L’INTERCETTAZIONE DI ANOMALIE IN UN SISTEMA CATALIZZATORE PER MOTORI DIESEL

IDENTIFICAZIONE DI ANOMALIE NEI SISTEMI DI ABBATTIMENTO NOX GRAZIE AD UN ALGORITMO DI MACHINE LEARNING

L’INTERCETTAZIONE DI ANOMALIE IN UN SISTEMA CATALIZZATORE PER MOTORI DIESEL

Nel seguente caso di studio è illustrata la modalità di intercettazione di anomalie in un sistema catalizzatore per motori diesel. Il dipartimento di ricerca di una tra le maggiori aziende nel campo della motoristica riesce ad identificare possibili anomalie nei sistemi di abbattimento di NOx grazie ad un algoritmo di machine learning firmato MIPU.

 

IL CLIENTE

L’azienda si occupa di sviluppo, produzione, vendita e assistenza di propulsori per applicazioni su strada, fuori strada, marine e per la generazione di energia, ed è una delle aziende leader del settore. Opera a livello internazionale, rivolgendosi a industrie automotive, marine e di produzione impiantistica.

 

LA NECESSITA’ DEL CLIENTE

In ambito di ricerca e sviluppo, il cliente, leader nel campo della produzione di motori, si rivolge a MIPU per l’implementazione di una soluzione per intercettare guasti e anomalie nel sistema di abbattimento NOx installato nei motori diesel.
MIPU, coinvolgendo il team di ricerca formato da ingegneri e informatici dalle aziende del gruppo, ha coordinato l’implementazione della soluzione, in base alle necessità del cliente.
Di seguito sarà mostrata la soluzione adottata per intercettare di anomalie in un sistema catalizzatore per motori diesel.

 

LA SOLUZIONE MIPU

La soluzione è stata sviluppata in un mese di lavoro, e l’algoritmo risultante prevede con un’alta affidabilità la quantità di fluido a base di ammoniaca da iniettare nei fumi di scarico per abbattere la componente di NOx presente.
La soluzione di MIPU si è concentrata sull’analisi del processo di abbattimento di inquinanti per i motori diesel medium-heavy duty.

Gli obiettivi

  • – Modellizzare il comportamento del sistema di abbattimento fumi
  • – Identificare eventuali anomalie del sistema di iniezione

 

 

IL PROGETTO – MANUTENZIONE PREDITTIVA SU SISTEMI COMPLESSI

Il settore automotive è sempre stato uno dei settori industriali più all’avanguardia per quanto riguarda le soluzioni industriali e le nuove tecnologie.
Ad oggi, l’intelligenza artificiale viene sfruttata soprattutto per aumentare il comfort del consumatore che acquista il prodotto. Sfruttata anche per sviluppare soluzioni innovative come le automobili a guida autonoma. Tuttavia l’aumento della fruibilità di soluzioni intelligenti unita al costo sempre più basso di sensoristica specifica sta aprendo le porte ai sistemi tipicamente industriali. Questi ultimi sono atti al monitoraggio e controllo delle prestazioni e alla manutenzione predittiva, sfruttando algoritmi complessi di machine learning.

I veicoli dal punto di vista della modellizzazione sono sistemi estremamente complessi, non rappresentabili con algoritmi lineari, il cui comportamento è influenzato da un numero molto alto di variabili controllabili e incontrollabili. Gli algoritmi di machine learning più complessi, come le reti neurali artificiali, danno la possibilità di sviluppare soluzioni in grado di modellizzare anche questi sistemi con una precisione molto alta, per prevedere guasti e anomalie o mettere sotto controllo un parametro operativo per intercettarne fuori controllo.

Il sistema modellizzato nel presente case study è la linea di abbattimento NOx a valle della combustione per motori diesel medium-heavy duty. In particolare, MIPU ha implementato un algoritmo in grado di prevedere la quantità di urea da iniettare in base al funzionamento del motore a monte e in base ai parametri di controllo del sistema di iniezione. La soluzione intercetta quantità di urea anomale, sintomo di comportamenti non conformi del sistema.

 

PRINCIPALI ATTIVITA’

MIPU ha ricevuto dall’azienda i dati disponibili del motore. Ha implementato una rete neurale per la previsione della quantità di urea da iniettare in base al punto operativo del motore.

La prima azione intrapresa è l’analisi del sistema investigato e dei dati forniti. Ciò ha permesso di individuare il comportamento atteso e il parametro operativo da mettere sotto controllo per identificare anomalie nel funzionamento.

In base al parametro selezionato come output, sono state studiate le dipendenze e correlazioni rispetto alle altre variabili monitorate. Pertanto, è stato possibile definire la struttura della soluzione.

Considerando l’output e l’input definiti, è stato identificato e testato l’algoritmo migliore di machine learning – una rete neurale – per la modellizzazione della variabile output.

 

I RISULTATI

La soluzione implementata è in grado di:

  • – Prevedere con un’alta affidabilità (R2 > 95%, MAPE < 5%) la quantità di urea da iniettare in base al punto di funzionamento del motore;
  • – Valutare l’efficienza del motore in base alle carte CUSUM, e identificare comportamenti simili nei cicli guida
  • – Identificare trend sospetti nei dati reali grazie alle carte di controllo e intercettare possibili anomalie

 

 

Tali risultati hanno quindi permesso al cliente di intercettare anomalie in un sistema catalizzatore per motori diesel.

 

CONCLUSIONE

MIPU ha fornito una soluzione precisa ed affidabile per la previsione della quantità di urea da iniettare per l’abbattimento NOx e un set di strumenti per identificare anomalie, efficienza e comportamento del sistema in base al confronto tra quantità iniettata nel sistema reale e valore modellizzato.

Questo tipo di approccio può avere molteplici applicazioni: per studiare quella più adatta alle tue problematiche, mettiti in contatto con noi!

Altre Case History:

Condividiamo periodicamente articoli, casi di studio e novità con la nostra community:
iscriviti anche tu per ricevere gli aggiornamenti!