningsgrad och förbränningstryck utvecklats. Detta medför dock ökade mekaniska och termiska belastningar på motorerna, vilket kan leda till kylsystemskavitation och kavitationsskador på cylinderfodren. Något som därför är av intresse är att utveckla diagnostiska modeller som skulle kunna detektera kavitation för att konsekvenserna av ska kunna undvikas.

Det här examensarbetett presenterar utvecklingen av prediktiva modeller för att detektera kavitation runt cylinderfodren i lastbilsmotorer. Modelleringen bygger på hypotesen att storleken ett tryckfall mellan kylvätsketrycket och kylvätskans mättnadsångtryck när ångbildning sker är proportionell kollapstrycket från kavitationsbubblor nära cylinderfodrets yta. Modellernas robusthet undersöktes även med avseende på varierande frekvensinnehåll i trycksignalerna samt olika glykolkoncentrationer I kylvätskan. En annan central del av studien är att analysera korrelationen mellan tryckdata insamlade på en specifik plats i kylsystemet och modellernas utdata baserat på tryckdatan vid fodren. Syftet med detta är att undersöka möjligheten att göra en tillförlitlig kavitationsdiagnos i fordon som är i drift.

Modelleringen baseras på signaler från relativa trycksensorer monterade i kylvätskan nära cylinderfodrena samt en absolut trycksensor monterad nära systemsensorns position. Flera modeller utvecklades I MATLAB och utvärderades mot en referensmodell som mäter trycket från bubbelkollapser. De initiala modellerna fokuserade på signalupplösning och beräkningar som minimerar CPU-tid, men dessa modeller visade sig vara otilräckliga för att detektera kavitation. Detta ledde till en mer avancerad metod, kallad kavitationsintergalen (CI), som beräknar skärningsintegralen mellan kylvätsketrycket och mättnadsångtrycket över alla analyserade motorcykler. Fem delmodeller av kavitationsintegralen utvecklades, där CI 2 och CI 5 gav bäst resultat. Ingen av modellerna kunde dock förutsäga kavitationsnivån med tillräcklig noggranhet. Däremot fungerade modellerna väl för att klassificera om kavitation förekommer eller inte när temperaturen var konstant. CI 5 och CI 2 analyserades vidare i en frekvensstudie, som visade att modellerna kräver en signalbandbredd på åtminstånde 3 000 Hz. Båda modellerna visade även robusthet när glykolkoncentrationen varierades. Korrelationsanalysen baserades på kavitationsintegralen samt en liknande negativ integral av trycket vid systemsensor positionen. Resultat visade en svag korrelation, vilket ledde till slutsatsen att en diagnos som är baserad på denna metod inte är tillräckligt tillförlitlig.

Sammanfattningsvis kan de framtagna modellerna avgöra om kavitation uppstår eller inte, men vidare skulle förbättringar krävas gällande temperatur och flödeshastighet. Resultatet visar även att tryckskillnaden mellan kylvätsketrycket och mättnadsångtrycket inte korellerar med mängden kavitation vid cylinderfodren. Dessutom är kopplingen mellan dessa tryck för svag för att möjliggöra en robust och tillförlitlig kavitationsdiagnostik.

To reduce fuel consumption and emissions, engines with higher thermal efficiency and combustion pressure are being developed. Consequently, increased mechanical and thermal stresses may lead to cavitation that may cause cavitation damages on the cylinder liners. Therefore, developing diagnostic methods capable of detecting cavitation events is of interest. This thesis presents the development of predictive models for detecting cavitation on the cylinder liners, based on the hypothesis that the magnitude of the pressure drop below the saturation pressure of the coolant is proportional to the collapse pressure of vapour bubbles near the liner surface. The model’s robustness to varying frequencies of the signal from the pressure measurements at the liners and concentration of glycol was also investigated. Another central part of this study involves analysing the correlation between pressure data collected at a specific system location and the developed model’s output based on pressure data measured at the liners, thus enabling the possibility of reliable cavitation diagnostics.

The modelling is based on signals obtained from relative pressure sensors mounted at the liners and an absolute pressure sensor mounted near the system sensor location. Several models were developed using MATLAB and the models were evaluated against a ground truth reference that measures the pressure of the bubble collapses. Initial efforts focused on signal resolution and CPU time conserving calculations. The initial models proved insufficient for predicting cavitation. This led to a more refined approach called the cavitation integral (CI) that evaluated the intersection integral between the coolant pressure and the saturation pressure across all analysed engine cycles. Five sub models of the cavitation integral were developed, of which the models CI 2 and CI 5 performed the best. None of the models were able to predict the cavitation level with sufficient accuracy. However, the models classified cavitation well when the temperature was constant. CI 2 and CI 5 were the objects of a frequency study that illustrated that the models required the bandwidth of the signal to be at least up to 3 000 Hz. Furthermore, both models demonstrated robustness to varying glycol concentration. The correlation analysis was based on the cavitation integral and a negative integral of the system pressure under the baseline pressure. The results demonstrated a weak correlation which resulted in the conclusion that a diagnosis using this method would be insufficient. 

In conclusion, the models are capable of classifying whether cavitation occurs or not, but improvements are necessary for the modelling of temperature and flow velocity. However, the pressure difference between the coolant pressure and saturation pressure does not correlate to the amount of cavitation at the liners. Furthermore, the correlation between system pressure and liner pressure is insufficient to enable a reliable diagnostic of cavitation.