Analisi, sviluppo e sperimentazione di metodi per la stima real-time della massa in veicoli a due ruote

In this thesis three methods for the on-line mass estimation on two-wheeled vehicles are proposed. The solution of this problem would allow to improve the performance of many controllers which already exist on the vehicle that at present are calibrated on an average mass. The first proposed estimator is based on a force balance along the longitudinal direction and it makes great use of the longitudinal accelerometer and of the estimated motor torque. The second estimator insted uses a stroke sensor installed on the rear suspension. Both methods have some innovative aspects and guarantee satisfactory results in terms of estimation error and convergence time. Finally a third estimation method based on classification and machine learning techniques is analysed. Such an approach needs a lower number of signals compared to the other methods. This last estimator as opposed to the others is not based on a theoretical model which is a priori known; in fact the knowledge of the system is directly extracted from data. All the methods are validated using experimental data specially collected on a Ducati Multistrada Enduro 1200.

Il presente elaborato propone tre metodi per la stima di massa in real time su veicoli a due ruote. Si tratta di un problema di grande rilevanza, la cui risoluzione permetterebbe di migliorare le prestazioni di molti sistemi di controllo già presenti sul veicolo, che al momento utilizzano come parametro per la massa un valore medio tra tutti i casi possibili. Il primo stimatore proposto si basa su un bilancio di forze lungo la direzione di moto del veicolo e fa largo uso della stima di coppia erogata dal motore e dell’accelerometro longitudinale. Il secondo stimatore utilizza invece un sensore di elongazione che rileva l’elongazione della sospensione posteriore. Entrambi i metodi contengono numerosi aspetti innovativi e garantiscono risultati soddisfacenti, sia in termini di errore di stima commesso sia in tempi di convergenza. Si propone infine l’analisi preliminare di un terzo metodo di stima basato su tecniche di classificazione e di machine learning, il quale necessita di un numero inferiore di segnali rispetto ai casi precedenti. Quest’ultimo stimatore, al contrario degli altri proposti in questo elaborato, non si basa su un modello teorico del veicolo noto a priori, ma la conoscenza del sistema viene derivata direttamente dai dati. Tutti i metodi sono stati validati utilizzando dei dati appositamente raccolti in fase sperimentale su Ducati Multistrada Enduro 1200.