Riassunto analitico
Il continuo miglioramento della potenza specifica dei motori a combustione interna, specialmente per applicazioni sportive, sta spingendo i produttori ad adottare sofisticate clibrszioni per estrarre il massimo dal propulsore e aumentare la possibilità di vincere più gare. Con i motori a combustione interna, sempre più complessi e sofisticati, il metodo di calibrazione è stato modificato notevolmente nel corso degli anni, e l'esperienza richiesta da parte degli ingegneri è aumentata. Allo stesso tempo, l'avanzamento tecnologico ha portato ad un aumento della potenza di calcolo dei sistemi elettronici, come i microprocessori contenuti nei computer e nelle ECU. Ciò ha reso possibile l'applicazione di algoritmi di intelligenza artificiale in tempo reale alle tecniche di calibrazione dei motori a combustione interna, specialmente durante la fase di banco prova, dove la capacità hardware delle centraline di controllo è molto superiore rispetto alle ECU utilizzate on-board.
In questo progetto di tesi, verrà esaminata l'applicazione di strategie di apprendimento automatico (Machine Learning) nella tecnica di calibrazione automatizzata delle reti neurali. In particolare, verrà sviluppato il software CombCon per il controllo della combustione con una logica multi-obiettivo in grado di automatizzare e ottimizzare contemporaneamente più indici di prestazione, portando la mappatura delle prestazioni del motore a un livello superiore. Per fare ciò, verranno utilizzati un totale di dodici reti neurali che lavorano simultaneamente, tre per cilindro, ciascuna addestrata su un singolo indice di combustione, in grado di replicare e persino prevedere la tendenza di tale indice in condizioni specifiche.
L'analisi delle prestazioni si basa su tre principali indici di combustione:
PMI = “Pressione Media Indicata”; PMAX = pressione massima all'interno del cilindro; TGAS = temperatura dei gas di scarico. Dati gli output dei sensori, il sistema sarà in grado di elaborare, calcolare e produrre il valore ottimale dell'angolo centrale di combustione (CA50). Le reti neurali devono operare in un breve intervallo di tempo per garantire che il motore in funzione a 20000 RPM (corrispondente a un periodo di 6 msec) riceva il corretto valore obiettivo ad ogni ciclo completo.
Infine, i risultati delle prestazioni saranno analizzati per verificare e convalidare se questo approccio è valido ed efficace rispetto alla "calibrazione manuale standard". Può un algoritmo superare le prestazioni di un essere umano? O, meglio ancora, possono cooperare per massimizzare la potenza del motore a combustione interna?
|
Abstract
The continuous specific power improvement of internal combustion engines, especially for race applications, is bringing manufacturers to adopt sophisticated calibration to extract the most from the propulsor and increase the possibility of winning more races. Being ICEs complicated and sophisticated, the calibration method has changed a lot over the years, and the expertise needed from the engineer has increased too. Simultaneously, technological advancement has brought an increase in the computing power of electronic machines like microprocessors contained inside computers and engines' ECUs. This made possible the application of real-time artificial intelligence algorithms to ICE’s calibration techniques, especially during the test bench phase, where hardware capability is much higher than the onboard one.
In this thesis project, the application of ML (Machine Learning) strategies will be investigated in the application of: “Automated Neural Network Calibration Technique." In particular, the CombCon combustion controller software will be developed with a multi-objective logic capable of automating and optimizing simultaneously more performance indexes, bringing the engine performance mapping to a higher level. To do that, a total of twelve NN (Neural Networks) working simultaneously will be used, three per cylinder, each trained on a single combustion index, capable of replicating and even forecasting the trend of that index in specific conditions.
The performance analysis is based on three main combustion indexes:
- IMEP = “Indicated Mean Effective Pressure”;
- PMAX = maximum pressure inside the cylinder;
- TGAS = temperature of exhaust gases.
Given those sensors' output, the system will be capable of processing, computing, and outputting the optimal value of the central combustion angle (CA50). The neural networks must work in a narrow time interval to guarantee that the engine running at 20000 RPM (corresponding to a 6 msec period) receives the correct target value at each complete cycle.
Finally, performance results will be analyzed to verify and validate if that approach is valid and effective against “standard manual calibration”.
Can an algorithm overperform a human?
Better yet, can they cooperate to maximize ICE’s power?
|