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

   Thiago Richter1.2, Amau...
Sumário

Introdução;

Aspectos de EMS, Sensores de Oxigênio e Veículos Bicombustíveis;

Aspectos de Redes Neurais Artifici...
Introdução
Motivação e Relevância

  Indústria Automobilística.

  Desenvolvimento:
     Sistemas Gerenciadores de Motor (...
Introdução
Proposta e Justificativa

   Estudo de arquiteturas de sistemas inteligentes para efetuar o
   sensoriamento vi...
Sistemas de Gerenciamento de Motor
Introdução

  Controlar a combustão interna do motor.
     Melhor controle, melhor sens...
Sensores de Oxigênio
 Introdução
    Dispositivo para monitorar o oxigênio residual do motor de combustão
    interna.

  ...
Sensores de Oxigênio
Taxa estequiométrica:
  Proporção ideal de ar e combustível (A/F - Air/Fuel) que permite o
  consumo ...
Sensores de Oxigênio
Valor Lambda (λ):
                              A / F (atual )
                    λ=
               ...
Veículos Bicombustíveis
Introdução.

   Veículos que permitem o uso de um ou dois
   tipos de combustíveis.


   Alguns Be...
Redes Neurais Artificiais

 Introdução.
    Modelos computacionais inspirados no cérebro.
    Capacidade de aquisição e ma...
Redes Neurais Artificiais

 Modelo de Neurônio Biológico e Artificial.




                                               ...
Redes Neurais Artificiais
MLP – Multilayer Perceptron
Consists of an input layer (x1, x2,...,xn), one or more hidden neura...
Arquitetura de Sistema Inteligente Desenvolvida

Introdução.

  Veículo Bicombustível de 1.8cm3 e 8 válvulas.

  Variáveis...
Arquitetura de Sistema Inteligente Desenvolvida
Aspectos Básicos.

  Topologia Perceptron Multicamadas
    Grande quantida...
Arquitetura de Sistema Inteligente Desenvolvida

Aspectos Básicos.

  Mapas de Dados
     E20    20% de etanol e 80% de ga...
Arquitetura de Sistema Inteligente Desenvolvida
Aspectos Básicos.
           Exemplo de Variáveis (I):
  1
               ...
Arquitetura de Sistema Inteligente Desenvolvida
Aspectos Básicos.
   Exemplo da saída desejada:                           ...
Arquitetura de Sistema Inteligente Desenvolvida
Detalhe da Arquitetura Desenvolvida.
   Discretização de todo o universo d...
Arquitetura de Sistema Inteligente Desenvolvida
Detalhe da Arquitetura Desenvolvida.
        Discretização de subconjuntos...
Resultados Experimentais

  Quantidade total de redes neurais criadas: 4.848.

  Quantidade total de redes neurais testada...
Resultados Experimentais

           Trein. Segm. E20                Trein. Comp. E20               Trein. Segm. E100     ...
Resultados Experimentais
Treinamentos e testes Segmentados com E20 (Situação I).
                                         ...
Resultados Experimentais
Treinamentos e testes Segmentados com E20 (Situação II).
                                        ...
Resultados Experimentais
Treinamentos e testes Segmentados com E20 (Situação III).
                                       ...
Resultados Experimentais
Treinamentos e testes Completos com E20.

                      er’ = 1,7288%
                   ...
Resultados Experimentais
Treinamentos e testes Segmentados com E100ód . Topologia: 2.3 96 I).
                            ...
Resultados Experimentais
Treinamentos e testes Segmentados com E100 (Situação II - Detalhes).

                     er’ = ...
Resultados Experimentais
Treinamentos e testes Completos com E100 (Detalhes).
                                            ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação I).
           ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Completos E20 (Situação II).
          ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e testes com Mapas Segmentados E100.
                     ...
Resultados Experimentais
Treinamentos com Mapas Completos E100 e testes com Mapas Completos E20.
                         ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação I).
  ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação II).
 ...
Resultados Experimentais
Treinamentos com Mapas Completos E20 e E100 e testes com Mapas Completos E20 (Situação I).
     e...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação I).
 ...
Resultados Experimentais
Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação II).
...
Resultados Experimentais
Topologias Iguais: Testes com E20 Completo.
                                                     ...
Resultados Experimentais
Topologias Iguais: Testes com E100 Completo.
                                                    ...
Resultados Experimentais
Monocombustíveis:
         Resumo dos resultados de testes – Treinamentos e Testes utilizando mes...
Resultados Experimentais
Treinamentos Segmentados e Testes Completos:
      Resumo dos resultados de testes – Treinamentos...
Conclusões
 Erros relativos médios menores que 1% em centenas de topologias (mono
 ou bicombustíveis)!

 Treinamentos segm...
Conclusões
Trabalhos futuros.
   Aumentar o número de mapas de dados:
       Variações no percentual de Combustíveis
     ...
Questions?

               Thank you!

      Thiago Richter: thiago.richter@delphi.com
                      trichter@sc.u...
Upcoming SlideShare
Loading in …5
×

Intelligent System Architecture for Virtual Sensing of Oxygen in Bi-Fuel Vehicles - Thiago Richter - Congresso Sae Brasil 2009 Paper #2009 36 0200 Pt Br

550 views

Published on

The automotive industry is one of the most important
sectors in Brazilian’s economy and all over the world. In
recent years, this industry has been forced to improve
the performance of their vehicles and to reduce their
costs. One of the landmarks of this transformation was
the development of the oxygen sensor, which is one of
the main elements of the Engine Management Systems.
This work proposes the use of intelligent systems
architectures for virtual oxygen sensing of bi-fuel
vehicles, using multilayer Perceptron artificial neural
networks. The implemented topologies reach satisfactory
results, with mean relative errors less than 1% in
thousands of topologies. It was also noted that the neural
network trained with E20 and E100, using subsets of
universal set, it is the most appropriate to have a virtual
sensing of oxygen in bi-fuel vehicles.

Published in: Technology, Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
550
On SlideShare
0
From Embeds
0
Number of Embeds
5
Actions
Shares
0
Downloads
9
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Intelligent System Architecture for Virtual Sensing of Oxygen in Bi-Fuel Vehicles - Thiago Richter - Congresso Sae Brasil 2009 Paper #2009 36 0200 Pt Br

  1. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 11. Redes Neurais Artificiais Modelo de Neurônio Biológico e Artificial. Fig 1. General model of artificial neuron. Biological Neuron Artificial Neuron 11
  12. 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. 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. 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. 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
  16. 16. Arquitetura de Sistema Inteligente Desenvolvida Aspectos Básicos. Exemplo de Variáveis (I): 1 Lambda_Word PfTORQ_M_DsrdFastFlywheelTorq 0.9 CalculatedBasePulseWidth SfAIRF_Pct_ThrotPstnMax VfTORQ_ActualSlowIMEP 0.8 MainSparkAdvance AirFlowRate Hi_Res_Engine_Speed_Var 0.7 VfVIOS_Pct_ETCThrottlePosition SparkAdvanceTopDeadCenter Fuel_Integrator 0.6 SystemVoltage_B DeliveredBasePulseWidth NVFilteredFuelLevel 0.5 MAP_AD VfVIOS_PedalLoad AirFuelRatioVar 0.4 PfTORQ_DesGrossIndicatedSlowTorq Enviroment Charge 0.3 Exhaust Converter 0.2 0.1 0 0 100 200 300 400 500 600 700 800 900 segundos Exemplo de variáveis normalizadas usadas no sistema. 16
  17. 17. Arquitetura de Sistema Inteligente Desenvolvida Aspectos Básicos. Exemplo da saída desejada: 0.28 1 0.27 Normalized Lambda Value 0.9 0.26 0.8 0.25 0.24 0.7 Normalized Lambda Value 0.23 0.6 0.22 470 480 490 500 510 520 530 540 0.5 seconds 0.4 0.3 0.2 0.1 0 100 200 300 400 500 600 700 800 900 seconds 17
  18. 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. 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. 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. 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
  22. 22. Resultados Experimentais Treinamentos e testes Segmentados com E20 (Situação I). Cód. Topologia: 2.66 er’ = 0,44691% 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] 0.35 Objetivo Valor de Lambda (normalizado) 0.3 Simulado 0.25 0.2 0.15 0.1 0.05 0 155 160 165 170 175 180 Segundos Erro Relativo Médio (%): 0.44691 10 8 Erro Relativo (%) 6 4 2 0 155 160 165 170 175 180 Segundos Exemplo de resultado de treinamento e teste com E20-Segmentado (Situação I). 22
  23. 23. Resultados Experimentais Treinamentos e testes Segmentados com E20 (Situação II). Cód. Topologia: 2.126 er’ = 0,62255% Mapa #: 1; Qt.Ent.: 21; CNE1: 30; CNE2: 0 Tipo Disc.: Segm.; Faixa: [272 359]; 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] 1 Objetivo Valor de Lambda (normalizado) Simulado 0.8 0.6 0.4 0.2 0 280 290 300 310 320 330 340 350 Segundos Erro Relativo Médio (%): 0.62255 20 15 Erro Relativo (%) 10 5 0 280 290 300 310 320 330 340 350 Segundos Exemplo de resultado de treinamento e teste com E20-Segmentado (Situação II). 23
  24. 24. Resultados Experimentais Treinamentos e testes Segmentados com E20 (Situação III). Cód. Topologia: 2.194 er’ = 0,20619% Mapa #: 1; Qt.Ent.: 21; CNE1: 40; 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] Objetivo Valor de Lambda (normalizado) Simulado 0.28 0.26 0.24 0.22 0.2 500 505 510 515 520 525 530 Segundos Erro Absoluto Médio (%): 0.20619 2 1.5 Erro Absoluto (%) 1 0.5 0 500 505 510 515 520 525 530 Segundos Exemplo de resultado de treinamento e teste com E20-Segmentado (Situação III). 24
  25. 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. 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. 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. 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. 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. 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. 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. 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
  33. 33. Resultados Experimentais Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação I). Cód. Topologia: 8.660 er’ = 0,28709% Mapa #: 1; Qt.Ent.: 41; CNE1: 20; CNE2: 15 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] Valor de Lambda (normalizado) 0.5 Objetivo Simulado 0.4 0.3 0.2 825 830 835 840 845 850 855 Segundos Erro Relativo Médio (%): 0.28709 5 4 Erro Relativo (%) 3 2 1 0 825 830 835 840 845 850 855 Segundos Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E20-Segmentado (Situação I). 33
  34. 34. Resultados Experimentais Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E20 (Situação II). Cód. Topologia: 8.345 er’ = 0,001075% Mapa #: 1; Qt.Ent.: 21; CNE1: 20; CNE2: 15 Tipo Disc.: Segm.; Faixa: [360 446]; Qt.Discr.: 0.02; 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 Valor de Lambda (normalizado) Objetivo 0.8 Simulado 0.6 0.4 0.2 0 385 390 395 400 405 410 415 420 Segundos Erro Absoluto Médio: 0.0010754 0.03 0.025 0.02 Erro Absoluto 0.015 0.01 0.005 0 385 390 395 400 405 410 415 420 Segundos Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E20-Segmentado (Situação II). 34
  35. 35. Resultados Experimentais Treinamentos com Mapas Completos E20 e E100 e testes com Mapas Completos E20 (Situação I). er’ = 2,3994% Cód. Topologia: 7.48 Mapa #: 1; Qt.Ent.: 41; CNE1: 5; CNE2: 15 Tipo Disc.: Segm.; Faixa: [9 884]; Qt.Discr.: 0.025; Trein.: trainlm 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] 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 com E20 e E100-Completo e teste com E20-Completo (Situação I). 35
  36. 36. Resultados Experimentais Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação I). Cód. Topologia: 7.658 er’ = 0,17441% Mapa #: 2; Qt.Ent.: 41; CNE1: 20; CNE2: 5 Tipo Disc.: Segm.; Faixa: [797 884]; Qt.Discr.: 0.025; Trein.: trainlm 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] Objetivo Valor de Lambda (normalizado) Simulado 0.55 0.5 0.45 0.4 820 825 830 835 840 845 850 855 860 Segundos Erro Relativo Médio (%): 0.17441 2 1.5 Erro Relativo (%) 1 0.5 0 820 825 830 835 840 845 850 855 860 Segundos Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E100-Segmentado (Situação I). 36
  37. 37. Resultados Experimentais Treinamentos com Mapas Segmentados E20 e E100 e testes com Mapas Segmentados E100 (Situação II). er’ = 0,12252% Cód. Topologia: 8.298 Mapa #: 2; Qt.Ent.: 41; CNE1: 20; CNE2: 5 Tipo Disc.: Segm.; Faixa: [272 359]; 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] 0.55 Objetivo Valor de Lambda (normalizado) Simulado 0.5 0.45 0.4 300 305 310 315 320 325 330 Segundos Exemplo de resultado de treinamento com E20 e E100-Segmentado e teste com E100-Segmentado (Situação II). 37
  38. 38. Resultados Experimentais Topologias Iguais: Testes com E20 Completo. Cód. Topologia: 7.48 er’ = 2,3994% Mapa #: 1; Qt.Ent.: 41; CNE1: 5; CNE2: 15 Tipo Disc.: Segm.; Faixa: [9 884]; Qt.Discr.: 0.02; Trein.: trainlm 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] 1 Valor de Lambda (normalizado) Objetivo 0.8 Simulado 0.6 0.4 0.2 0 100 200 300 400 500 600 700 800 Segundos Erro Relativo Médio (%): 2.3994 100 80 Erro Relativo (%) 60 40 20 0 100 200 300 400 500 600 700 800 Segundos Exemplo de resultado de teste com topologias iguais E20-Completo. 38
  39. 39. Resultados Experimentais Topologias Iguais: Testes com E100 Completo. Cód. Topologia: 7.48 er’ = 0,54709% Mapa #: 2; Qt.Ent.: 41; CNE1: 5; CNE2: 15 Tipo Disc.: Segm.; Faixa: [9 884]; Qt.Discr.: 0.02; Trein.: trainlm 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] 0.8 Valor de Lambda (normalizado) Objetivo 0.7 Simulado 0.6 0.5 0.4 0.3 0.2 100 200 300 400 500 600 700 800 Segundos Erro Relativo Médio (%): 0.54709 20 15 Erro Relativo (%) 10 5 0 100 200 300 400 500 600 700 800 Segundos Exemplo de resultado de teste com topologias iguais E100-Completo. 39
  40. 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. 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. 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. 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. 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

×