1) O documento apresenta uma arquitetura de sistema inteligente para sensoriamento virtual de oxigênio em veículos bicombustíveis usando redes neurais artificiais.
2) Foram desenvolvidos e testados diversos modelos de redes neurais para prever o valor de oxigênio a partir de variáveis do motor, com erros relativos entre 0,2-0,6%.
3) Os resultados experimentais demonstraram que a arquitetura proposta pode substituir com sucesso o sensor físico de oxigênio.
Virtual Oxygen Sensing Architecture for Bi-Fuel Vehicles
1. Intelligent System Architecture for
Virtual Sensing of Oxygen
in Bi-Fuel Vehicles
Thiago Richter1.2, Amaury Ferrari de Oliveira1 and
Ivan Nunes da Silva2
1 Delphi Automotive Systems
2 University of Sao Paulo, Sao Carlos
2. Sumário
Introdução;
Aspectos de EMS, Sensores de Oxigênio e Veículos Bicombustíveis;
Aspectos de Redes Neurais Artificiais;
Arquitetura de Sistema Inteligente Desenvolvida
Resultados Experimentais;
Conclusões e Trabalhos a serem realizados.
2
3. Introdução
Motivação e Relevância
Indústria Automobilística.
Desenvolvimento:
Sistemas Gerenciadores de Motor (EMS),
Sensor de Oxigênio,
Veículos Bicombustíveis e
Sistemas Inteligentes aplicados na indústria automotiva.
Busca por aumento de desempenho, redução de custos e avanços
tecnológicos.
3
4. Introdução
Proposta e Justificativa
Estudo de arquiteturas de sistemas inteligentes para efetuar o
sensoriamento virtual de oxigênio em veículos bicombustíveis,
objetivando a substituição o sensor físico pelo sensor virtual.
Redução de custos com o sensor físico.
Agregar valor aos EMS.
Inovação ao estudar veículos bicombustíveis.
4
5. Sistemas de Gerenciamento de Motor
Introdução
Controlar a combustão interna do motor.
Melhor controle, melhor sensibilidade, maior eficiência dos combustíveis e do
motor, menores níveis de poluição, etc.
Integração com diversos sistemas veiculares.
Controlar o sistema de injeção, de ignição e de recirculação de gases.
Podem controlar ou comunicar-se com outros sistemas.
5
6. Sensores de Oxigênio
Introdução
Dispositivo para monitorar o oxigênio residual do motor de combustão
interna.
Um dos principais sensores usados nos sistemas de gerenciamento de
motor. Criando um sistema de malha fechada.
Diretamente relacionado ao controle de combustões e emissões.
O2 Referência
Funcionamento:
Diferença de Potencial
entre Ar do Escape e Ar Externo.
O2 Escape
6
7. Sensores de Oxigênio
Taxa estequiométrica:
Proporção ideal de ar e combustível (A/F - Air/Fuel) que permite o
consumo total de ambos.
P. ex.: 14,5 porções de ar para 1 porção de gasolina típica sem chumbo.
Variável de acordo com o combustível.
Estequiometria de vários combustíveis (DELPHI, 2005).
7
8. Sensores de Oxigênio
Valor Lambda (λ):
A / F (atual )
λ=
A / F (estequiométrico)
Onde:
λ < 1, então a mistura é rica (deficiência de oxigênio);
λ = 1, Mistura ideal;
λ > 1, então a mistura é pobre (excesso de oxigênio).
Lambda ≅ 0,9: Potência máxima;
≅ 1,1: Consumo mínimo e
≅ 1,0: maior torque com menor consumo.
8
9. Veículos Bicombustíveis
Introdução.
Veículos que permitem o uso de um ou dois
tipos de combustíveis.
Alguns Benefícios:
Escolha.
Concorrência.
Meio Ambiente.
Brasil:
Centro de referência mundial.
ANFAVEA, 2009
9
10. Redes Neurais Artificiais
Introdução.
Modelos computacionais inspirados no cérebro.
Capacidade de aquisição e manutenção de informações.
Principais características:
Capacidade de aprender por meio de exemplos,
Adaptar e generalizar,
Agrupar ou Auto-organizar e
Não requer modelamento matemático.
10
11. Redes Neurais Artificiais
Modelo de Neurônio Biológico e Artificial.
Fig 1. General model of artificial neuron.
Biological Neuron Artificial Neuron
11
12. Redes Neurais Artificiais
MLP – Multilayer Perceptron
Consists of an input layer (x1, x2,...,xn), one or more hidden neural layers
(HL), a neural output layer (OL) and output (y)
An MLP architecture model.
Main Applications:
Pattern recognition and
Function universal approximations:
The universal approximation based on artificial neural networks,
is able to perform non-linear mapping, listing the inputs to the outputs.
12
13. Arquitetura de Sistema Inteligente Desenvolvida
Introdução.
Veículo Bicombustível de 1.8cm3 e 8 válvulas.
Variáveis disponíveis no EMS:
Dados numéricos e em grande quantidade;
Neste trabalho o número é 42.
Uso de dinamômetros;
Veículos calibrados.
Sem regime especial de funcionamento.
Nenhuma variável fixada.
13
14. Arquitetura de Sistema Inteligente Desenvolvida
Aspectos Básicos.
Topologia Perceptron Multicamadas
Grande quantidade de dados quantitativos;
Sistema complexo e não linear;
Aproximador universal.
Laço de treinamentos e testes;
Variação dos dados e de características
(configuração).
Processo Cross Validation
Treinamento: 75% dos dados disponíveis;
75% para treinar.
25% para validar.
Validar Generalização: 25% dos dados.
Modelo de PMC usado.
14
15. Arquitetura de Sistema Inteligente Desenvolvida
Aspectos Básicos.
Mapas de Dados
E20 20% de etanol e 80% de gasolina;
E100 100% de etanol.
Aproximadamente 90.000 registros coletados em cada mapa
Simular a realimentação do sistema (EMS)
Valor de lambda é conseqüência das variáveis;
Deslocamento para t +1.
15
18. Arquitetura de Sistema Inteligente Desenvolvida
Detalhe da Arquitetura Desenvolvida.
Discretização de todo o universo de dados
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900
segundos
18
19. Arquitetura de Sistema Inteligente Desenvolvida
Detalhe da Arquitetura Desenvolvida.
Discretização de subconjuntos do universo de dados
1
Lambda
FastFlywheelTorq
0.9
CalculatedBasePulseWidth
AIRF_Pct_ThrotPstnMax
0.8
ActualSlowIMEP
MainSparkAdvance
0.7
AirFlowRate
Hi_Res_Engine_Speed_Var
0.6 ETCThrottlePosition
Normalized Values
SparkAdvanceTopDeadCenter
0.5 Fuel_Integrator
SystemVoltage
0.4 DeliveredBasePulseWidth
NVFilteredFuelLevel
0.3 MAP
PedalLoad
0.2 AirFuelRatio
DesGrossIndicatedSlowTorq
Enviroment
0.1
Charge
Exhaust
0
0 100 200 300 400 500 600 700 800 900 Converter
segundos
Seconds
200 250 300
segundos
19
20. Resultados Experimentais
Quantidade total de redes neurais criadas: 4.848.
Quantidade total de redes neurais testadas: 15.096.
Análise dos resultados:
Erro Relativo Médio ( er )
Análise Gráfica
20
21. Resultados Experimentais
Trein. Segm. E20 Trein. Comp. E20 Trein. Segm. E100 Trein. Comp. E100
Teste Segm. E20 Teste Comp. E20 Teste Segm. E100 Teste Comp. E100
Trein. Segm. E20 Trein. Comp. E20 Trein. Segm. E100 Trein. Comp. E100
Teste Segm. E100 Teste Comp. E100 Teste Segm. E20 Teste Comp. E20
Trein. Segm. E20 Trein. Segm. E20 Trein. Segm. E100 Trein. Segm. E100 Trein. Segm. E20+E100 Trein. Segm. E20+E100
Teste Comp. E20 Teste Comp. E100 Teste Segm. E100 Teste Comp. E20 Teste Comp. E20 Teste Comp. E100
Trein. Segm. E20+E100 Trein. Comp. E20+E100 Trein. Segm. E20+E100 Trein. Comp. E20+E100
Teste Segm. E100 Teste Comp. E100 Teste Segm. E20 Teste Comp. E20
Topologias iguais para
E20 e E100
21
25. Resultados Experimentais
Treinamentos e testes Completos com E20.
er’ = 1,7288%
Cód. Topologia: 6.167
Mapa #: 1; Qt.Ent.: 21; CNE1: 10; CNE2: 15
Tipo Disc.: Comp.; Faixa: [9 884]; Qt.Discr.: 0.005; Trein.: trainbr
Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]
1
Objetivo
Valor de Lambda (normalizado)
Simulado
0.8
0.6
0.4
0.2
0
100 200 300 400 500 600 700 800
Segundos
Exemplo de resultado de treinamento e teste com E20-Completo.
25
26. Resultados Experimentais
Treinamentos e testes Segmentados com E100ód . Topologia: 2.3 96 I).
C
(Situação
er’ = 0,26261% Ma pa # : 2; Qt.Ent.: 21 ; CNE 1: 60; CNE 2: 0
Ti po D is c.: Se gm.; Fai xa : [97 1 83]; Qt.Discr.: 0.05; Tre in .: tra in lm
V ars : [2 6 7 8 9 10 12 1 3 14 15 26 2 7 28 30 3 1 32 34 37 4 0 41 42]
0.6
Obj etivo
Valor de Lambda (no rma liz ado)
0.5 5 Si mul ado
0.5
0.4 5
0.4
0.3 5
0.3
162 164 16 6 1 68 170 172 174 176 17 8 180 18 2
Se gun do s
Erro R el ativo M édi o (% ): 0.26261
3
2.5
E rro Relativo (% )
2
1.5
1
0.5
0
162 164 16 6 1 68 170 172 174 176 17 8 180 18 2
Se gun do s
Exemplo de resultado de treinamento e teste com E100-Segmentado
(Situação I).
26
27. Resultados Experimentais
Treinamentos e testes Segmentados com E100 (Situação II - Detalhes).
er’ = 0,2445%
Cód. Topologia: 2.526
Mapa #: 2; Qt.Ent.: 21; CNE1: 50; CNE2: 0
Tipo Disc.: Segm.; Faixa: [447 533]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]
0.56
Objetivo
Valor de Lambda (normalizado)
Simulado
0.54
0.52
0.5
0.48
0.46
475 480 485 490 495 500 505 510 515
Segundos
Exemplo de resultado de treinamento e teste com E100-Segmentado
(Situação II – Detalhes).
27
28. Resultados Experimentais
Treinamentos e testes Completos com E100 (Detalhes).
Cód. Topologia: 1.505
er’ = 0,46373% Mapa #: 2; Qt.Ent.: 6; CNE1: 55; CNE2: 0
Tipo Disc.: Comp.; Faixa: [9 884]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [7 13 14 15 31 33]
Objetivo
Valor de Lambda (normalizado)
0.6 Simulado
0.55
0.5
0.45
0.4
0.35
0.3
100 120 140 160 180 200 220 240 260
Segundos
Erro Relativo Médio (%): 0.46373
15
Erro Relativo (%)
10
5
0
100 120 140 160 180 200 220 240 260
Segundos
Exemplo de resultado de treinamento e teste com E100-Segmentado
(Detalhes).
28
29. Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação I).
Cód. Topologia: 3.51
Mapa #: 1; Qt.Ent.: 6; CNE1: 7; CNE2: 0
er’ = 8,5189% Tipo Disc.: Segm.; Faixa: [97 183]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [7 13 14 15 31 33]
1
Objetivo
Valor de Lambda (normalizado)
Simulado
0.8
0.6
0.4
0.2
0
100 200 300 400 500 600 700 800
Segundos
Erro Relativo Médio (%): 8.5189
200
150
Erro Relativo (%)
100
50
0
100 200 300 400 500 600 700 800
Segundos
Exemplo de resultado invalidado de treinamento com E20-Segmentado e
teste com E20-Completo (Situação I).
29
30. Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação II).
er’ = 1,4540%
Cód. Topologia: 3.51
Mapa #: 1; Qt.Ent.: 6; CNE1: 7; CNE2: 0
Tipo Disc.: Segm.; Faixa: [97 183]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [7 13 14 15 31 33]
0.4
Objetivo
Valor de Lambda (normalizado)
0.35 Simulado
0.3
0.25
0.2
0.15
0.1
100 110 120 130 140 150 160 170 180
Segundos
Exemplo de resultado invalidado de treinamento com E20-Segmentado e teste com E20-Completo (Situação II).
30
31. Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Segmentados E100.
Cód. Topologia: 3.151
Mapa #: 2; Qt.Ent.: 5; CNE1: 10; CNE2: 0
er’ = 6,3337% Tipo Disc.: Segm.; Faixa: [534 622]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [7 11 13 14 31]
0.9
Objetivo
0.8
Valor de Lambda (normalizado)
Simulado
0.7
0.6
0.5
0.4
0.3
0.2
0.1
540 550 560 570 580 590 600 610 620
Segundos
Erro Relativo Médio (%): 6.3337
20
15
Erro Relativo (%)
10
5
0
540 550 560 570 580 590 600 610 620
Segundos
Exemplo de resultado invalidado de treinamento com E20-Segmentado e
teste com E100-Segmentado.
31
32. Resultados Experimentais
Treinamentos com Mapas Completos E100 e testes com Mapas Completos E20.
Cód. Topologia: 3.232
er’ = 38,1767% Mapa #: 1; Qt.Ent.: 5; CNE1: 5; CNE2: 0
Tipo Disc.: Segm.; Faixa: [9 884]; Qt.Discr.: 0.05; Trein.: trainlm
Vars: [7 11 13 14 31]
1
Objetivo
Valor de Lambda (normalizado)
Simulado
0.8
0.6
0.4
0.2
0
100 200 300 400 500 600 700 800
Segundos
Erro Absoluto Médio (%): 38.1767
80
70
60
Erro Absoluto (%)
50
40
30
20
10
0
100 200 300 400 500 600 700 800
Segundos
Exemplo de resultado invalidado de treinamento com E100-Completo e
teste com E20-Completo.
32
40. Resultados Experimentais
Monocombustíveis:
Resumo dos resultados de testes – Treinamentos e Testes utilizando mesmos mapas de dados.
Bicombustíveis I:
Resumo dos resultados de testes – Treinamentos e Testes utilizando mapas de dados distintos.
40
41. Resultados Experimentais
Treinamentos Segmentados e Testes Completos:
Resumo dos resultados de testes – Treinamentos e Testes utilizando tipos de discretização ou mapas de dados distintos.
Bicombustíveis II:
Resumo dos resultados de testes – Treinamentos utilizando ambos os mapas de dados e testes utilizando apenas um dos mapas.
41
42. Conclusões
Erros relativos médios menores que 1% em centenas de topologias (mono
ou bicombustíveis)!
Treinamentos segmentados não mapeiam todo Universo de dados
disponível;
Melhores resultados concentraram-se em redes com 41 variáveis;
Treinamentos com ambos os mapas de dados possibilitam mapear a função
mesmo quando altera-se a dinâmica do motor (bicombustíveis);
Foram relativamente melhores que as redes “monocombustíveis”.
Possibilidade de usar apenas uma topologia para ambos os mapas;
≈ 4,5% das 1.320 redes “bicombustíveis” tiveram er menores que 5%.
Treinamentos e testes com subconjuntos mostraram-se mais adequados e
possíveis de implementação.
42
43. Conclusões
Trabalhos futuros.
Aumentar o número de mapas de dados:
Variações no percentual de Combustíveis
Protocolos de testes
Etc.
Aplicação de Redes Neuro-Fuzzy
ANFIS
Diminuir dimensionalidade das variáveis, eliminar ruídos ou redundâncias.
Substituição do sensor físico pelo sensor virtual
Implementação da melhor arquitetura de rede neural dentro do sistema de gerenciamento de
motor.
45
44. Questions?
Thank you!
Thiago Richter: thiago.richter@delphi.com
trichter@sc.usp.br
Amaury Ferrari de Oliveira: amaury.oliveira@delphi.com
Ivan Nunes da Silva: insilva@sc.usp.br