Riassunto analitico
L’elaborato di tesi è stato svolto in seguito all’attività di tirocinio curriculare presso l’azienda RSEngineering di Maranello. L'obiettivo dell'elaborato è stato quello di creare un modello longitudinale di simulazione attraverso il programma Matlab/Simulink, per lo studio di un veicolo ibrido. Sono stati modellati i principali componenti fisici che compongono tale powertrain e i principali controllori, in modo da poter simulare dettagliatamente le varie modalità ibride e i differenti modi di funzionamento. Una strategia rule-based ha permesso di ottimizzare i consumi assoluti del veicolo permettendo di gestire il motore termico nel punto di funzionamento a maggiore efficienza. I risultati ottenuti dal modello sono stati quindi commentati e confrontati, con particolare attenzione al paragone tra modalità puramente termica e modalità di guida ibrida/elettrica.
Per garantire un'adeguata simulazione del comportamento termico della batteria è stata creata una rete neurale in grado di predire la temperatura media delle celle. La rete neurale è stata addestrata utilizzando dati creati a partire da un modello fisico termico validato e preso come riferimento. Le principali grandezze elettriche, ovvero tensione, corrente e stato di carica, sono state utilizzate come input della rete, con l'obiettivo di prevedere le perdite interne e il conseguente aumento di temperatura interno. Differenti tipologie di reti sono state addestrate e confrontate. Una volta ottenuta la rete con migliore precisione è stata effettuata un'attenta analisi dei risultati ottenuti. Infine, tale rete è stata inclusa nel modello di veicolo ibrido in Simulink.
|
Abstract
The thesis work was carried out following the curricular internship at the company RSEngineering in Maranello. The objective of the work was to create a longitudinal simulation model using Matlab/Simulink to study a hybrid vehicle. The main physical components that make up the powertrain and the key controllers were modelled in order to simulate the various hybrid modes and different operating conditions in detail. A rule-based strategy optimizes the vehicle's overall fuel consumption by managing the internal combustion engine at its most efficient operating point. The results obtained from the model were then analyzed and compared, focusing on the comparison between purely thermal mode and hybrid/electric driving modes.
To ensure an accurate simulation of the battery's thermal behaviour, a neural network was created to predict the average temperature of the cells. The neural network was trained using data from a validated thermal physical model taken as a reference. The main electrical variables, namely voltage, current, and state of charge, were used as inputs to the neural network, to predict internal losses and the consequent internal temperature increase. Different types of networks were trained and compared. Once the most accurate network was obtained, a thorough analysis of the results was conducted. Finally, the neural network was integrated into the hybrid vehicle model in Simulink.
|
