verticale

Analisi di una rete di sensori in un motore a combustione interna con strumenti di Complex Network Analysis

L'analisi dei dati nelle moderne reti di sensori apre una serie di sfide ancora irrisolte legate, principalmente, alla loro natura eterogenea ed alla loro dinamica, non lineare e non stazionaria.
In questo articolo viene proposto un metodo per l'individuazione e la diagnosi dei guasti in un motore a combustione interna per autotrazione, basata sui dati di monitoraggio raccolti da reti eterogenee di sensori.
Il metodo proposto si basa sull'impiego di tecniche di modellazione a grafo e strumenti di analisi sviluppati nell'ambito della Complex Network Analysis.

Scarica il PDF Scarica il PDF
Aggiungi ai preferiti Aggiungi ai preferiti


Articoli tecnico scientifici o articoli contenenti case history
La Termotecnica Giugno 2019

Pubblicato
da




Settori: 

Parole chiave: 


Estratto del testo
Tecnica Motori & Misure 64 LA TERMOTECNICA GIUGNO 2019 INTRODUZIONE
Con l''avvento delle moderne tecnologie nell''ambito del monitoraggio
e controllo (i.e. dispositivi smart, protocolli wireless, &c), le reti di
sensori hanno ricevuto un'attenzione significativa come dimostra-
no i molteplici campi di applicazione, e.g. reti elettriche, processi
industriali, trasporti e logistica, applicazioni militari, monitoraggio
ambientale, &c [1, 2].
Questa rapida evoluzione tecnologica, parte del più ampio paradig-
ma dell''Internet delle Cose [3], ha coinvolto anche il settore automo-
bilistico, in particolare nella sviluppo di sistemi di diagnostica a bordo
del veicolo (OBD). I veicoli moderni, infatti, sono dotati di diverse
unità di controllo elettronico (ECU). Per quanto riguarda il motore, un
modulo di controllo specifico (definito ECM) viene impiegato nella ge-
stione degli attuatori e nel rilevamento di guasti solitamente segnalati
da indicatori di malfunzionamento impostati su soglie di controllo [4].
Con riferimento ai metodi sviluppati per la gestione, l''analisi dei così
detti Big Data, recentemente sono state applicate tecniche di analisi
statistica multivariata [5], basate su algoritmi di analisi in componenti
principali (PCA), in ambito di individuazione e diagnosi di guasti per
ricostruire le interazioni tra due o più variabili [6]. Come descritto da
He & Wang [7], questi metodi statistici possono però fallire nell''iden-
tificazione dei guasti quando i dati presentano una natura dinamica,
non lineare, e non Gaussiana. Poiché queste caratteristiche sono tipi-
camente riscontrabili nelle serie di dati derivanti dalle moderne reti di
sensori (causa l''elevata frequenza di acquisizione, l''enorme volume
con cui vengono raccolti e la loro marcata eterogeneità), emerge la
necessità di individuare nuove tecniche in grado di affrontare effica-
cemente queste nuove sfide nell''ambito analitico.
In questo articolo viene proposto un metodo di analisi dei dati da reti
di sensori eterogenei basato sulla Complex Network Analysis (CNA),
che prevede l''impiego congiunto di tecniche di modellazione a grafo e metriche di valutazione derivate dalle analisi di reti sociali [8]. Metodi
simili sono stati applicati con successo, ad esempio, nell''ambito delle
neuroscienze, per descrivere la struttura delle relazioni tra le varie
regioni del cervello e creare modelli diagnostici basati su misure re-
gistrate dalla risonanza magnetica funzionale, elettroencefalografia
o magneto-encefalografia [9].
Il metodo è stato applicato nell''identificazione di guasti potenziali
in un motore a combustione interna per autotrazione. Sono state
eseguite tre campagne di prova sul banco motore per riprodurre la
condizione di riferimento e due possibili condizioni di esercizio in
presenza di guasti: i) rottura (disattivazione) della valvola di ricircolo
dei gas di scarico (EGR) e ii) parzializzazione (del 50%) del condotto
dell'aria di aspirazione. MODELLO DI ANALISI DEI DATI
Il metodo proposto è illustrato nel diagramma di flusso di Figura 1, il
quale ne prevede una descrizione per fasi.
Nelle fasi iniziali (1, 2, 3), i dati eterogenei acquisiti dai diversi sistemi
di sensori (e.g. OBD, analizzatore gas di scarico, freno idraulico)
vengono ri-organizzati temporalmente e vengono rimosse eventuali
anomalie (i.e. dati mancanti, valori piatti, etc.) o rumori di fondo.
Nella fase (4) vengono applicati i metodi di analisi di connettività per
quantificare le relazioni esistenti tra tutte le coppie di serie temporali
x1(t), ' xN(t), per ogni variabile monitorata, al fine di determinare
la presenza di correlazioni nascoste. Il risultato di queste analisi è
una matrice di correlazione grazie alla quale è possibile ricostruire,
in ogni istante temporale, un grafo funzionale del quale la matrice
definisce i pesi degli archi (relazioni) che collegano due nodi (varia-
bili). Alla matrice di correlazione è, quindi, associato un grafo pesato
indiretto totalmente connesso. L''applicazione del metodo ad una
finestra temporale fissa, che scorre fino a coprire l'intero intervallo Analisi di una rete di sensori in un motore a combustione
interna con strumenti di Complex Network Analysis
L''analisi dei dati nelle moderne reti di sensori apre una serie di sfide ancora irrisolte legate, principalmente, alla loro natura eterogenea ed alla loro
dinamica, non lineare e non stazionaria. In questo articolo viene proposto un metodo per l''individuazione e la diagnosi dei guasti in un motore a
combustione interna per autotrazione, basata sui dati di monitoraggio raccolti da reti eterogenee di sensori. Il metodo proposto si basa sull''impiego
di tecniche di modellazione a grafo e strumenti di analisi sviluppati nell''ambito della Complex Network Analysis. INTERNAL COMBUSTION ENGINE SENSOR NETWORK ANALYSIS USING COMPLEX NETWORK TOOLS
The analysis of raw data from modern sensor networks includes a series of challenges, still unresolved, typically linked to the nature of data from
sensors which are heterogeneous, dynamic, and non-linear. This paper reports an analytical method dedicated to fault detection and diagnosis
in internal combustion engine, based on data gathering from on-board sensors. The method advocates the use of graph modeling technique and
Complex Network Analysis tools. Alessandro Corsini - Sapienza Università di Roma, ATI Sezione Lazio, SED Soluzioni Spin-off Sapienza
Fabrizio Bonacina, Paolo Venturini - Sapienza Università di Roma, ATI Sezione Lazio di F. Bonacina, A. Corsini, P. Venturini Motori & Misure 65 Tecnica LA TERMOTECNICA GIUGNO 2019 di monitoraggio, definisce un grafo dinamico funzionale del sistema
analizzato (5).
In particolare, tra i metodi di connettività potenzialmente applicabili
per il calcolo delle relazioni funzionali [11], è stata scelta una funzione
di correlazione multivariata non lineare definita dalla Mutua Informa- zione (MI) basata sulle funzioni di densità di probabilità marginale e
congiunta di coppie di segnali (derivanti da coppie di sensori) [12]. A
differenza di altri metodi di correlazione, la MI ha il grande vantaggio
di misurare qualsiasi tipo di relazione tra variabili e non è influenzata
dalla variabilità delle trasformazioni spaziali [13]. FIGURA 1 - Diagramma di flusso della metodologia proposta [10] FIGURA 2 - a) Configurazione del bando prova e della rete di sensori; b) Caratteristiche del motore 1.9 JTD Tecnica Motori & Misure 66 LA TERMOTECNICA GIUGNO 2019 Una volta definito il grafo dinamico funzionale, i successivi passaggi
hanno lo scopo di esplorarne le proprietà e di fare emergere le struttu-
re nascoste applicando due metodi derivanti dalla Complex Network
Analysis: il calcolo delle misure topologiche e le analisi esplorative
della rete. In particolare, nella fase (6), vengono valutate per ciascun
istante diverse metriche di rete utili alla caratterizzazione topologica
dei grafi pesati, ottenendo così un andamento temporale per ognuna
di esse. Le metriche topologiche considerate sono state: il Diametro (D) del grafo, e la centralità media (Average Weighted Degree Centrality,
AWDC). Il Diametro di un grafo rappresenta la massima distanza tra
tutte le possibili coppie di nodi valutata in maniera tale che la somma
dei pesi degli archi costituenti venga minimizzata [14]. La Weighted
Degree Centrality di un nodo viene, invece, definita come la somma
dei pesi degli archi che sono ad esso collegati. Poiché la WDC è
un attributo specifico del singolo nodo, per una caratterizzazione
globale del grafo è stato considerato un valore medio tra tutti i nodi TABELLA 1 - Lista delle variabili monitorate FIGURA 3 - Curve di coppia e potenza Motori & Misure 67 Tecnica LA TERMOTECNICA GIUGNO 2019 indicato come AWDC. Entrambe le metriche vengono poi impiegate
per la caratterizzazione del sistema analizzato [15].
Infine, nella fase (7) vengono applicate le tecniche di esplorazione
della rete per ottimizzare la visualizzazione e la comprensione della
struttura interna dei grafi, attraverso il posizionamento dei nodi se-
condo alcuni criteri specifici. Per questo scopo sono stati applicati due
algoritmi: il Circular Layout ed il Force Atlas Layout [16]. Il primo è
un metodo di visualizzazione che colloca i nodi del grafo lungo una
circonferenza di un cerchio e li ordina in base a criteri diversi (e.g. il
valore delle metriche topologiche). Il Force Atlas, invece, rappresenta i
nodi del grafo in modo da rappresentare quelli di maggiore influenza
al centro del grafo, allontanando quelli di minore peso. CASO STUDIO
Nel caso studio, la metodologia discussa è stata applicata per iden-
tificare possibili guasti di un motore a combustione interna per auto-
trazione. Le campagne di prova, eseguite presso il Dipartimento di
Ingegneria Meccanica e Aerospaziale dell'Università di Roma ''La
Sapienza', impiegano un motore diesel quattro tempi, common-rail.
L''installazione del motore sul banco di prova, ha richiesto il collega-
mento dell''aspirazione al sistema di ventilazione della cella motori per
mantenere costante temperatura e pressione dell''aria di aspirazione.
Sono stati rimossi, inoltre, il volano ed il cambio. Il banco prova è
equipaggiato con un freno idraulico per le misure di coppia e potenza.
La Figura 2.a illustra lo schema della rete di sensori impiegata nei test,
mentre le caratteristiche del motore sono riassunte in Fig. 2.b. In Ta-
bella 1, invece, sono elencate le variabili monitorate con indicazione del relativo sistema di monitoraggio.
Per l''acquisizione dei dati è stato sviluppato uno specifico software
implementato su microprocessore Raspberry Pi che combina i dati
provenienti dall'ECU con quelli misurati dall'unità di monitoraggio
delle emissioni EMU. In ragione della diversa frequenza di campio-
namento dei sistemi ECU e EMU, è stato adottato un approccio di
acquisizione e sincronizzazione del dato.
La caratterizzazione del motore è stata condotta con aperture dell''ac-
celeratore del 20%, 60% e piena apertura. Durante le prove, la ve-
locità del motore è stata fissata a 3000 rpm e sono stati condotti tre
diversi esperimenti della durata di circa 30 minuti ognuno con una
frequenza di acquisizione dei dati di 0,125 Hz: -Test a: il motore è stato monitorato in condizioni di funzionamento standard; -Test b: è stato introdotto un guasto disabilitando la valvola di ricircolo dei gas di scarico (EGR); -Test c: è stata introdotta un''altra tipologia di guasto, riducendo del 50% la sezione del condotto dell'aria di aspirazione (simulando così
una condizione di filtro parzialmente intasato). RISULTATI
Le prestazioni del motore sono illustrate nelle seguenti Figura 3 e
Figura 4, attraverso le curve di coppia e potenza e la mappa del
rendimento globale del motore al variare del numero di giri e della
percentuale di apertura dell''acceleratore.
Si noti che, in Figura 3, le curve di coppia del motore alimentato
con combustibile diesel sono comparate con quelle relative ad una FIGURA 4 - Mappa del rendimento globale del motore Tecnica Motori & Misure 68 LA TERMOTECNICA GIUGNO 2019 alimentazione con bio-combustibili (i.e. olio di colza, o blend al 20%
e al 50% colza-diesel) [17, 18].
La Figura 5 mostra i grafi funzionali ottenuti applicando l''analisi
CNA ai dati registrati durante le prove nelle tre condizioni operative
esaminate, mediante l''impiego degli algoritmi di esplorazione Force
Atlas Layout e Circular Layout. I colori dei nodi specificano il sotto-
insieme di sensori i.e. sensori OBD in rosso, analizzatore di emissioni
in blu o freno idraulico in verde. Le dimensioni, ovvero l'intensità, dei
nodi variano in misura proporzionale al valore di metrica topologica, mentre lo spessore e l'intensità del colore degli archi esprimono il
valore della MI.
Come visibile nei risultati del Force Atlas Layout nella Figura 5a, i
fattori di influenza principali nelle condizioni operative standard sono
la velocità del motore (nodo 1), la temperatura del carburante (nodo
4) e l'apertura della valvola EGR (nodo 16). Osservando il Circular
Layout nelle condizioni di riferimento, d''altronde, viene confermata
la forte correlazione tra velocità del motore (nodo 1), potenza (nodo
25) e il set point della valvola EGR (nodo 16). FIGURA 6 - Andamento nel tempo per le condizioni operative in esame
del a) diametro del grafo, e della b) centralità media AWDC
FIGURA 5 - Rappresentazione del grafo funzionale mediante l''applicazione del Force Atlas Layout e del
Circular Layout nelle condizioni di esercizio: a) standard, b) rottura valvola EGR, c) parzializzazione condotto di
aspirazione
Motori & Misure 69 Tecnica LA TERMOTECNICA GIUGNO 2019 Quando la valvola EGR viene disattivata (Figura 5b), oltre alla dimi-
nuzione prevista dell'influenza della variabile specifica (nodo 16), il
guasto della valvola comporta un aumento di centralità dalla sonda
lambda (nodo 20) all''interno del grafo. La differenza di funziona-
mento della sonda lambda, rispetto al caso standard, determina una
diversa regolazione del rapporto aria/combustibile e dell''anticipo di
iniezione, che si osserva con un aumento di centralità dei nodi 8 e 12
che caratterizzano la fase di iniezione. Quando viene ostruito il filtro
dell'aria (Figura 5c), il sistema riconosce la quantità insufficiente di
aria in funzione del regime di rotazione, pertanto il peso del nodo 1 e
del nodo 25 diminuisce rispetto alle condizioni standard.
Da ultimo, la Figura 6, mostra il grafico temporale delle due metriche
topologiche, rispettivamente il Diametro (Figura 6a) e la centralità
media AWDC (Figura 6b), calcolato per tutti i grafici considerati
per ciascuna condizione operativa. In particolare, il diagramma
temporale del Diametro e della centralità media AWDC del grafo
indica chiaramente la possibilità di distinguere le diverse condizioni
operative e, come tale, conferma la possibilità di impiegare le metriche
topologiche al fine di rappresentare il comportamento del motore reso
dalle reti di sensori. CONCLUSIONI
In conclusione, il metodo proposto rappresenta un valido strumento
per la gestione efficace del numero crescente e dell'eterogeneità dei
dati, risultando in grado di catturare anche i comportamenti dinamici
e non lineari. I risultati evidenziano come lo studio delle due metriche
topologiche possa risultare effettivamente efficace nella fase di identi-
ficazione dei guasti nel motore, mentre l''analisi esplorativa della rete
fornisce indicazioni utili per la diagnostica e la comprensione delle
relazioni interne tra le variabili monitorate.
D'altra parte, per poter utilizzare questi strumenti come base per lo
sviluppo di una strategia di controllo dei guasti e malfunzionamenti, è
necessario verificare se un valore simile di questi parametri potrebbe
essere ottenuto in altre normali condizioni operative del motore, quindi
sarebbe interessante eseguire ulteriori test a diversi carichi del motore
e velocità di rotazione. RINGRAZIAMENTI
Gli autori ringraziano l''ing. Sara Feudo e l''ing. Andrea Marchegiani
per il loro contributo nelle attività di studio strumentali per il presente
lavoro. BIBLIOGRAFIA
1. J. Yick, B. Mukherjee,D. Ghosal. (2008) "Wireless sensor network survey." Computer Networks, vol. 52, pp. 2292''2330. 2. T. Arampatzis, J. Lygeros, S. Manesis (2005) "A Survey of Applications of Wireless Sensors and Wireless Sensor
Networks." Proceedings of the 13th Mediterranean Conference
on Control and Automation Limassol, Cyprus, June 27-29. 3. J. Gubbi, R. Buyya, S. Marusic, M. Palaniswami (2013). ''Internet of Things (IoT): A vision, architectural elements, and
future directions'. Future generation computer systems, 29(7),
pp. 1645-1660. 4. J. Mohammadpour, M. Franchek, K.Grigoriadis (2011) ''A Survey on Diagnostics Methods for Automotive Engines.'
American Control Conference on O'Farrell Street, San
Francisco, CA, USA, June 29 - July 01. 5. C. Hun, A. Li, X. Zhao (2010) ''Multivariate statistical analysis strategy for multiple misfire detection in internal combustion
engines.' Journal of Mechanical Systems and Signal Processing,
Elsevier vol. 25, pp. 694-703; 6. A.Corsini, F. Bonacina, S. Feudo, F. Lucchetta, A. Marchegiani (2016) ''Multivariate KPI for Energy Management of Cooling
Systems in Food Industry.' Energy Procedia, Proceedings of the
71st Conference of the Italian Thermal Machines Engineering
Association, ATI2016, 14-16 September, Turin, Italy, Vol. 101,
pp. 606 '' 613. 7. Q. P. He, J. Wang (2017) ''Statistical process monitoring as a big data analytics tool for smart manufacturing.' Journal of
Process Control. 8. H. B. Hu, K. Wang, L. Xu, X. F. Wang, X. F. (2008). ''Analysis of online social networks based on complex network theory'.
Complex Systems and Complexity Science, 2, 1214. 9. E. Eqlimi, N. RiyahiAlam, M.A. Sahraian, A. Eshaghi, S. RiyahiAlam, H. Ghanaati, K. Firouznia, E.Karami (2014)
"Resting State Functional Connectivity Analysis of Multiple
Sclerosis and Neuromyelitis Optica Using Graph Theory." IFMBE
proceedings, vol. 41, pp. 206-209. 10. F. Bonacina (2017). ''Complex Network Analysis in Industrial Process Monitoring and Control, a method for Data-Intensive
Feature Identification and Extraction' Ph.D. Thesis in Industrial
and Management Engineering, La Sapienza University of Rome. 11. A. Kraskov, H. Stögbauer, P. Grassberger (2004). ''Estimating mutual information'. Physical review E, 69(6). 12. M. Zanina, D. Papoc, P.A. Sousa , E. Menasalvas , A. Nicchi, E. Kubike, S. Boccaletti (2016) "Combining complex networks
and data mining: Why and how." Physics Reports, vol. 635, pp.
1''44. 13. P. A. Estévez, M. Tesmer, C. A. Perez, J. M. Zurada (2009) "Normalized Mutual Information Feature Selection." IEEE
Transaction on Neural Network, vol. 20: 189-201. 14. D. B. Westn (2001) "Introduction to Graph Theory, 2nd ed." Englewood Cliffs, NJ: Prentice-Hall. 15. S. B. Kotsiantis, I. Zaharakis, P. Pintelas (2007). ''Supervised machine learning: A review of classification techniques'.
Emerging artificial intelligence applications in computer
engineering, vol. 160, pp. 3-24. 16. M. Jacomy, M. Bastian, S. Heymann (2001) "Gephi: An Open Source Software for Exploring and Manipulating Networks.'
Proceedings of the Third International ICWSM Conference, pp.
361-362. 17. A Corsini, A Marchegiani, F Rispoli, F Sciulli, P Venturini , (2015), ''Vegetable oils as fuels in Diesel engine. Engine
performance and emissions', Energy procedia 81, 942-94. 18. A Corsini, R Di Antonio, G Di Nucci, A Marchegiani, F Rispoli, P Venturini (2016), ''Performance analysis of a common-rail Diesel
engine fuelled with different blends of waste cooking oil and
gasoil', Energy Procedia 101, 606-613.


© Eiom - All rights Reserved     P.IVA 00850640186