Riassunto analitico
La motivazione alla base di questa tesi nasce da una sfida affrontata dal team UniBo Motostudent durante la competizione internazionale MotoStudent, svoltasi nell'Aragon Motorvalley nel 2023. In questo evento, diversi team hanno riscontrato il problema della demagnetizzazione del motore, un guasto critico causato da temperature eccessive del rotore e ripetute richieste di coppia elevata, compromettendo così le prestazioni di gara in modo definitivo.
Per affrontare questa problematica, promuovendo al contempo l'innovazione tecnologica all'interno del team e contribuendo alla terza consegna dell’MS1, la Milestone denominata Innovation, abbiamo esplorato il potenziale dell'intelligenza artificiale (IA) per il rilevamento delle anomalie. L'obiettivo principale di questo lavoro era sviluppare un algoritmo basato sull’IA in grado di monitorare e regolare la potenza massima erogata da un powertrain elettrico, garantendone il funzionamento sicuro durante tutta la gara.
Il processo di sviluppo ha seguito un approccio strutturato: inizialmente sono stati raccolti e analizzati i dati, seguiti da un'analisi delle caratteristiche per estrarre i predittori più adatti all'addestramento dell'algoritmo. Il modello di IA è stato quindi addestrato e testato nell’ambiente MATLAB, dove le sue prestazioni sono state valutate su dataset dedicati. Una volta ottenuti risultati promettenti, il modello è stato integrato in Simulink, utilizzando l'interfaccia Waijung 2 Simulink-ESP32, per implementare il software su hardware dedicato. Inoltre, è stato realizzato un modello termico del motore basato sui segnali, in grado di stimare la sua temperatura alla fine di ogni giro, migliorando ulteriormente le capacità predittive del sistema.
Grazie alla collaborazione aziendale sotto forma di tirocinio con Alma Automotive, ho avuto l'opportunità di confrontarmi con esperti del settore, apprendere dalla loro esperienza e usufruire delle loro strutture per sviluppare un prodotto di alta qualità. L’eccellenza raggiunta non riguarda solo l'hardware e il software, ma anche l'integrazione del prodotto finale.
Inoltre, i test di validazione sul banco prova del powertrain elettrico UniBo Motostudent hanno permesso di perfezionare il sistema di controllo. Il risultato finale di questa ricerca rappresenta un significativo passo avanti nel monitoraggio in tempo reale e nel controllo predittivo dei powertrain elettrici, offrendo una soluzione affidabile per mitigare il rischio di demagnetizzazione del motore in scenari di gara ad alte prestazioni.
|
Abstract
The motivation behind this thesis originates from a real-world challenge faced by the
UniBo Motostudent team during the MotoStudent International Competition held in
Aragon Motorvalley in 2023. In this event, several teams encountered the issue of motor
demagnetization, a critical failure caused by excessive rotor temperatures and repeated
high torque demands, ultimately compromising race performance.
To address this issue, while simultaneously promoting technological innovation within
the team and contributing to the MS1 3rd delivery, Milestone Innovation, we explored the
potential of artificial intelligence (AI) for anomaly detection. The primary objective of
this work was to develop an AI-based algorithm capable of monitoring and regulating the
maximum output power of an electric powertrain to ensure its safe operation throughout
the race.
The development process followed a structured approach: first, data collection and
analysis were carried out, followed by feature engineering to extract the most suitable
predictors for training the algorithm. The AI model was then trained and tested within
the MATLAB environment, where its performance was evaluated on dedicated datasets.
Once promising results were obtained, the model was integrated into Simulink, using the
Waijung 2 Simulink-ESP32 interface, to deploy the software on dedicated hardware. Ad-
ditionally, a signal-based thermal model of the motor was implemented to estimate its
temperature at the end of each lap, further enhancing the system’s predictive capabilities.
Thanks to the corporate collaboration in the form of an internship with Alma Auto-
motive, I had the opportunity to engage with industry experts, learn from their experi-
ence, and rely on their facilities to develop a high-quality product. This excellence was
achieved not only in terms of hardware and software but also in the packaging of the final
product. Furthermore, validation tests on the UniBo Motostudent electric powertrain
test bench enabled fine-tuning of the control system. The final outcome of this research
represents a significant step forward in real-time monitoring and predictive control of elec-
tric powertrains, providing a reliable solution to mitigate motor demagnetization risks in
high-performance racing scenarios.
|
