Sviluppo di un sensore virtuale per la stima della concentrazione di soot allo scarico di motori diesel in ottica OBD

Il recente sviluppo di normative sempre più stringenti, volte alla riduzione degli agenti inquinanti e clima-alteranti (PM, NOx, CO2, ect), hanno portato allo studio sempre più approfondito degli ATS (After Threatment Systems). Nel seguente studio si analizza il componente principale utilizzato per la riduzione del PM (Particulate Matter), che, nei motori di tipo Diesel, viene comunemente chiamato DPF (Diesel Particulate Filter). In questa direzione il presente elaborato si pone l’obbiettivo, attraverso lo sviluppo di un sensore virtuale, di stimare in maniera più accurata possibile la concentrazione di soot prodotta in due punti, a monte della linea degli ATS (Engine Out) ed a valle degli ATS (Tail Pipe). Tale valutazione si pone alla base di studi futuri per determinare gli stati di guasto di un DPF, essendo quindi in grado di operare una diagnostica efficace del componente DPF. La complessità dei sistemi analizzati viene caratterizzata attraverso un modello basato su algoritmi di intelligenza artificiale ed in particolare di machine learning. Nel dettaglio, verranno utilizzati degli algoritmi di tipo supervised, appartenenti alla branca del deep learning chiamati Artificial Neural Networks (ANN). Il materiale su cui si basa lo studio, fornito da AVL Italia S.r.l, è costituito da 6 dataset all’interno dei quali sono presenti variabili motore e DPF campionati in condizioni quasi-steadystate. Ognuno dei 6 dataset è caratterizzato da un punto motore differente a partire da 1250 rpm fino ad arrivare a 2500 rpm. Sono stati effettuati diversi test per cercare la migliore configurazione di iperparametri in grado di predire, con la migliore performance (in termini di R2 e RMSE (Root Mean Squarred Error)), la concentrazione di soot EO e successivamente TP. Nello specifico sono state effettuate due prove con due configurazioni, caratterizzate entrambe dall’utilizzo della feature importance, un algoritmo in grado di valutare quali sono le features più caratteristiche del problema tra quelle presenti nel dataset. Nella prima configurazione, viene utilizzata una Fully Connected Neural Network (FCNN) per la predizione della concentrazione di soot TP a partire dalle features EO. Nella seconda, invece, vengono utilizzate due reti in serie (FCNN), la prima per la predizione della concentrazione EO, la seconda per la predizione della concentrazione TP utilizzando in input la concentrazione di soot EO predetta insieme ad altre variabili caratteristiche del problema.