Analisi del Dew Point nei sistemi ATS dei motori diesel con l’applicazione di tecniche di Intelligenza Artificiale = Dew Point Detection in Diesel Engine ATS by means of Artificial Intelligence techniques

L’evoluzione e le normative sulle emissioni sempre più stringenti si riflettono significativamente sulle strategie di sviluppo delle case automobilistiche. Le aziende che operano nel settore automotive devono adattarsi rapidamente al nuovo contesto normativo, sviluppando veicoli conformi ai nuovi standard di sicurezza e sostenibilità. Ad oggi, il focus principale è sui veicoli equipaggiati con motori a combustione interna (ICE), in particolare i motori diesel, che devono affrontare sfide crescenti per ridurre le emissioni di particolato (PM) e ossidi di azoto (NOx). Questi motori devono essere dotati di sistemi avanzati di trattamento dei gas di scarico (ATS) e di algoritmi di controllo sofisticati per ottimizzare l’efficienza del combustibile e minimizzare l’impatto ambientale, garantendo al contempo che i veicoli soddisfino le nuove normative Euro 7d e altre regolamentazioni internazionali. In questo contesto si colloca il presente lavoro di tesi, realizzato presso la sede italiana della Robert Bosch GmbH, società globale leader nella fornitura di software e centraline elettroniche (ECU). In particolare il progetto è stato sostenuto dal team italiano di ingegneria, il quale offre servizi di calibrazione per varie funzioni software e controlli dei componenti nei motori diesel. L’obiettivo di questo lavoro è sviluppare una rete neurale, sfruttando gli algoritmi di apprendimento automatico, che ottimizzi le prestazioni del blocco software che prende il nome di Dew Point Detection. La funzione DewDet ha il compito di proteggere i sensori della linea di scarico e prevenire che l’attivazione di questi avvenga quando nel sistema si trova ancora acqua, presente sotto forma di vapore nei gas esausti prodotti dalla combustione. I motori a combustione moderna sono equipaggiati con molteplici sensori che monitorano l'efficienza del catalizzatore e forniscono segnali di feedback per il controllo della combustione. Per funzionare è richiesto un riscaldamento elettrico esterno ad una temperatura di 750 °C, pertanto si può incorrere nel rischio che i sensori arrivino a rottura per shock termico in seguito all’esposizione alla condensa. Per evitare ciò, si pianifica il rilascio dei sensori quando si stima che l'acqua sia completamente evaporata, assicurando che il tubo sia asciutto e adeguato per il funzionamento ottimale del sensore. L’obiettivo che si vuole raggiungere con questo lavoro è descrivere le metodologie di acquisizione utilizzate per la raccolta dati, fondamentali per la realizzazione dei dataset per l’addestramento e il testing della rete neurale. In particolare si approfondirà l'importanza della feature engineering nella fase di addestramento della rete, evidenziando come la modifica e la rielaborazione dei dati grezzi siano cruciali per l’ottimizzazione delle performance del modello. Particolare attenzione si pone nel processo di definizione della "ground truth" per l'addestramento della rete neurale, valutando se l'output generato da LiSA, un tool di proprietà Bosch che rielabora i dati campionati dal sensore EGS-LI, possa essere considerato una verità di fondo affidabile. In aggiunta questo lavoro mira a migliorare la comprensione della dinamica della condensazione dell'acqua nei sistemi di scarico, con l’obiettivo di sviluppare un modello predittivo affidabile per ottimizzare il funzionamento dei sensori nei motori diesel.