• Calibrazione Motore
• Machine Learning
• Reti Neurali
• Stima Portata Aria
• Strategie Iniezione

Al giorno d'oggi la progettazione, la simulazione, il controllo e la produzione dei motori sono strettamente legati alla regolamentazione delle emissioni inquinanti, in particolare alle emissioni di anidride carbonica che sono collegate al riscaldamento globale. In questo scenario automobilistico, l'industria richiede uno sviluppo continuo di sistemi che devono soddisfare questi requisiti. Questo fa aumentare i costi di sviluppo del motore, non solo per la progettazione e la simulazione, ma anche per i test, la calibrazione e la validazione delle strategie di controllo. Nel processo di sviluppo del motore ogni modifica apportata alla progettazione del motore deve essere testata per soddisfare tutti i requisiti, e prima che i test di affidabilità ed emissioni possano iniziare è necessario ricalibrare il motore modificato. I reparti di collaudo e test sono chiamati a ricalibrare il sistema di controllo del motore ogni volta che viene apportata una modifica realizzata dal reparto di progettazione. Questo design circolare potrebbe migliorare costantemente un motore, ma risulta anche necessario migliorare l’approccio metodologico per risparmiare sui costi e sul tempo impiegato. Negli ultimi decenni l’automazione è stata studiata a fondo per ridurre i tempi, e oggi nascono nuovi campi come l'intelligenza artificiale, le reti neurali, ecc... da applicare alle prove sui motori con l'obiettivo di ridurre il numero di prove fisiche necessarie per la calibrazione senza perdere la precisione.
Il lavoro presentato mira a studiare un nuovo approccio per la calibrazione del sistema di controllo del motore che adotta le reti neurali per modellare i parametri fisici del motore partendo da dati sperimentali al banco prova. Il motore preso in considerazione è un motore motociclistico a quattro tempi da 700 cc e 2 cilindri. In particolare, viene utilizzato il rendimento volumetrico per calibrare la funzione di trasferimento del sistema di controllo motore, derivandolo da una stima di portata di aria realizzata dal modello. In secondo luogo, viene studiata la sensibilità degli errori del modello rispetto al numero di dati acquisiti per stilare un Design of Experiments (DOE) che minimizzi i dati acquisiti. Questo approccio può portare ad una riduzione dei tempi e dei costi dell'intero processo di calibrazione del motore, senza perdite di precisione.

Nowadays engine design, simulation , control and production is strictly related to pollutant emission regulation in particular to carbon dioxide emissions which is directly linked to global warming. In this scenario automotive industry is call into a continuous development of system which must satisfy these requirements. This fact increase engine development cost, not only for design and simulation but much more for testing, engine control calibration and validation. In engine development process every modification made from engine design has to be tested in order to match all the requirements; before reliability and emissions test could start is necessary to calibrate the modified engine; the loop between the design and test terminate near the mass production. Testing departments are called to calibrate engine control system every time a modification is made from design department. This loop design could improve constantly an engine but is necessary also to improve methodology approach to save costs and time. In the last decades tests automation has been deeply investigated in order to reduce time, nowdays new fields as artificial intelligence, neural networks, ecc… starts to be applied to engine testing with the aim to reduce the numerosity of physical test needed for calibration without loss accuracy. The presented work aim to investigate a novel approach for engine control system calibration adopting neural network to model physical parameter of the engine starting from experimental data at the test bench. The engine take into account is a four stroke 700 cc 2 cylinder motorbike engine. In particular the volumetric efficiency calculated from the air mass flow model estimation is used to calibrate the transfer function of the engine con system (ECU). Secondly a sensitivity of the model error vs number of data acquired is used in order to determinate the best practice for a DOE, which minimize data acquisition. This approach can lead to reduce time and costs of the whole calibration campaign of the engine, without accuracy losses.