polito.it
Politecnico di Torino (logo)

Intelligenza Artificiale per la Classificazione del Motore Automobilistico in un Contesto di Diagnostica Vibro-Acustica = Artificial Intelligence for Vehicle Engine Classification and Vibroacoustic Diagnostics

Umberto Coda

Intelligenza Artificiale per la Classificazione del Motore Automobilistico in un Contesto di Diagnostica Vibro-Acustica = Artificial Intelligence for Vehicle Engine Classification and Vibroacoustic Diagnostics.

Rel. Giovanni Belingardi, Daniela Anna Misul. Politecnico di Torino, Corso di laurea magistrale in Automotive Engineering (Ingegneria Dell'Autoveicolo), 2020

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (31MB) | Preview
Abstract:

Questa tesi si propone di rispondere ad una prima e fondamentale richiesta nell'ambito della diagnostica vibro-acustica del veicolo: la classificazione del motore. In questo lavoro viene proposto un framework flessibile e user-friendly per predire differenti proprietà di un motore. Nel capitolo 1 viene presentata la letteratura preesistente in materia di diagnostica vibro-acustica e viene altresì motivata la necessità della classificazione del motore in questo contesto. Nel capitolo 2 viene presentato il processo di raccolta dei dati e di estrazione delle cosiddette "features" interessanti per la previsione delle caratteristiche. Il capitolo 3 delinea gli algoritmi di machine learning utilizzati e fornisce al lettore alcune intuizioni sul funzionamento degli algoritmi di classificazione. Nel capitolo 4 viene presentato, attraverso un diagramma ad alto livello, il flusso operativo del framework. Nel capitolo 5 viene valutata la bontà delle previsioni di tre proprietà del motore: tipo di aspirazione (turbo), carburante, e numero di cilindri. A partire da una registrazione audio del suono del motore effettuata da un semplice smartphone, queste tre caratteristiche vengono previste in modo sequenziale. Ciò consente all'intelligenza artificiale di raggiungere performance superiori al 93% di ROC-AUC nella maggior parte dei casi. Un framework con tali caratteristiche presenta una forte flessibilità, e di conseguenza la possibilità di essere applicato a qualunque ambito in cui variabili qualitative vengano predette a partire da segnali acustici, seguendo un'ottica di diagnostica vibro-acustica universale.

Relatori: Giovanni Belingardi, Daniela Anna Misul
Anno accademico: 2020/21
Tipo di pubblicazione: Elettronica
Numero di pagine: 163
Soggetti:
Corso di laurea: Corso di laurea magistrale in Automotive Engineering (Ingegneria Dell'Autoveicolo)
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-33 - INGEGNERIA MECCANICA
Ente in cotutela: Michigan State University (STATI UNITI D'AMERICA) , Universitaet Stuttgart (GERMANIA)
Aziende collaboratrici: Michigan State University
URI: http://webthesis.biblio.polito.it/id/eprint/15667
Modifica (riservato agli operatori) Modifica (riservato agli operatori)