Inteligência artificial aplicada para detecção de Knock em motores automotivos

Abstract

No uso de técnicas de aquisição de informações sobre um sistema, uma aplicação essencial dos dados é a detecção de falhas. Diversos métodos existem para realizar tal tarefa, porém, muitos exigem conhecimento específico de domínio e modelos complexos do sistema avaliado. O advento dos algoritmos de aprendizado de máquina abriu a possibilidade de, automaticamente, se criar modelos do sistema a partir dos dados produzidos, no entanto, ainda há necessidade de se escolher o melhor algoritmo e otimizar os hiper-parâmetros para um dado problema. Assim, este trabalho implementa uma abordagem de detecção de falhas a partir de dados em série temporal, de modo a fornecer uma visão geral das técnicas existem e como aplicá-las. Para isso, o problema abordado foi Knock em motores automotivos, uma falha de combustão que gera ruído e desgaste. Onde os dados são coletados pela Electronic Control Unit (ECU) gerando a série temporal de variáveis do sistema, além disso, a própria ECU também tem um algoritmo de detecção de falhas otimizado manualmente por especialistas, o que possibilita a avaliação dos métodos aqui apresentados. Por fim, diversas métricas de desempenho são coletadas e comparadas para ilustrar as diferenças e se decidir a melhor abordagem para o problema em questão.