System parameter identification and modeling using artificial neural networks

The ongoing trend in the automotive market headed to the reduction of exhaust emissions and improvement of fuel economy is pushing car manufacturers to seek new solutions and take advantage of advanced strategies to enhance vehicles efficiency.} {Nevertheless, all these modern techniques such as cylinders deactivation, torque converter lock-up and engine downsizing do not accommodate the customer requests for quieter and comfortable vehicles but they translate into higher fluctuations in the engine torque. These may then be transferred through the powertrain mounts or the driveline up to the driver and passengers, resulting in unwelcome noise and vibration phenomena. In order to predict behaviours leading to these issues, it is necessary to properly characterize driveline systems. To do so, they have to be removed from the vehicle and tested. On top of that, when dealing with very complex devices, such as dual-mass flywheels (DMFs), a proper modelling requires that the whole system needs to be dismantled, for the purpose of identifying several parameters (stiffness, inertias, etc.) through physical measures. The aim of the current work of thesis it to investigate a new methodology able to carry out parameter identification in a faster and cost-efficient way, using Artificial Neural Networks (ANNs). More specifically, such method makes use of 1D Convolutional Neural Networks, which are trained through simulation models and are then utilized to estimate parameters of the real physical system, thanks to operational measurements. This methodology is first tested on a simulation model of a driveline equipped with a torsional damper, whose 'optimal' parameters are previously identified using a commercial design optimization software. Having witnessed interesting results, the same procedure is applied to a more complex system, a dual-mass flywheel. Finally, in the last section, it is assessed the possibility of using Recurrent Neural Networks (RNNs) for generating a black box model of driveline components. This is tried once again on the dual-mass flywheel that is the subject of the previous parameter identification.

L'attuale andamento del mercato automobilistico, orientato verso la riduzione delle emissioni e l'incremento del risparmio di carburante, sta spingendo i produttori di auto a cercare nuove soluzioni e sfruttare strategie avanzate per accrescere l'efficienza dei veicoli. Tuttavia, tutte queste moderne tecniche come la deattivazione dei cilindri, lock-up del convertitore di coppia e downsizing del motore non assecondano le richieste del consumatore per veicoli più confortevoli e silenziosi ma si traducono in un aumento delle fluttuazioni delle coppia del motore. Queste possono poi essere trasferite attraverso i supporti del gruppo motopropulsore o la driveline fino al guidatore e ai passeggeri, generando indesiderari fenomeni vibrazionali e rumore. Al fine di predire comportamenti che possano causare tali problematiche, è necessario modellizzare correttamente i componenti delle driveline. Per realizzare ciò, questi devono essere rimossi dal veicolo e testati. Inoltre, quando si studiano sistemi particolarmente complessi, come una dual-mass flywheel (DMF), un'opportuna modellizzazione richiede che il sistema venga completamente smontato con l'intento di identificare diversi parametri (rigidezze, inerzie, ecc.) tramite misure fisiche. L'oggetto di questo lavoro di tesi è di esplorare una nuova metodologia per eseguire l'identificazione dei parametri in maniera più veloce ed economica, utilizzando le Reti Neurali Artificiali. Nello specifico, tale metodo fa uso di Reti Neurali Convoluzionali 1D, che vengono allenate tramite modelli di simulazione per poi venir sfruttate per stimare parametri del sistema fisico reale, grazie alle misure sperimentali. Tale metodo è prima testato su un modello di simulazione di una driveline provvista di uno smorzatore torsionale, i cui parametri 'ottimali' sono stati precedentemente identificati tramite un software di ottimizzazione. Alla luce degli interessanti risultati, la stessa procedura è applicata ad un sistema più complesso, una dual-mass flywheel. Infine, nell'ultima sezione, viene valutata la possibilità di adoperare Reti Neurali Ricorsive per creare un modello black box di componenti di una driveline. Ciò è stato ancora una volta testato sulla dual-mass flywheel oggetto della precedente identificazione di parametri.