Intelligent System Architecture for Virtual Sensing of Oxygen in Bi-Fuel Vehicles - Thiago Richter -...

Intelligent System Architecture for Intelligent System Architecture for Virtual Sensing of Oxygen Virtual Sensing of Oxygen

in Biin Bi--Fuel VehiclesFuel Vehicles

Thiago Richter1.2, Amaury Ferrari de Oliveira1 andIvan Nunes da Silva2

1 Delphi Automotive Systems2 University of Sao Paulo, Sao Carlos

2

SumSumááriorio

� 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.

3

IntroduIntroduççãoão

� 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.

4

IntroduIntroduççãoão

� 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.

5

Sistemas de Gerenciamento de MotorSistemas 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.

6

Sensores de OxigênioSensores 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.

� Funcionamento:� Diferença de Potencial

entre Ar do Escape e Ar Externo.

O2 Escape

O2 Referência

7


Estequiometria de vários combustíveis (DELPHI, 2005).

� 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.

8


� Valor Lambda (λ):

� 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.

)(/

)(/

tricoestequioméFA

atualFA=λ

9

VeVeíículos Bicombustculos Bicombustííveisveis

� 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

10

Redes Neurais ArtificiaisRedes 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.

11


� Modelo de Neurônio Biológico e Artificial.

Biological Neuron Artificial Neuron

Fig 1. General model of artificial neuron.

12


� MLP – Multilayer Perceptron

� 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.

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.

13

Arquitetura de Sistema Inteligente DesenvolvidaArquitetura 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.

14


�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.

15


�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.

16


0 100 200 300 400 500 600 700 800 9000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

segundos

Lambda_Word

PfTORQ_M_DsrdFastFlywheelTorq

CalculatedBasePulseWidth

SfAIRF_Pct_ThrotPstnMax

VfTORQ_ActualSlowIMEP

MainSparkAdvance

AirFlowRate

Hi_Res_Engine_Speed_Var

VfVIOS_Pct_ETCThrottlePosition

SparkAdvanceTopDeadCenter

Fuel_Integrator

SystemVoltage_B

DeliveredBasePulseWidth

NVFilteredFuelLevel

MAP_AD

VfVIOS_PedalLoad

AirFuelRatioVar

PfTORQ_DesGrossIndicatedSlowTorq

Enviroment

Charge

Exhaust

Converter

Exemplo de variáveis normalizadas usadas no sistema.

� Aspectos Básicos.� Exemplo de Variáveis (I):

17


0 100 200 300 400 500 600 700 800 9000.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

seconds

Norm

aliz

ed L

am

bda V

alu

e

470 480 490 500 510 520 530 5400.22

0.23

0.24

0.25

0.26

0.27

0.28

seconds

Norm

aliz

ed L

am

bda V

alu

e

� Aspectos Básicos.

� Exemplo da saída desejada:

18


� Detalhe da Arquitetura Desenvolvida.

� Discretização de todo o universo de dados

0 100 200 300 400 500 600 700 800 9000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

segundos

19


� Detalhe da Arquitetura Desenvolvida.

� Discretização de subconjuntos do universo de dados

0 100 200 300 400 500 600 700 800 9000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

segundos

Lambda

FastFlywheelTorq

CalculatedBasePulseWidth

AIRF_Pct_ThrotPstnMax

ActualSlowIMEP

MainSparkAdvance

AirFlowRate

Hi_Res_Engine_Speed_Var

ETCThrottlePosition

SparkAdvanceTopDeadCenter

Fuel_Integrator

SystemVoltage

DeliveredBasePulseWidth

NVFilteredFuelLevel

MAP

PedalLoad

AirFuelRatio

DesGrossIndicatedSlowTorq

Enviroment

Charge

Exhaust

Converter

Seconds

No

rma

lize

d V

alu

es

200 300

200 250 300

segundos

20

Resultados ExperimentaisResultados Experimentais

� Quantidade total de redes neurais criadas: 4.848.

� Quantidade total de redes neurais testadas: 15.096.

� Análise dos resultados:

� Erro Relativo Médio ( )

� Análise Gráfica

re

21


Trein. Comp. E20

Teste Comp. E20

Trein. Comp. E100

Teste Comp. E100

Trein. Segm. E20

Teste Segm. E20

Trein. Segm. E100

Teste Segm. E100

Trein. Comp. E20

Teste Comp. E100

Trein. Comp. E100

Teste Comp. E20

Trein. Segm. E20

Teste Segm. E100

Trein. Segm. E100

Teste Segm. E20

Trein. Comp. E20+E100

Teste Comp. E100

Trein. Comp. E20+E100

Teste Comp. E20

Trein. Segm. E20+E100

Teste Segm. E100


Teste Segm. E20


Teste Comp. E20


Teste Comp. E100

Trein. Segm. E20

Teste Comp. E20

Trein. Segm. E100

Teste Segm. E100

Trein. Segm. E100

Teste Comp. E20

Trein. Segm. E20

Teste Comp. E100

Topologias iguais para

E20 e E100

22

� Treinamentos e testes Segmentados com E20 (Situação I).

Exemplo de resultado de treinamento e teste com E20-Segmentado(Situação I).


155 160 165 170 175 1800

0.05

0.1

0.15

0.2

0.25

0.3

0.35

Cód. Topologia: 2.66

Mapa #: 1; Qt.Ent.: 21; CNE1: 60; CNE2: 0

Tipo Disc.: Segm.; Faixa: [97 183]; 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]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

155 160 165 170 175 1800

2

4

6

8

10Erro Relativo Médio (%): 0.44691

Segundos

Err

o R

ela

tivo (

%)

er’ = 0,44691%

23

� Treinamentos e testes Segmentados com E20 (Situação II).

Exemplo de resultado de treinamento e teste com E20-Segmentado(Situação II).


280 290 300 310 320 330 340 3500

0.2

0.4

0.6

0.8

1




Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

280 290 300 310 320 330 340 3500

5

10

15


Segundos

Err

o R

ela

tivo (

%)

er’ = 0,62255%

24

� Treinamentos e testes Segmentados com E20 (Situação III).

Exemplo de resultado de treinamento e teste com E20-Segmentado(Situação III).


500 505 510 515 520 525 5300.2

0.22

0.24

0.26

0.28




Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

500 505 510 515 520 525 530

0

0.5

1

1.5

2Erro Absoluto Médio (%): 0.20619

Segundos

Err

o A

bsolu

to (

%)

er’ = 0,20619%

25

� Treinamentos e testes Completos com E20.

Exemplo de resultado de treinamento e teste com E20-Completo.


100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1



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]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

er’ = 1,7288%

26

� Treinamentos e testes Segmentados com E100 (Situação I).

Exemplo de resultado de treinamento e teste com E100-Segmentado(Situação I).


162 164 166 168 170 172 174 176 178 180 1820.3

0.35

0.4

0.45

0.5

0.55

0.6


Mapa # : 2; Qt.Ent.: 21 ; CNE 1: 60; CNE 2: 0

Tipo Dis c.: Segm.; Faixa: [97 183]; Qt.Discr.: 0.05; Tre in .: tra in lmV ars : [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]

Segundos

Va

lor

de L

am

bd

a (

no

rma

lizad

o)

Objetivo

Simulado

162 164 166 168 170 172 174 176 178 180 182

0

0.5

1

1.5

2

2.5

3

Erro Relativo M édio (%): 0.26261

Segundos

Erro

Rela

tivo (

%)

er’ = 0,26261%

27

� Treinamentos e testes Segmentados com E100 (Situação II - Detalhes).

Exemplo de resultado de treinamento e teste com E100-Segmentado(Situação II – Detalhes).


475 480 485 490 495 500 505 510 5150.46

0.48

0.5

0.52

0.54

0.56




Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

er’ = 0,2445%

28

� Treinamentos e testes Completos com E100 (Detalhes).

Exemplo de resultado de treinamento e teste com E100-Segmentado(Detalhes).


100 120 140 160 180 200 220 240 2600.3

0.35

0.4

0.45

0.5

0.55

0.6



Tipo Disc.: Comp.; Faixa: [9 884]; Qt.Discr.: 0.05; Trein.: trainlm

Vars: [7 13 14 15 31 33]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

100 120 140 160 180 200 220 240 2600

5

10


Segundos

Err

o R

ela

tivo (

%)

er’ = 0,46373%

29

� Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação I).

Exemplo de resultado invalidado de treinamento com E20-Segmentado eteste com E20-Completo (Situação I).


100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1




Vars: [7 13 14 15 31 33]

Segundos

Valo

r de L

am

bda (norm

aliz

ado)

Objetivo

Simulado

100 200 300 400 500 600 700 8000

50

100

150


Segundos

Erro R

ela

tivo (%

)

er’ = 8,5189%

30

� Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação II).

Exemplo de resultado invalidado de treinamento com E20-Segmentado e teste com E20-Completo (Situação II).


100 110 120 130 140 150 160 170 1800.1

0.15

0.2

0.25

0.3

0.35

0.4




Vars: [7 13 14 15 31 33]

Segundos

Valo

r de L

am

bda (norm

aliz

ado)

Objetivo

Simulado

er’ = 1,4540%

31

� Treinamentos com Mapas Segmentados E20 e testes com Mapas Segmentados E100.

Exemplo de resultado invalidado de treinamento com E20-Segmentado e teste com E100-Segmentado.


540 550 560 570 580 590 600 610 6200.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9




Vars: [7 11 13 14 31]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

540 550 560 570 580 590 600 610 6200

5

10

15


Segundos

Err

o R

ela

tivo (

%)

er’ = 6,3337%

32

� Treinamentos com Mapas Completos E100 e testes com Mapas Completos E20.

Exemplo de resultado invalidado de treinamento com E100-Completo eteste com E20-Completo.


100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1




Vars: [7 11 13 14 31]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

100 200 300 400 500 600 700 8000

10

20

30

40

50

60

70

80Erro Absoluto Médio (%): 38.1767

Segundos

Err

o A

bsolu

to (

%)

er’ = 38,1767%

33

� Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação I).

Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E20-Segmentado (Situação I).


825 830 835 840 845 850 855

0.2

0.3

0.4

0.5



Tipo Disc.: Segm.; Faixa: [797 884]; Qt.Discr.: 0.02; Trein.: trainbr

Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

825 830 835 840 845 850 8550

1

2

3

4


Segundos

Err

o R

ela

tivo (

%)

er’ = 0,28709%

34

� Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação II).

Exemplo de resultado de treinamento com E20 e E100-Segmentado eteste com E20-Segmentado (Situação II).


385 390 395 400 405 410 415 4200

0.2

0.4

0.6

0.8

1




Vars: [2 6 7 8 9 10 12 13 14 15 26 27 28 30 31 32 34 37 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

385 390 395 400 405 410 415 4200

0.005

0.01

0.015

0.02

0.025

0.03Erro Absoluto Médio: 0.0010754

Segundos

Err

o A

bsolu

toer’ = 0,001075%

35

� Treinamentos com Mapas Completos E20 e E100 e testes com Mapas Completos E20 (Situação I).

Exemplo de resultado de treinamento com E20 e E100-Completo e teste com E20-Completo (Situação I).


100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1




Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

er’ = 2,3994%

36

� Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação I).

Exemplo de resultado de treinamento com E20 e E100-Segmentado eteste com E100-Segmentado (Situação I).


820 825 830 835 840 845 850 855 8600.4

0.45

0.5

0.55




Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

820 825 830 835 840 845 850 855 860

0

0.5

1

1.5


Segundos

Err

o R

ela

tivo (

%)

er’ = 0,17441%

37

� Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação II).

Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E100-Segmentado (Situação II).


300 305 310 315 320 325 3300.4

0.45

0.5

0.55




Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

er’ = 0,12252%

38

� Topologias Iguais: Testes com E20 Completo.

Exemplo de resultado de teste com topologias iguaisE20-Completo.


100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1




Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

100 200 300 400 500 600 700 8000

20

40

60

80


Segundos

Err

o R

ela

tivo (

%)

er’ = 2,3994%

39

� Topologias Iguais: Testes com E100 Completo.

Exemplo de resultado de teste com topologias iguaisE100-Completo.


100 200 300 400 500 600 700 8000.2

0.3

0.4

0.5

0.6

0.7

0.8




Vars: [2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42]

Segundos

Valo

r de L

am

bda (

norm

aliz

ado)

Objetivo

Simulado

100 200 300 400 500 600 700 8000

5

10

15


Segundos

Err

o R

ela

tivo (

%)

er’ = 0,54709%

40

� Monocombustíveis:

� Bicombustíveis I:


Resumo dos resultados de testes – Treinamentos e Testes utilizando mapas de dados distintos.

Resumo dos resultados de testes – Treinamentos e Testes utilizando mesmos mapas de dados.

41

� Treinamentos Segmentados e Testes Completos:

� Bicombustíveis II:


Resumo dos resultados de testes – Treinamentos e Testes utilizando tipos de discretização ou mapas de dados distintos.

Resumo dos resultados de testes – Treinamentos utilizando ambos os mapas de dados e testes utilizando apenas um dos mapas.

42

ConclusõesConclusões

� 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 menores que 5%.

� Treinamentos e testes com subconjuntos mostraram-se mais adequados e possíveis de implementação.

re

45

ConclusõesConclusões

� 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.

QuestionsQuestions??

ThankThank youyou!!

Thiago Richter: [email protected]@sc.usp.br

Amaury Ferrari de Oliveira: [email protected] Nunes da Silva: [email protected]

Date post:	05-Dec-2014
Category:	Technology
Upload:	thiago-richter
View:	500 times
Download:	1 times

Intelligent System Architecture for Virtual Sensing of Oxygen in Bi-Fuel Vehicles - Thiago Richter -...

Technology