Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35288| Título: | Machine learning approach for modelling of a virtual sensor for the prediction of the rail pressure on a diesel injection system |
| Título(s) alternativo(s): | Uma abordagem de aprendizado de máquina para a modelagem de um sensor virtual para a previsão da pressão do rail de um sistema de injeção diesel |
| Autor(es): | Brunkhorst, Laura Bonatti |
| Orientador(es): | Germer, Eduardo Matos |
| Palavras-chave: | Aprendizado do computador Motores a diesel Detectores Análise multivariada Machine learning Diesel motor Detectors Multivariate analysis |
| Data do documento: | 29-Nov-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | BRUNKHORST, Laura Bonatti. Machine learning approach for modelling of a virtual sensor for the prediction of the rail pressure on a diesel injection system. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2022. |
| Resumo: | Os sistemas de injeção de diesel vêm se tornando cada vez mais complexos ao longo do tempo para que possam atender a rigorosas regulamentações de emissões, sendo o sistema common rail utilizado em motores diesel modernos. Este sistema depende de vários fatores para funcionar corretamente, dos quais a pressão do combustível no common rail é um dos mais importantes. O principal objetivo deste trabalho é desenvolver uma abordagem de aprendizagem de máquina para prever a pressão do combustível no rail. Desenvolver um método para prever a pressão no rail de combustível é importante pois permite obter valores para comparar com a pressão medida pelo sensor físico, possibilitando verificar sua condição de operação – ajudando a averiguar se o sistema como um todo está funcionando corretamente. Dados reais de um veículo de validação, medidos ao longo do tempo em intervalos de 10 ms, foram utilizados para construir os modelos, e três algoritmos diferentes para prever a pressão do rail foram testados: Multilayer Perceptron (MLP), Convolutional Neural Network (CNN), e Long-Short Term Memory (LSTM). Os algoritmos foram alimentados com dados pré-processados e calcularam 4 pontos da variável de interesse: o presente, 10 ms no futuro, 20 ms no futuro e 30 ms no futuro. A técnica denominada forward selection foi utilizada para encontrar um subconjunto adequado de features para alimentar os modelos e realizar os experimentos. Os resultados mostram que o LSTM e a CNN são capazes de produzir uma maior acurácia nas previsões, mas o MLP ainda fornece resultados precisos. Uma vez que o MLP é um modelo mais simples, o que o torna um melhor candidato para ser implantado na ECU (Electronic Control Unit), alguns experimentos subsequentes foram realizados com ele. A influência do número de pontos no passado na qualidade dos resultados desse algoritmo foi analisada. Para avaliar a capacidade de generalização do modelo, foi utilizada a técnica de validação K-Fold. Como mais de 99% dos valores previstos tinham um erro de previsão menor que ±100.000 hPa (±100 bar), a meta de precisão inicial foi considerada atingida. Finalmente, pode-se concluir que uma abordagem de aprendizagem de máquina é eficiente na modelagem e na tarefa de previsão da pressão do rail de combustível. |
| Abstract: | Diesel fuel injection systems have become increasingly complex over time to meet stringent emissions regulations, with the common rail system being used in modern diesel engines. This system depends on several factors to function properly, of which fuel pressure in the common rail is one of the most important. The main objective of this work is to develop a machine learning approach to predict the fuel pressure in the rail. A method for predicting the rail pressure is important as it provides comparable values for checking the condition of the physical sensor, helping to ensure that the system as a whole functions properly. Real data from a validation vehicle, consisting of multivariate time series, is used to build the models, and three different algorithms for predicting rail pressure are tested: multilayer perceptron (MLP), convolutional neural network (CNN), and long-short term memory (LSTM). The algorithms were fed with the preprocessed data and outputted 4 points of the target variable: the present, 10 ms in the future, 20 ms in the future and 30 ms in the future. The forward selection technique was used to find a suitable subset of features to feed the models and perform the experiments. The results show that LSTM and CNN are capable of producing better results, but MLP still delivers accurate predictions. Since the MLP is a simpler model, which makes it a better candidate for being deployed in the ECU, further experiments were performed with it. The effect of look back in time in the quality of the results from the algorithm was analyzed. To evaluate its generalization capability, the K-Fold validation technique was used. Since over 99% of the predicted values had a prediction error smaller than ±100.000 hPa (±100 bar), the initial accuracy goal is considered fulfilled. Finally, it can be concluded that a machine learning approach is efficient on modelling and predicting the fuel rail pressure. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35288 |
| Aparece nas coleções: | CT - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| machinelearningdieselinjection.pdf Disponível a partir de 2025-11-29 | 2,88 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
