intelligent system architecture for virtual sensing of oxygen in bi-fuel vehicles - thiago richter -...
DESCRIPTION
The automotive industry is one of the most importantsectors in Brazilian’s economy and all over the world. Inrecent years, this industry has been forced to improvethe performance of their vehicles and to reduce theircosts. One of the landmarks of this transformation wasthe development of the oxygen sensor, which is one ofthe main elements of the Engine Management Systems.This work proposes the use of intelligent systemsarchitectures for virtual oxygen sensing of bi-fuelvehicles, using multilayer Perceptron artificial neuralnetworks. The implemented topologies reach satisfactoryresults, with mean relative errors less than 1% inthousands of topologies. It was also noted that the neuralnetwork trained with E20 and E100, using subsets ofuniversal set, it is the most appropriate to have a virtualsensing of oxygen in bi-fuel vehicles.TRANSCRIPT
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
Sensores de OxigênioSensores de Oxigênio
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
Sensores de OxigênioSensores de Oxigênio
� 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
Redes Neurais ArtificiaisRedes Neurais Artificiais
� Modelo de Neurônio Biológico e Artificial.
Biological Neuron Artificial Neuron
Fig 1. General model of artificial neuron.
12
Redes Neurais ArtificiaisRedes Neurais Artificiais
� 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
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura 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.
15
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura 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.
16
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura de Sistema Inteligente Desenvolvida
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
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura de Sistema Inteligente Desenvolvida
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
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura de Sistema Inteligente Desenvolvida
� 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
Arquitetura de Sistema Inteligente DesenvolvidaArquitetura de Sistema Inteligente Desenvolvida
� 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
Resultados ExperimentaisResultados Experimentais
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
Trein. Segm. E20+E100
Teste Segm. E20
Trein. Segm. E20+E100
Teste Comp. E20
Trein. Segm. E20+E100
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).
Resultados ExperimentaisResultados Experimentais
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).
Resultados ExperimentaisResultados Experimentais
280 290 300 310 320 330 340 3500
0.2
0.4
0.6
0.8
1
Cód. Topologia: 2.126
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]
Segundos
Valo
r de L
am
bda (
norm
aliz
ado)
Objetivo
Simulado
280 290 300 310 320 330 340 3500
5
10
15
20Erro Relativo Médio (%): 0.62255
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).
Resultados ExperimentaisResultados Experimentais
500 505 510 515 520 525 5300.2
0.22
0.24
0.26
0.28
Cód. Topologia: 2.194
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]
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.
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000
0.2
0.4
0.6
0.8
1
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]
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).
Resultados ExperimentaisResultados Experimentais
162 164 166 168 170 172 174 176 178 180 1820.3
0.35
0.4
0.45
0.5
0.55
0.6
Cód. Topologia: 2.396
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).
Resultados ExperimentaisResultados Experimentais
475 480 485 490 495 500 505 510 5150.46
0.48
0.5
0.52
0.54
0.56
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]
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).
Resultados ExperimentaisResultados Experimentais
100 120 140 160 180 200 220 240 2600.3
0.35
0.4
0.45
0.5
0.55
0.6
Cód. Topologia: 1.505
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]
Segundos
Valo
r de L
am
bda (
norm
aliz
ado)
Objetivo
Simulado
100 120 140 160 180 200 220 240 2600
5
10
15Erro Relativo Médio (%): 0.46373
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).
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000
0.2
0.4
0.6
0.8
1
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]
Segundos
Valo
r de L
am
bda (norm
aliz
ado)
Objetivo
Simulado
100 200 300 400 500 600 700 8000
50
100
150
200Erro Relativo Médio (%): 8.5189
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).
Resultados ExperimentaisResultados Experimentais
100 110 120 130 140 150 160 170 1800.1
0.15
0.2
0.25
0.3
0.35
0.4
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]
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.
Resultados ExperimentaisResultados Experimentais
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
Cód. Topologia: 3.151
Mapa #: 2; Qt.Ent.: 5; CNE1: 10; CNE2: 0
Tipo Disc.: Segm.; Faixa: [534 622]; Qt.Discr.: 0.05; Trein.: trainlm
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
20Erro Relativo Médio (%): 6.3337
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.
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000
0.2
0.4
0.6
0.8
1
Cód. Topologia: 3.232
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]
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).
Resultados ExperimentaisResultados Experimentais
825 830 835 840 845 850 855
0.2
0.3
0.4
0.5
Cód. Topologia: 8.660
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]
Segundos
Valo
r de L
am
bda (
norm
aliz
ado)
Objetivo
Simulado
825 830 835 840 845 850 8550
1
2
3
4
5Erro Relativo Médio (%): 0.28709
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).
Resultados ExperimentaisResultados Experimentais
385 390 395 400 405 410 415 4200
0.2
0.4
0.6
0.8
1
Cód. Topologia: 8.345
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]
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).
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000
0.2
0.4
0.6
0.8
1
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]
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).
Resultados ExperimentaisResultados Experimentais
820 825 830 835 840 845 850 855 8600.4
0.45
0.5
0.55
Cód. Topologia: 7.658
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]
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
2Erro Relativo Médio (%): 0.17441
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).
Resultados ExperimentaisResultados Experimentais
300 305 310 315 320 325 3300.4
0.45
0.5
0.55
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]
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.
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000
0.2
0.4
0.6
0.8
1
Cód. Topologia: 7.48
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]
Segundos
Valo
r de L
am
bda (
norm
aliz
ado)
Objetivo
Simulado
100 200 300 400 500 600 700 8000
20
40
60
80
100Erro Relativo Médio (%): 2.3994
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.
Resultados ExperimentaisResultados Experimentais
100 200 300 400 500 600 700 8000.2
0.3
0.4
0.5
0.6
0.7
0.8
Cód. Topologia: 7.48
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]
Segundos
Valo
r de L
am
bda (
norm
aliz
ado)
Objetivo
Simulado
100 200 300 400 500 600 700 8000
5
10
15
20Erro Relativo Médio (%): 0.54709
Segundos
Err
o R
ela
tivo (
%)
er’ = 0,54709%
40
� Monocombustíveis:
� Bicombustíveis I:
Resultados ExperimentaisResultados Experimentais
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:
Resultados ExperimentaisResultados Experimentais
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]