מגמות עתידיות במערכות בקרת מנועים מעדות אינטליגנציה מלאכותית ולמידה של מכונות

למידה על ידי Knock Detection and Air-Fuel Ratio

מודלים למידה על-ידי Supervised כבר להיות פרוסים בכלי רכב לייצור עבור סיווג דיסקרטי ומשימות רגרסיה.לדוגמה, לדפוק זיהוי - באופן מסורתי מטופלים על ידי מסנן פסילה ולוגיקה סף - ניתן לשפר על ידי רשת עצבית convolution מאומן על אותות accelerometer. הרשת העצבית יכולה להבחין בין רעש מכני שפיר ו incipient לדפוק עם רגישות גבוהה יותר, ומאפשרת ECU להתקדם תזמון כדי לייעל את הפחתת יעילות יותר.

בדומה לכך, יחסי דלק אוויריים (AFR) סובלים משקיפות ורגישות חוצה-עין.רשת עצבית בפיקוח יכולה לחזות את ה- AFR בפועל מכמה קלטות חיישן, תוך עמידה על עיכוב חיישן ומאפשרת בקרה הדוקה יותר AFR. כי שליטה הדוקה יותר משפרת ישירות את יעילות ה- AFR-wayalyticer ולהפחית את צריכת הדלק.

למידה בלתי מבוקרת וזיהוי אנומלי

טכניקות למידה לא מבוססות כגון autoencoders ו-Cing משמשים לא לשליטה ישירה אלא עבור ניטור בריאות וזיהוי תקלות. על ידי למידה ההתנהגות הרגילה של פרמטרים של מנוע, autoencoder יכול סטיית דגל המעידה על כישלונ חיישן או השפלה.זה מאפשר תחזוקה חיזוי שדונה בהמשך.

תחזוקה חיזוי ופרוגנוסטים

אמינות המנוע היא חובה בציים מסחריים, שבו זמן השבתה לא מופרך יכול לעלות אלפי דולרים לשעה. למידת מכונה מאפשרת שינוי מתחזוקה מבוססת זמן או מ"מ לתחזוקה מבוססת תנאים.מודלים המאומנת על נתונים היסטוריים וזרמים בזמן אמת יכולים לחזות את החיים השימושיים הנותרים של רכיבים כגון ניצוצות, מזריקים, חמצן, וטעימים.

מפעיל צי באמצעות מערכת תחזוקה חיזויית - כמו אלה המוצעים על ידי FLT:0 מצע Predix של Predix פלטפורמה 1FLT 1 - יכול לקבוע תיקונים במהלך תקופות ביקוש נמוך, להחליף חלקים לפני שהם גורמים כשלים מתקפלים, ולהימנע מהתמוטטות כביש. מחקרים מצביעים על כך תחזוקה חיזוי יכול להפחית את התחזוקה הכוללת של 25–30% ולהגדיל את הרכב על ידי שולי דומה.

עבור מערכות בקרה המנוע עצמם, מודלים חיזוי יכולים גם לצפות כאשר פועל בקרה (כגון שפכים או מנגנון הורמון להטלת גיאומטריה משתנה) עשוי לדבוק או להגיב לאט יותר.בקר AI יכול אז להתאים את האסטרטגיה שלו כדי לפצות, לדוגמה על ידי שימוש ברווחים אגרסיביים יותר בעוד המפעיל הוא עדיין בריא, בהדרגה מתעתק כמו ללבוש התקדמות כדי לשמור על ניתוח בטוח.

שליטה הסתגלותית Algorithms for Varying Conditions

אחד היתרונות המשכנעים ביותר של AI בשליטה במנוע הוא היכולת להסתגל באופן אוטומטי לוויוריות סביבתיות ודלק.רכב המיוצר עבור שוק אחד עשוי לפעול לאחר מכן עם טמפרטורה שונה דרסטית, גובה או דלק octane. a Map-based ECU ידרוש תיקון; מערכת המונעת על ידי AI יכול ללמוד על זבוב.

מודל הסתגלותי בקרה חיזוי (MPC) בשילוב עם למידה מקוונת היא מגמה מתפתחת.הבקר שומר מודל דינמי של המנוע כי הוא מעדכן באמצעות נתונים חיישן נכנס.כאשר דלק עם תוכן אלנול נמוך מזוהה (באמצעות רחבת חיישנים חיישן חמצן חיישנים קריאה ורמות דפוק), המודל מאמת את יחס דלק האוויר והזרקה בתוך שניות, ללא התערבות אנושית.

יכולת הסתגלות זו גם מרחיבה את התנהגות הנהג.מערכת בינה מלאכותית יכולה ללמוד את סגנון הנהיגה של המפעיל - אגרסיבי, חלק או תערובת - ולתאי את המסירה של המנוע בהתאם.לדוגמה, בנהג אגרסיבי, הבקר עשוי להישע את התערובת מעט כדי לספק טיפ תגובה יותר תוך הגנה מפני דפוק; עבור נהג רגוע, זה עשוי לטובת מיפוי הכלכלה.

שילוב עם נהיגה אוטונומית וחיבוריות

כאשר כלי רכב נעים לעבר רמות גבוהות יותר של אוטונומיה, מערכת בקרת המנוע חייבת להשתלב הדוק עם התפיסה ומערכות התכנון.תוכנית המסלול של רכב אוטונומי עשוי לדעת שציונים תלולים נמצאים במרחק של שני קילומטרים קדימה.שימוש בשליטה חיזויית, בקר המנוע יכול להתכונן על ידי העלאת טמפרטורת גז ממצה לאירוע של התחדשות, או על ידי הפעלת ציוד נמוך יותר כדי למנוע שינויים פתאומיים כי רמת נוחות.

יתר על כן, תקשורת בין כלי רכב ל-V2X מאפשרת מערכות בקרה למנוע מידע על אותות תנועה, תנאי כביש, אזורי בנייה מתקדמים.מודלים של AI יכולים למזג נתונים חיצוניים אלה עם זרמי חיישן פנימיים כדי לייעל את פעולת המנוע עבור כל המסע ולא רק ברגע הנוכחי.בקר מנוע מחובר עשוי, למשל, להפחית את תפוק החשמל מעט כאשר מתקרב אור אדום, חיסכון, ולאחר מכן לתאם עם השידור עבור אור חלקה כאשר הוא הופך אור ירוק.

בכלי רכב חשמליים היברידיים, ניהול אנרגיה מונע על ידי בינה מלאכותית הופך אפילו קריטי יותר.רשתות נילי יכולות ללמוד את דפוסי הנהיגה האופייניים של משתמש ואת הכוח דורש על פני נסיעה, ולאחר מכן להחליט את השילוב האופטימלי של סוללה ומנוע - או אפילו מתי לעבור מסדרה למצב היברידי מקביל - כדי למקסם את היעילות הכוללת.

אתגרים ושיקולים ב- AI-Driven Engine control

בעוד הפוטנציאל הוא עצום, פריסת AI במערכות בקרת מנוע קריטיות בטיחותית מציגה אתגרים ייחודיים שיש לפתור לפני אימוץ נרחב.

בטיחות ואינטגרליות

רשתות נילי ומדיניות הלמידה חיזוק הם ⁇ על ידי הטבע - הם מייצרים פלטים ללא היגיון מפורש.חוסר הסבירות הוא בעייתי במערכות שיש לקבל אישור על פי סטנדרטים כגון ISO 26262 (בטיחות תפקודית עבור כלי רכב כביש) רגולטורים ויצרנים צריכים להבטיח כי בקר AI פועל בבטחה בכל המקרים, כולל כישלונ חיישן, מזג אוויר קיצוני, וקלטות אדמירליות.

גישה אחת היא להשתמש בארכיטקטורה היברידית שבה מודל בינה מלאכותית פועל בתוך המעטפה המסורתית המבוססת על הכלל.הבינה המלאכותית מציעה נקודות אופטימליות, אך לוגיקה פשוטה יותר, מאומתת מונעת כל תפוקה שתעלה על גבולות בטוחים.כיוון מבטיח אחר הוא אימות רשמי של רשתות עצביות - שימוש בהוכחות מתמטיות כדי להבטיח כי תפוקה מסוימת לעולם לא מפרה מגבלות.FLT:0Research באזור זה LTFreatrated:1 עדיין לא מתקדמת ייצור מורכב של כוח.

אבטחת מידע ופרטיות

מערכות בקרה למנועי AI יוצרות משטחים חדשים של התקפה.שחקנים מהססים יכולים לנסות להשחית מידע, להזריק קריאות חיישן כוזב, או לתמרן את הפונקציה למידה חיזוק כדי לגרום להתנהגות מזיקה.לחשוב על עדכונים אוויריים (טא) ולהבטיח את השלמות של משקל המודל הם קריטיים.סוף-סוף-סוף-סוף, שורש האמון, וגילוי אוטומטי בתקשורת הם כל הרכיבים הדרושים.

חששות הפרטיות מתעוררים גם אם בקר המנוע לומד התנהגות הנהג, כי הנתונים יכולים לשמש למטרות ביטוח או מעקב. תקנות ברורות ומדיניות ה- Opt-in יידרשו כדי לאזן חדשנות עם זכויות משתמש.

שילוב ואנרגיה

רשתות עצביות עמוקות הן אינטנסיביות מבחינה חישובית.מערכת ההפעלה האופיינית של ECU יש כוח עיבוד מוגבל, זיכרון ותקציב תרמי. הפעלת מודל גדול בזמן אמת - במילות שניות לכל הקצינה - היא מאתגרת. Edge AI, כגון סדרת Jetson של NVIDIA או Movidius של אינטל, הופכת נפוצה יותר בכלי רכב מתקדמים, אבל פתרונות יעילים לנפח עדיין מתפתחים.

טכניקות דחיסה מודלים - quantization, קידוד, ידע - הם חיוניים להתאים AI ל- ECUs מאומנים. הרבה יצרני רכב הם גם לחקור עומס ענן עבור חישובים כבדים, אבל דרישות שקיפות וקישוריות לעשות פתרונות ענן טהורים לא מעשי עבור שליטה בזמן אמת.

סליחות ואישור ה Hurdles

אין תקן הסמכה של רכב עדיין קיים במיוחד עבור למידת מכונה במערכות בקרה. תקן ISO 26262 נמצא כעת תחת תיקון כדי לטפל ברכיבים מבוססי AI, אבל התהליך איטי. יצרנים חייב לעבוד עם הרגולטורים כדי לפתח מסגרות אימות אשר בודק לא רק ביצועי בסיס אלא גם עמידות לשינוי חלוקתי - לדוגמה, כיצד המודל מבצע על מעבר הרים תלולים לאחר שהוא מאומנים בעיקר על כבישים מהירים?

הערכה עצמית צפויה להיות מוחלפת על ידי תהליכים מבוזרים יותר כמו ביקורת של איכות נתונים אימון, בדיקות ממצה בסימולציה, ו ניטור מתמשך של מודלים פרוסים.חוק AI הקרוב של האיחוד האירופי יהיה גם סיווג שליטה ב- AI כסיכון גבוה, הוספת שכבה נוספת של עמידה.

תחזית לעתיד: לקראת אימון עצמי

המסלול ברור: מערכות בקרת מנוע יעברו מתקנות סטטיות, מכווצות לאדריכלות דינמיות, למידה-capable. בעשור הבא, אנו יכולים לצפות שמכוניות ייצור יתאימו לבינה מלאכותית שמותאמות באופן רציף, מתאימות לתנודות דלק, וחיזוי צרכי תחזוקה היברידיים וחשמליים מלאים ייהנו במיוחד, שכן מעלות גבוהות יותר של אלגוריתמים מורכבים של חופש דורשות תיאום שבני אדם לא יכולים להתכוונן יותר על ידי יד.

אנו עשויים גם לראות את העלייה של למידה ממוזמנת, שבו כלי רכב רבים משתפים עדכונים במודל ללא ריכוז נתונים רגישים.כל מכונית לומדת מהסביבה שלה ולאחר מכן שולחת רק את ⁇ המשקל (לא נתונים גולמיים) לשרת ענן המאגד אותם למודל גלובלי.זה יכול להאיץ באופן דרמטי את הכשרתם של בקרים חזקים המכסים מיליוני תרחישים נהיגה.

גבול נוסף הוא התאום הדיגיטלי – סימולציה גבוהה של המנוע שפועל במקביל למנוע האמיתי.בקר ה-ML יכול להשתמש בתאום הדיגיטלי כדי לדמות אלפי פעולות בקרה אפשריות ותוצאותיהם במילימטרים, בחירת הרצף האופטימלי לפני החלת אותו למנוע האמיתי.

מסקנה

השילוב של בינה מלאכותית ולמידה של מכונות במערכות בקרת מנוע אינו רק שדרוג מצטבר - הוא שינוי יסוד לקראת אימון אוטונומי, הסתגלותי ועצמי-אופטימי.מלמידה עמוקה של חיזוק וניהול בזמן אמת לתחזוקה חיזויית המפחיתה את זמן השבת, היתרונות הם מוחשיים וצומחים.

אתגרים בביטחון, אבטחה, חישוב ותקנה הם ניתנים להפרדה אך ניתנים להשגה באמצעות ארכיטקטורות היברידיות, קצה חומרה AI וסטנדרטי הסמכה מתפתחים. בעוד תעשיית הרכב מאיצה לעבר כלי רכב חכמים יותר, מערכת בקרת המנוע תהיה אחד התחומים המרגשים ביותר שבו הפוטנציאל של AI הופך את התיאוריה לפרקטיקה, חיסכון דלק, מציאות מרתיעה.