Riassunto analitico
Con la crescente spinta nell'industria automobilistica per lo sviluppo basato su modelli, il ruolo di questi ultimi diventa sempre più importante. Tipicamente, la realizzazione di modelli veicolo è effettuata mediante test dedicati di component (ruote, sospensioni, ammortizzatori, ecc.) dai quali i dati vengono poi presi per popolare e aggiornare il modello del veicolo. I modelli di simulazione sono infatti comunemente impiegati per varie applicazioni quali Model-Based Development (MBS) e Target Settings, sviluppo di algoritmi di controllo e Digital Twins: questi ultimi rappresentano l’equivalente virtuale di un dato sistema o processo, continuamente aggiornato da dati forniti in tempo reale durante l’intero ciclo di vita della controparte fisica. Tuttavia, al fine di effettuare tutte queste attività, i modelli di simulazione devono accuratamente caratterizzare i sistemi reali. A tale scopo, parametri chiave dei sistemi fisici devono essere identificati o correttamente aggiornati. Tale processo di identificazione spesso fa affidamento a specifici sensori e banchi prova, che potrebbero non essere sempre prontamente disponibili, così come a misurazioni intensive, costose e dispendiose in termini di tempo rivolte ai componenti, i quali vengono testati in condizioni di laboratorio che possono deviare da quelle operative. L'obiettivo di tale lavoro di tesi è quello di esaminare un efficace approccio per la previsione di parametri rilevanti della dinamica del veicolo, consentendo una riduzione dei tempi così come dei costi. Entrando più in dettaglio, l'approccio di cui sopra è basato su una Rete Neurale Artificiale (ANN) funzionante e addestrata tramite il modello di simulazione del sistema studiato, con lo scopo di prevedere istantaneamente alcuni suoi parametri rilevanti utilizzando semplicemente dei dati di guida. Il dimostratore presentato si concentra sulla stima della posizione longitudinale del baricentro (COGX) di un'auto telecomandata per diverse distribuzioni di peso per mezzo di una rete neurale operante su un Raspberry Pi.
|
Abstract
With increasing push in the automotive industry for model-based development, the role of models becomes increasingly important. Typically, building up vehicle models is done by performing dedicated tests on components (tires, suspensions, dampers, etc.) from which the data is taken to populate and update the vehicle model. Simulation models indeed are commonly employed for several applications such as Model-Based Development (MBS) and Target Settings, control algorithms development and Digital Twins: virtual equivalents of real systems or processes, which are continuously updated from real-time data throughout the entire lifecycle of their Physical Twins. However, in order to perform these tasks, simulation models need to accurately characterize the real systems. To do so, key physical system parameters have to be identified, or correctly updated. Such identification process often relies on specific sensors and test rigs, which may not always be readily available, as well as intensive, expensive and time consuming measurements on components, which are tested in-lab conditions that may deviate from the real operational ones.
The aim of the current work of thesis it to examine an effective approach to predict relevant Vehicle Dynamics parameters, allowing both time and costs reduction. Going into more detail, the aforementioned approach is here based on a working Artificial Neural Network (ANN) trained by simulation model of the system under study to instantaneously predict relevant system parameters from driving data. The demonstrator presented focuses on the estimation of the longitudinal center of gravity (COGX) position of a remote-controlled car for different weight distributions by means of a Neural Network running on a Raspberry Pi.
|