Machine learning applied in automotive ecus for real-time engine behavior analysis

Abstract

A Unidade de Controle Eletrônico (ECU ) centraliza a leitura de diversos sensores que adquirem dados sobre o funcionamento do motor. A leitura desses dados da ECU automotiva é capaz de gerar uma quantidade expressiva de dados. Quando monitoradas e tratadas corretamente, essas informações podem auxiliar no entendimento de padrões e problemas em diversos subsistemas de motores, destacando pontos que devem e podem ser melhorados. Além disso, o acompanhamento desses dados pode servir para diversos setores dentro da área, como segurança, rastreamento, redução do número de protótipos de testes e por consequência redução de custo, melhorar a interação com o motorista e ser mais uma ferramenta na mão dos engenheiros para o desenvolvimento de novas tecnologias. Neste trabalho, desenvolvemos modelos de aprendizado de máquina para a construção de três análises inteligentes: detecção de falha de ignição, classificação do perfil de condução do motorista e previsão do consumo de combustível. Para isso, utilizamos um hardware embarcado no veículo que se comunica com a ECU, adquirindo as informações solicitadas e enviando-as para um servidor na nuvem, enquanto o carro está em operação. Os modelos foram treinados com variáveis ??fortemente relacionadas com a análise em questão, sendo feito um processo extenso de seleção de atributos para sua escolha. As análises são feitas em tempo real e qualquer interessado pode fazer o acompanhamento por meio de aplicações locais ou dashboards web. Comparado com os trabalhos relacionados, os resultados obtidos são semelhantes ou melhores, com a diferença de serem obtidos por meio de algoritmos menos custos computacionais, com dados exclusivos da ECU e em tempo real.

Abstract: The automotive ECU data readout can generate a significant amount of data. When properly monitored and processed, this information can help understand patterns and problems in the various engine subsystems, highlighting areas for potential improvement. Additionally, tracking this data can benefit multiple sectors within the field, including safety, tracking, reducing prototype testing, and subsequently lowering costs. It can also enhance driver interaction and serve as a valuable tool for engineers in developing new technologies. In this work, we develop machine learning models for three intelligent analyses: misfire detection, driver driving profile classification, and fuel consumption prediction. To accomplish this, we use hardware embedded in the vehicle that communicates with the ECU, acquiring the requested information and transmitting it to a cloud server while the car operates. The models were trained using variables strongly related to each respective analysis, and an extensive feature selection process was conducted to determine their relevance. Analyzes are performed in real-time, and interested parties can monitor them through local applications or web dashboards. Compared with related works, the obtained results are either similar or superior, differentiating by being obtained through computationally less costly algorithms, utilizing data exclusively from the ECU, and providing real-time analysis.