Application of Data-Driven Strategies for Control and Diagnostics in Automotive Engine Systems

[ES] La creciente demanda por un transporte sostenible y las regulaciones cada vez más estrictas sobre emisiones han puesto a la industria automotriz bajo presión para adoptar soluciones innovadoras. Los motores de combustión interna (MCIA) siguen siendo predominantes gracias a su infraestructura establecida, su bajo costo y mayor autonomía en comparación con otro tipo de vehículos, pero enfrentan grandes retos a la hora de reducir emisiones contaminantes como el CO2 y los NOx. Al mismo tiempo, la disponibilidad de información procedente de nuevos sensores y a través de conexiones IoT, I2V y V2V, así como el desarrollo de nuevas arquitecturas de hardware, está facilitando la introducción de nuevas tecnologías. Mejorar la eficiencia y el rendimiento medioambiental de los MCIA es crucial como parte de la transición hacia una movilidad sostenible. Esta tesis propone el uso de metodologías basadas en datos, enfocándose en técnicas de aprendizaje automático (ML, por sus siglas en inglés), para desarrollar modelos orientados al control y sistemas de diagnóstico para los MCIA. El presente trabajo incluyó un extenso análisis de datos provenientes de varios sensores del motor, particularmente las señales de presión dentro del cilindro y del sensor de knock, con el objetivo de identificar características predominantes del proceso de combustión. Se utilizaron técnicas como la descomposición de valores singulares (SVD) para la extracción de dichas características. Se aplicaron redes neuronales artificiales (ANN) y máquinas de aprendizaje extremo (ELM) para modelar parámetros que permitan describir el proceso de combustión y poder predecir el comportamiento del motor. Además, se aplicaron técnicas de ML supervisadas y no supervisadas para detectar anomalías como la detonación (knock) y la falla de encendido. Los resultados obtenidos a lo largo de este estudio demuestran el potencial de las técnicas basadas en datos para mejorar significativamente la predicción de la combustión y la detección de fallos en los MCIA. La capacidad de predecir y diagnosticar dinámicamente los eventos de combustión abre oportunidades para optimizar el rendimiento del motor, mejorar la eficiencia, reducir las emisiones y prolongar su vida útil. Las técnicas de aprendizaje automático propuestas mostraron una gran adaptabilidad a la hora de estimar los parámetros de combustión y precisión en la identificación de fallos en diferentes condiciones de funcionamiento del motor, superando la dependencia de los métodos tradicionales caracterizados por esfuerzos de calibración que requieren mucho tiempo y sesgos cuando se enfrentan a fenómenos complejos. Al integrar estos métodos en los futuros sistemas de gestión de motores, la industria automovilística podrá beneficiarse de diagnósticos más sensibles y adaptables, lo que garantizará que la tecnología ICE siga siendo relevante y sostenible en el cambiante panorama del transporte.

[CA] La creixent demanda per un transport sostenible i les regulacions cada cop més estrictes sobre emissions han posat a la indústria automotriu sota pressió per a adoptar solucions innovadores. Els motors de combustió interna (MCIA) continuen sent predominants gràcies a la infraestructura establida, el baix cost i major autonomia en comparació amb una altra mena de vehicles, però enfronten grans reptes a l'hora de reduir emissions contaminants com el CO¿ i els NOx. Al mateix temps, la disponibilitat d'informació procedent de nous sensors i a través de connexions IoT, I2V i V2V, així com el desenvolupament de noves arquitectures de hardware, està facilitant la introducció de noves tecnologies. Millorar l'eficiència i el rendiment mediambiental dels MCIA és crucial com a part de la transició cap a una mobilitat sostenible. Esta tesi proposa l'ús de metodologies basades en dades, enfocant-se en tècniques d'aprenentatge automàtic (ML, per les seues sigles en anglés), per a desenvolupar models orientats al control i sistemes de diagnòstic per als MCIA. El present treball inclau una extensa anàlisi de dades provinents de diversos sensors del motor, particularment dels senyals de pressió dins del cilindre i del sensor de knock, amb l'objectiu d'identificar característiques predominants del procés de combustió. S'han utilitzat tècniques com la descomposició de valors singulars (SVD) per a l'extracció d'aquestes característiques. Es van aplicar xarxes neuronals artificials (ANN) i màquines d'aprenentatge extrem (ELM) per a modelar paràmetres que permeten descriure el procés de combustió i poder predir el comportament del motor. A més, es van aplicar tècniques de ML supervisades i no supervisades per a detectar anomalies com la detonació (knock) i la falla d'encesa. Els resultats obtinguts al llarg d'aquest estudi demostren el potencial de les tècniques basades en dades per a millorar significativament la predicció de la combustió i la detecció de fallades en els MCIA. La capacitat de predir i diagnosticar dinàmicament els esdeveniments de combustió obri oportunitats per a optimitzar el rendiment del motor, millorar l'eficiència, reduir les emissions i prolongar la seua vida útil. Les tècniques d'aprenentatge automàtic propostes van mostrar una gran adaptabilitat a l'hora d'estimar els paràmetres de combustió i precisió en la identificació de fallades en diferents condicions de funcionament del motor, superant la dependència dels mètodes tradicionals caracteritzats per esforços de calibratge que requerixen molt temps i errors quan s'enfronten a fenòmens complexos. En integrar aquests mètodes en els futurs sistemes de gestió de motors, la indústria automobilística podrà beneficiar-se de diagnòstics més sensibles i adaptables, la qual cosa garantirà que la tecnologia ICE continue sent rellevant i sostenible en el canviant panorama del transport.

[EN] The pressing need for sustainable transport and increasingly stringent emissions regulations have put pressure on the automotive industry to adopt innovative solutions. Internal combustion engines (ICEs) remain dominant due to their high energy density and established infrastructure but face significant challenges in reducing harmful emissions such as CO2 and NOx. At the same time, the availability of information from new sensors and through IoT, I2V and V2V connections, as well as the development of new hardware architectures, is facilitating the introduction of new technologies. Improving the efficiency and environmental performance of ICEs is crucial as part of the transition to sustainable mobility. The thesis proposes the use of data-driven methodologies, focusing on machine learning (ML) techniques, to develop control-oriented models and diagnostic systems for ICEs. The research included extensive data analysis of various engine sensors, particularly in-cylinder pressure and vibration signals, to identify predominant features of the combustion process. Techniques such as Singular Value Decomposition (SVD) were used for feature extraction, while Artificial Neural Networks (ANN) and Extreme Learning Machines (ELM) were used to model combustion parameters and predict engine behaviour. In addition, unsupervised and supervised ML techniques were applied to detect anomalies such as knock and misfire, offering accurate diagnostics of combustion instabilities. The results obtained throughout this study demonstrate the potential of data-driven techniques to significantly improve combustion prediction and fault detection in ICEs. The ability to dynamically predict and diagnose combustion events opens up opportunities to optimize engine performance, enhance efficiency, reduce emissions, and extend engine life. The proposed machine learning techniques showed strong adaptability when estimating combustion parameters and accuracy in identifying faults under different engine operating conditions, overcoming the reliance on traditional methods characterised by time-consuming calibration efforts and bias when facing complex phenomena. By integrating these methods into future engine management systems, the automotive industry can benefit from more responsive and adaptive diagnostics, ensuring ICE technology remains relevant and sustainable in the evolving transportation landscape.