Machine learning applied in automotive ecus for real-time engine behavior analysis

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Canal, Rafael
Orientador(a): Gracioli, Giovani
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/251762
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.
id UFSC_2e27de22a40e05a64fb95c7dfb7b3347
oai_identifier_str oai:repositorio.ufsc.br:123456789/251762
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaCanal, RafaelGracioli, GiovaniAraújo, Gustavo Medeiros de2023-11-01T23:27:52Z2023-11-01T23:27:52Z2023384512https://repositorio.ufsc.br/handle/123456789/251762Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.A Unidade de Controle Eletrônico (ECU ) centraliza a leitura de diversos sensores que adquirem dados sobre o funcionamento do motor. A leitura desses dados da ECU automotiva é capaz de gerar uma quantidade expressiva de dados. Quando monitoradas e tratadas corretamente, essas informações podem auxiliar no entendimento de padrões e problemas em diversos subsistemas de motores, destacando pontos que devem e podem ser melhorados. Além disso, o acompanhamento desses dados pode servir para diversos setores dentro da área, como segurança, rastreamento, redução do número de protótipos de testes e por consequência redução de custo, melhorar a interação com o motorista e ser mais uma ferramenta na mão dos engenheiros para o desenvolvimento de novas tecnologias. Neste trabalho, desenvolvemos modelos de aprendizado de máquina para a construção de três análises inteligentes: detecção de falha de ignição, classificação do perfil de condução do motorista e previsão do consumo de combustível. Para isso, utilizamos um hardware embarcado no veículo que se comunica com a ECU, adquirindo as informações solicitadas e enviando-as para um servidor na nuvem, enquanto o carro está em operação. Os modelos foram treinados com variáveis ??fortemente relacionadas com a análise em questão, sendo feito um processo extenso de seleção de atributos para sua escolha. As análises são feitas em tempo real e qualquer interessado pode fazer o acompanhamento por meio de aplicações locais ou dashboards web. Comparado com os trabalhos relacionados, os resultados obtidos são semelhantes ou melhores, com a diferença de serem obtidos por meio de algoritmos menos custos computacionais, com dados exclusivos da ECU e em tempo real.Abstract: The automotive ECU data readout can generate a significant amount of data. When properly monitored and processed, this information can help understand patterns and problems in the various engine subsystems, highlighting areas for potential improvement. Additionally, tracking this data can benefit multiple sectors within the field, including safety, tracking, reducing prototype testing, and subsequently lowering costs. It can also enhance driver interaction and serve as a valuable tool for engineers in developing new technologies. In this work, we develop machine learning models for three intelligent analyses: misfire detection, driver driving profile classification, and fuel consumption prediction. To accomplish this, we use hardware embedded in the vehicle that communicates with the ECU, acquiring the requested information and transmitting it to a cloud server while the car operates. The models were trained using variables strongly related to each respective analysis, and an extensive feature selection process was conducted to determine their relevance. Analyzes are performed in real-time, and interested parties can monitor them through local applications or web dashboards. Compared with related works, the obtained results are either similar or superior, differentiating by being obtained through computationally less costly algorithms, utilizing data exclusively from the ECU, and providing real-time analysis.150 p.| tabs.engSistemas eletrônicosAprendizado do computadorCombustíveisControle eletrônicoAutomóveisMotores elétricosMachine learning applied in automotive ecus for real-time engine behavior analysisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPESE0020-D.pdfPESE0020-D.pdfapplication/pdf8375701https://repositorio.ufsc.br/bitstream/123456789/251762/1/PESE0020-D.pdf308a461edd78056672be4bacfbc13907MD51123456789/2517622023-11-06 15:21:05.542oai:repositorio.ufsc.br:123456789/251762Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-11-06T18:21:05Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Machine learning applied in automotive ecus for real-time engine behavior analysis
title Machine learning applied in automotive ecus for real-time engine behavior analysis
spellingShingle Machine learning applied in automotive ecus for real-time engine behavior analysis
Canal, Rafael
Sistemas eletrônicos
Aprendizado do computador
Combustíveis
Controle eletrônico
Automóveis
Motores elétricos
title_short Machine learning applied in automotive ecus for real-time engine behavior analysis
title_full Machine learning applied in automotive ecus for real-time engine behavior analysis
title_fullStr Machine learning applied in automotive ecus for real-time engine behavior analysis
title_full_unstemmed Machine learning applied in automotive ecus for real-time engine behavior analysis
title_sort Machine learning applied in automotive ecus for real-time engine behavior analysis
author Canal, Rafael
author_facet Canal, Rafael
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Canal, Rafael
dc.contributor.advisor1.fl_str_mv Gracioli, Giovani
dc.contributor.advisor-co1.fl_str_mv Araújo, Gustavo Medeiros de
contributor_str_mv Gracioli, Giovani
Araújo, Gustavo Medeiros de
dc.subject.classification.none.fl_str_mv Sistemas eletrônicos
Aprendizado do computador
Combustíveis
Controle eletrônico
Automóveis
Motores elétricos
topic Sistemas eletrônicos
Aprendizado do computador
Combustíveis
Controle eletrônico
Automóveis
Motores elétricos
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-11-01T23:27:52Z
dc.date.available.fl_str_mv 2023-11-01T23:27:52Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/251762
dc.identifier.other.none.fl_str_mv 384512
identifier_str_mv 384512
url https://repositorio.ufsc.br/handle/123456789/251762
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 150 p.| tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/251762/1/PESE0020-D.pdf
bitstream.checksum.fl_str_mv 308a461edd78056672be4bacfbc13907
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759256042209280

Registros relacionados