Impiego di Reti Neurali in Sistemi Autoadattativi per il Controllo della Combustione

Il continuo incremento della potenza specifica per unità di cilindrata dei motori a combustione interna, soprattutto nelle competizioni, sta costringendo i costruttori allo sviluppo di calibrazioni motore sempre più sofisticate e capaci di adattarsi dinamicamente alle varie delle condizioni di utilizzo. Data la complessità raggiunta da certe logiche di gestione motore, risulta molto difficile gestire modelli fisici capaci di funzionare in tempo reale. Tale difficoltà permangono anche considerando il funzionamento del sistema al banco del motore, dove la potenza di calcolo è decisamente maggiore di quanto non sia a bordo veicolo. Questo progetto di tesi ha come scopo finale quello di implementare un sistema di controllo della combustione con logica multi-obbiettivo, che offra la possibilità; di automatizzare e velocizzare modifiche alla mappatura motore di una nuova macchina funzionante in tempo reale al banco. Più in generale il sistema dovrà essere in grado di adattare i parametri di centralina, partendo da una calibrazione di base, ad una qualsiasi modifica nel modo di funzionare del motore, ottimizzando le prestazioni e contenendo lo stress dei componenti meccanici. Il principale obbiettivo perseguito dal sistema nella ricerca di MFB50_target consiste nella massimizzazione della coppia erogata dal motore, sempre rispettando i limiti di affidabilità imposti sulla massima pressione raggiunta all’interno del cilindro e sulla massima temperatura generata allo scarico. Per alleggerire il compito svolto dal calcolatore la strategia utilizzata comprende l’implementazione di un modello a scatola nera basato su reti neurali. Per queste ultime è stato realizzato, prima un training supervisionato offline, e successivamente è stata implementata una strategia in grado di aggiornare in tempo reale i diversi parametri (pesi e biases) della rete neurale in base alle nuove condizioni di funzionamento del motore.