A supervised learning approach for tyre wear prediction

During the last decades, the possibility to predict the tyre wear has become of major importance to tyre manifacturers and fleet owners, due to its many economic and ecological implications. With the advent of IoT technologies, many tyre producer companies exploited the innovation brought by this technological solution to embed devices into the tyres and use the data collected for monitoring or safety purposes. Pirelli, the well-known italian company leader in the Prestige car tyres segment, launched the Connesso platform in 2017, installing sensors inside the tyres to constantly monitor their state across their entire lifespan. The data coming from these smart tyres were collected and stored in the cloud, to be further analysed and to assemble a data base for developing a model able to predict the wear of the tyres, using the tools offered by the Machine Learning field. In this work, we develop a regression model that predicts the tread-depth consumed by the tyres mounted on cars after having travelled a certain mileage. To tackle the problem of predicting a phenomenon, the wear of the tyres, which is very complex, we resort to Supervised Machine Learning. Our goal is to explore the behaviour of the tyre wear process by analysing the data and to exploit the knowledge that we derive from the literature to build a predictor that is able both to predict the current tread-depth of a tyre and to estimate its remaining lifespan, in terms of mileage. The experimental testing performed on various datasets of tyres provided empirical evidence that the proposed methodology achieves good results, that besides improve as more data are collected, making the model very effective for this application and capable to continuously evolve and adapt as new tyres are produced.

Negli ultimi decenni, la possibilità di predire il consumo del battistrada di uno pneumatico ha acquisito sempre maggiore importanza, sia per i produttori di pneumatici, sia per i proprietari di flotte di veicoli, per le sue innumerevoli implicazioni economiche e ecologiche. Con l'avvento delle tecnologie IoT (Internet of Things), molte imprese che producono pneumatici hanno sfruttato i vantaggi che questa nuova soluzione tecnologica ha portato, incorporando negli pneumatici dei dispositivi connessi a internet, per offrire un costante monitoraggio e garantire maggiore sicurezza. Pirelli, la nota compagnia italiana leader nel settore automobilistico di pneumatici per macchine Prestige, nel 2017 ha lanciato la piattaforma Connesso, installando sensori all'interno degli pneumatici per monitorare costantemente il loro stato durante tutto il loro ciclo di vita. Questi pneumatici, che prendono il nome di smart tyres, trasmettono i dati delle misurazioni dei sensori, e questi vengono raccolti e salvati nel cloud, così da creare nel tempo una base dati che permetta di sviluppare un modello in grado di predire il consumo degli pneumatici, usando gli strumenti offerti da una particolare branca dell'Intelligenza Artificiale: il Machine Learning. In questo lavoro, sviluppiamo un modello di regressione in grado di predire il consumo di battistrada di pneumatici montati su macchine; in particolare, la predizione viene fatta sulla profondità del battistrada residuo di uno pneumatico, dopo che ha viaggiato per un certo chilometraggio. Per affrontare un problema così complesso, il consumo del battistrada di uno pneumatico, ricorriamo agli strumenti e alle tecniche di apprendimento automatico offerte dal Supervised Machine Learning. Il nostro obiettivo è quello di esplorare il comportamento del processo di usura del battistrada, analizzando i dati ricavati dai sensori installati all'interno degli pneumatici, e di sfruttare la conoscenza che ricaviamo dalla letteratura su questo processo per costruire un predittore per la profondità del battistrada residuo. Questo predittore deve essere in grado sia di predire il consumo effettivo di un battistrada in un certo istante, sia di stimare la durata di vita rimanente di uno pneumatico, in termini di chilometri che potrà percorrere prima di dover essere sostituito. La soluzione proposta descrive le fasi dello sviluppo di un modello ensemble che riunisce le capacità descrittive del processo di consumo del battistrada di modelli parametrici lineari, parametrici non lineari e non parametrici. La verifica sperimentale del modello sviluppato, effettuata su vari dataset di pneumatici, ha fornito una evidenza empirica che la metodologia proposta raggiunge buoni risultati nella predizione del battistrada residuo; la precisione della predizione inoltre migliora man mano che nuovi dati vengono raccolti dai sensori, rendendo quindi il modello scalabile e facilmente adattabile a nuovi tipi di pneumatico.