Riassunto analitico
Questo lavoro mostra i risultati di un'attività di ricerca volta a sviluppare un modello di machine learning in grado di stimare la coppia erogata dal motore.
Lo studio è stato condotto su moto da competizione che partecipano al campionato MotoGP e la sua estensione può essere oggetto di approfondimenti futuri.
La stima della coppia motore diventa molto importante quando una misura diretta non è disponibile. Per esempio, durante una gara, l'utilizzo di un sensore di coppia non è permesso, o durante altre situazioni nelle quali il sensore è assente o non funziona correttamente. In tali occasioni, avere la possibilità di esaminare la stima di coppia, con un certo livello di confidenza sull'errore di stima, è fondamentale.
L'approccio è quello di utilizzare tecniche di machine learning per allenare un modello tramite dati relativi alla dinamica della ruota posteriore e del motore, ma escludendo le informazioni legate alla termodinamica e alle mappe già utilizzate dalla centralina per effettuare la stima.
Delle funzioni e delle regole specifiche sono state implementate per filtrare e processare i dati acquisiti, al fine di estrarre i canali desiderati e rimuovere le osservazioni non necessarie.
Diverse tecniche di machine laerning sono state esplorate per valutarne le prestazioni in termini di accuratezza di stima e di tempo di calcolo.
Il modello allenato è in grado di identificare riduzioni di coppia dovute a eventi che riducono le prestazioni del motore e non sempre identificabili dalla centralina.
Sono stati sviluppati due strumenti che facilitano l'analisi di nuovi dati acquisiti e la diagnostica di rotture del sensore.
Infine, è stata realizzata un'interfaccia grafica per rendere più utilizzabile il codice e risparmiare tempo prezioso.
|
Abstract
This work shows the results of a research activity aimed to develop a machine learning model that is capable of estimating engine torque. The study has been conducted on sports motorbikes competing in the MotoGP Championship and its extension to road motorbikes may be a subject of further investigation.
The estimation of engine torque comes to be very important when direct measurement is not available. For example, during a race, the use of such a sensor is prohibited, or during other situations in which the sensor is not installed or does not work correctly. On those occasions, having the possibility to examine the estimated torque, with certain confidence on the estimation error is fundamental.
The approach is to use machine learning techniques to train a model using inputs that are related to the dynamics of the wheel and the engine but excluding what concerns the thermodynamics and the maps already loaded on the ECU.
Specific functions and rules have been created for the filtering and pre-processing operations of the acquired data, in order to extract the desired channels and to remove unneeded observations.
Different machine learning techniques are explored so to evaluate their performance in terms of accuracy of estimation and computational time.
The trained model shows the ability to identify a decrease in the torque delivered by the engine when an event reducing its performance takes place.
Two tools have been developed to facilitate the analysis of newly acquired data and to diagnose potential failures of the torque sensor.
Finally, a GUI has been implemented to increase the usability of the script, have a better user experience, and save precious time.
|
