Anteproyecto de Trabajo Fin de Carrera

Anteproyecto de Trabajo Fin de Carrera
Redes neuronales en el sistema de inyección
de un ciclomotor
Guillermo Jiménez Margallo
Ingeniería en Informática
Escuela Técnica Superior de Ingeniería Informática
Universidad de Alcalá
gjmargallo@gmail.com
Palabras clave: Redes neuronales, inyección, aprendizaje supervisado,
optimización de funciones, back-propagation.
1
Introducción
Desde el comienzo de la historia de la inteligencia artificial, los pioneros de esta ciencia
moderna fueron navegando desde un inicio prometedor hasta la impotencia absoluta del
que ha pretendido demasiado desde un comienzo. Un ejemplo de este inicial esfuerzo
fue el descubrimiento las redes neuronales artificiales. Diseñadas en un principio como
un modelo que copiaba el de una neurona simple biológica (McCulloch et al., 1943)
fueron superadas pronto por otro científico, Frank Rosenblatt (1957), que concretó la
estructura final del perceptrón. Según la aportación del americano, la nueva red podría
incluso ser el sustituto de los cerebros humanos si se aplicaba correctamente.
Aunque Rosenblatt (1960) demostró matemáticamente la convergencia del perceptron, lo cierto es que todo su trabajo quedó dilapidado una década más tarde. En
concreto la publicación de Perceptrons (Minsky y Papert, 1969) señaló el fin de una era.
Juntos descubrieron lo ineficaz que resultaba el modelo de Rosenblatt en una separación
lineal simple. Precisamente, el ejemplo de la imposibilidad de separar una simple
función XOR fue el que se hizo famoso en la comunidad científica.
Después de un tiempo oscurantista en las redes neuronales, apareció la figura de
Hopfield y otros científicos. En un intento por superar las limitaciones del perceptrón
(ni es eficiente ni garantiza hallar un máximo global) recuperaron, con gran éxito por su
parte, técnicas estadísticas matemáticas inventadas por Bryson y Ho (1969). Se
denominó entonces aprendizaje por propagación posterior (back-propagation). Sus
primeros resultados fueron esperanzadores, siendo el primer estudio satisfactorio
publicado por Rumelhart y McClelland (1986). Su principal característica era poder
entrenar una red que aprendiera cualquier función, por compleja que pareciese. Esto
tiene gran importancia en problemas de categorización de elementos, cuando la
información es incompleta. Por ello es usada en reconocimiento de textos, visión
artificial, etc. Sus aplicaciones son prácticamente infinitas.
Debido a esta gran capacidad de definir sistemas que no fueran lineales, se
comenzaron a usar en industrias en las que nunca se habría pensado. Por ejemplo, un
campo de la ciencia en la que la imprecisión suele ser patente (no por no estar definido,
sino por su complejidad) es la variabilidad que pueden tener las variables de cambio de
régimen de un motor clásico. Ha de tener necesariamente un control de múltiples
elementos, a su vez altamente no lineales. El fin último sería minimizar los gases
contaminantes expulsados por el tubo de escape. Algunos autores recomiendan usar la
red neuronal de tipo CMAC, definiéndola como “muy eficiente computacionalmente, y
por lo tanto ideal para la implementación en tiempo real” (Majors et al., 1994). Por otro
lado, también se han desarrollado redes que simulan los gases de escape de un
automóvil (Hafner et al., 1999), con el beneficio consecuente de poder simular la mejor
de un motor, en función de la contaminación producida.
Llevando el tema a un plano más práctico, no son muchas las aplicaciones que hayan
podido ser implementadas con éxito. En la UPC ha habido un intento teórico de
aplicación para el control de un motor de cuatro tiempos (Nevot 1999). Aunque el autor
no alcanza a realizar la simulación real, invita a que un investigador lo intente,
utilizando un hardware que permita implementar en tiempo real el control necesario.
En un campo diferente como puede ser el de los ciclomotores no ha habido intentos
de optimizar su control, pues son bastante menos atractivos económicamente. En los
últimos años, los ciudadanos europeos hemos tenido que contemplar como las leyes que
rigen la protección ambiental se han endurecido. Tal y como se preveía desde hace años,
el cambio climático ya es un hecho, y es causa principalmente de del aumento de
concentraciones de gases invernadero tales como el dióxido de carbono, metano, óxidos
nitrosos y clorofluorocarbonos (Houghton et al., 1990, 1992). La Unión Europea intenta
reducir al máximo esos contaminantes, con la Directiva 97/24 de vehículos de motor de
2 y 3 ruedas, que, aprobada por Consejo de Medio Ambiente de la UE el
8 de marzo de 2001, afecta especialmente a los ciclomotores. Debido a su diseño, el
motor de un ciclomotor es terriblemente contaminante, a la vez que desperdicia gran
parte de su gasolina. Por eso la coyuntura actual obliga a los fabricantes de ciclomotores
a renovar su tecnología o a tener que salir del mercado.
El futuro no parece muy prometedor para los ciclomotores. Tomando como ejemplo a
Shangai, la ciudad china realizó en 1997 un estudio que reveló que los ciclomotores que
recorrían sus calles generaban una quinta parte de la contaminación, aunque la
proporción de población que transportaban era mínima. También descubrieron que
contaminaban de un orden de 5 a 17 veces más que un coche normal (FYS 2004). Por
todo ello están realizando en actualidad una campaña que acabará con todos los
ciclomotores de gasolina en el 2005. Nuestra idea es crear con nuestros conocimientos
actuales o investigando otras posibles redes nuevas, una minimización de las emisiones
de gases contaminantes, que, cumpliendo con la Directiva 97/24, permita a los
ciclomotores ser menos contaminantes y más eficientes. La aplicación de esta reducción
será en un entorno de simulación real, con el banco de pruebas correspondiente, y con
una sonda lambda para recoger los gases contaminantes.
Figura 1: Sonda lambda para gases contaminantes
2
Objetivos
El propósito de este proyecto es la optimización, por medio de redes neuronales, de un
mapa de consumos de inyección de un ciclomotor, con el fin de cumplir la Directiva
97/24, la cual establece limitaciones en la expulsión de gases contaminantes.
Los objetivos secundarios, ordenados cronológicamente, son los siguientes:
1. Búsqueda de información sobre la inyección en ciclomotores.
2. Búsqueda de información acerca de distintos tipos de redes neuronales y
modelado de una red apropiada.
3. Diseñar una plataforma que permita entrenar esta red con los datos empíricos del
ciclomotor.
4. Realizar un exhaustivo del nuevo mapa de consumos en un entorno real.
5. Elaboración y presentación de la memoria.
6. Publicación del trabajo – si procede – en una revista especializada.
3
Resultados
El resultado principal será un mapa de consumos optimizado, que, junto a un
ciclomotor con un sistema hardware de control, permita:
-
Cumplir la Directiva Europea 97/24 de gases contaminantes para ese ciclomotor.
La satisfacción completa por parte del conductor del ciclomotor, no quedando
reducidas las prestaciones ni el manejo de ésta.
Demostrar la viabilidad de aplicaciones de Inteligencia Artificial en campos en lo
que no sea usa actualmente.
Permitir el desarrollo de un nuevo campo de investigación.
4 Metodología
La metodología a emplear deberá partir de la plataforma utilizada para la
simulación. Como la mejor herramienta para simular del mercado es Matlab,
incorporando módulos predefinidos ya para redes neuronales, vamos a usarla desde el
principio. Siguiendo un postulado de metodología estructurada valoraremos los
siguientes puntos:
1.
2.
3.
4.
5.
Análisis requisitos previo.
Planteamiento teórico del modelo a utilizar.
Modelado de diagramas de flujos (Diagramas de contexto y sistema)
Evaluación de resultados.
Documentación del sistema.
Estos puntos se pueden llevar a cabo siguiendo las directrices de Métrica 3,
escogiendo los procesos apropiados. Aun así, este proyecto no puede ser considerado
como un desarrollo informático modelo, ya que entran en él elementos de investigación.
5 Recursos
Podemos diferenciar dos partes en cuanto a recursos: en primer lugar, un espacio de
trabajo de procesamiento de datos y diseño de las redes neuronales; por otro lado, la
parte física de la simulación, donde los datos empíricos pueden ser obtenidos a priori
para procesarlos y a posteriori para comprobar que cumplimos los criterios ambientales.
En función de estas necesidades habrá que disponer de los siguientes elementos:
1. Una licencia de Matlab con Simulink y el toolbox nnet.
2. Una estación de trabajo para entrenar la red y diseñar el sistema.
3. El banco de pruebas con el ciclomotor incorporado para las verificaciones
finales.
4. Una sonda de tipo lambda para detectar la contaminación generada por el tubo
de escape del ciclomotor.
PC
BANCO DE PRUEBAS
MATLAB
Elementos para la simulación
DATOS
Elementos empíricos
Figura 2: Recursos del proyecto
6 Bibliografía
Bryson, A. E. y Ho, Y.-C. (1969). Applied Optimal Control. Blaisdell, New York.
FYS (2004). Física y Sociedad. http://www.fisicaysociedad.es/view/default.asp?cat=705&id=893
(30 noviembre 2004).
Hafner, M., Schüler, M. y Nelles, O. (1999). Dynamical Identification and Control of Combustión
Engine Exhaust. Proceeding of the American Control Conference, June 1999:222-226
Hougton, J.T., Callander, B.A., and Varney, S.K. (1990). Climate Change: The IPCC Scientific
Assessment. Cambridge University Press. pp. 365.
Hougton, J.T., Callander, B.A., and Varney, S.K.(1992). Climate Change 1992: The
Supplemental Report to the IPCC Scientific Assessment. Cambridge University Press. pp. 200.
Majors, M., Stori, J. y Cho, Dong-il (1994). Neural Network Control of Automotive Fuel-Injection
Systems. IEEE Control Systems, San Diego, USA, June 1994: 31-36
McCulloch, W. S. y Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity.
Bulletin of Mathematical Biophysics, 5:115-137.
Minsky, M. L. y Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry.
MIT Press, Cambridge, Massachusetts, primera edición.
Nevot, J. (1999). Diseño de un Controlador Avanzado Basado en Redes Neuronales para la
Gestión de la Mezcla Aire-Gasolina en un Motor Alternativo. Tesis doctoral UPC, Instituto de
Organización y Control de Sistemas Industriales, Barcelona.
Rosenblatt, F. (1957). The perceptron: A perceiving and recognizing automaton. Report 85-4601, Project PARA, Cornell Aeronautical Laboratory, Ithaca, New York
Rosenblatt, F. (1960). On the convergence of reinforcement procedures in simple perceptrons.
Report VG-1196-G-4, Cornell Aeronautical Laboratory, Ithaca, New York
Rumelhart, D. E. y McClelland, J. L., editores (1986). Parallel Distributed Processing. MIT
Press, Cambridge, Massachusetts. Dos volúmenes.