Crazytrain & TPMS. Modellazione di sensore virtuale pressione pneumatico = Crazytrain & TPMS. Development of a tyre pressure virtual sensor

Negli ultimi dieci anni, l'adozione di sensori virtuali nelle architetture automobilistiche è aumentata in modo significativo, spinta dalla necessità di monitorare parametri critici del veicolo senza fare affidamento esclusivo su sensori fisici. Tra le varie sfide affrontate dai produttori, la stima della pressione degli pneumatici tramite segnali indiretti—come velocità del veicolo, accelerazione, temperatura dello pneumatico e altri—ha ricevuto particolare attenzione per il suo impatto sia sulla sicurezza sia sull’efficienza del carburante. Questa tesi si concentra sulla progettazione e l’analisi di un sensore virtuale (VS) per la stima della pressione degli pneumatici, sviluppato in collaborazione con Addfor Spa. L’obiettivo centrale dello studio è stato quello di stabilire una relazione predittiva tra il raggio di rotolamento dello pneumatico e la sua pressione interna, sfruttando tecniche di machine learning. L’obiettivo più ampio era duplice: migliorare la sicurezza dell’abitacolo consentendo un monitoraggio più preciso della pressione, e ridurre il consumo di carburante mantenendo un grado barometrico ottimale degli pneumatici durante l’esercizio. La base metodologica di questo lavoro ha previsto l’analisi di un modello esistente realizzato in Simulink da Bridgestone per una Volkswagen Golf, adattandone la struttura al contesto specifico della ricerca condotta con Addfor. Successivamente è stata effettuata un’analisi approfondita di dati sperimentali—raccolti in diverse condizioni, tra cui vari modelli di pneumatici, scenari climatici e configurazioni di carico—utilizzando CrazyTrain, un framework sviluppato da Addfor S.p.A. Quest'ultimo consente l’elaborazione di dataset su larga scala senza richiedere conoscenze pregresse di algoritmi di reti neuronali o paradigmi di programmazione. Parallelamente all’analisi dei dati, sono stati compiuti sforzi per migliorare il codice interno in Python di CrazyTrain e per addestrare i suoi componenti predittivi al fine di ottimizzarne le prestazioni. L’attenzione è stata rivolta non solo alla costruzione di un’architettura di sensore virtuale funzionale, ma anche al perfezionamento della logica software sottostante, per migliorarne l’accuratezza e l’adattabilità. Il risultato dello studio è stato un modello di sensore virtuale validato, progettato per essere integrato con logica black-box all’interno della centralina elettronica del veicolo (ECU). Uno degli aspetti più critici dell’analisi ha riguardato l’identificazione dell’influenza di ciascun sensore fisico—ossia velocità del veicolo, velocità delle singole ruote, temperatura degli pneumatici, segnale GPS e carico applicato—sulla pressione effettiva degli pneumatici. I rigorosi requisiti di accuratezza imposti dal produttore hanno richiesto un’indagine dettagliata su come questi ingressi interagiscono, sia in modo indipendente sia combinato, influenzando la stima della pressione. Questa tesi ha inoltre offerto l’opportunità di riflettere sull’evoluzione delle architetture di sensori virtuali nell’ultimo decennio. L’acquisizione di nuovi dataset, insieme al confronto con dati storici elaborati mediante gli stessi strumenti ML, ha contribuito a una comprensione più profonda delle esigenze attuali dell’automotive. L’uso di un framework come CrazyTrain ha dimostrato come l’analisi avanzata e la modellazione predittiva possano essere integrate nei flussi di lavoro industriali senza compromettere la scalabilità o l’usabilità, aprendo la strada a più ampie applicazioni nel mondo automotive.