DEMOSTRACIÓN DE LA APLICACIÓN DE MACHINE LEARNING EN ENTORNOS X-IN-THE-LOOP (PROYECTO XILFOREV)

El proyecto europeo XILforEV se encuentra ya en su último año y es el momento en el que los distintos desarrollos del mismo se lleven a la práctica.

En las instalaciones de ITAINNOVA se encuentra uno de los bancos de ensayo del proyecto, más concretamente el que permite el desarrollo y validación de las suspensiones activas.

Antes de la realización de ensayos distribuidos enlazando en tiempo real bancos de subsistemas de vehículos eléctricos localizados en distintos puntos de Europa, en el Instituto se están haciendo las pruebas finales de la metodología de Machine Learning que hemos desarrollado dentro del proyecto para la creación de gemelos digitales dinámicos.

La utilización de los gemelos digitales que se hacen dentro del XILforEV es algo distinta de la habitual, ya que no se aplica a la simulación de un proceso productivo, sino al modelado de componentes para metodologías X-in-the-loop (XIL). Estas metodologías XIL están basadas en la simulación del vehículo y de los componentes físicos para poder desarrollar los controladores de los distintos subsistemas, por lo que una representación precisa de los componentes reales juega un papel fundamental en el éxito de la metodología. Pero además de estos requisitos de precisión, los modelos no pueden ser infinitamente complejos ya que tienen que hacer predicciones en tiempo real, por lo que es necesario buscar un compromiso entre fidelidad y complejidad. Es aquí donde entran en juego los gemelos digitales: durante la ejecución de los ensayos, se obtiene información de los componentes reales y, mediante la aplicación de algoritmos de inteligencia artificial, se utiliza para generar una representación precisa del componente modelado, pero al mismo tiempo con poco coste computacional, lo que permite su cálculo en tiempo real.

Figura: banco de ensayo con funcionamiento en el bucle (Test Rig-in-the-Loop).

En las pruebas que se están realizando, la suspensión activa se encuentra montada en un banco que funciona con un concepto TRIL (Test Rig-in-the-Loop). Durante el ensayo, un modelo de simulación calcula las condiciones a las que estaría sometida la suspensión si estuviese montada en un vehículo determinado y en un escenario y maniobra definido (por ejemplo circulando a 80 km/h en una curva y con un bache) y con ese resultado actúa sobre el componente físico a través de los actuadores del banco. La respuesta en fuerza entregada por la suspensión se mide durante el experimento y se realimenta al modelo, modificando la respuesta dinámica del vehículo en función de la misma y cerrando así el bucle simulación. En resumen, la suspensión (incluyendo al componente mecánico y a la electrónica y software de control) actúa como si estuviese montada en un vehículo real en esas condiciones.

Figura: predicción (azul) y fuerza experimental (amarillo) antes (arriba) y después (abajo) de la asimilación de datos por parte del modelo.

En paralelo a la realización de estas pruebas, un sistema de “machine learning” actúa para sacar gemelos digitales dinámicos del componente. El punto de partida para el mismo es una representación obtenida con un algoritmo matemático a partir de resultados de modelos de simulación basados en la resolución de la física del componente, lo que permite iniciar el ensayo con una primera versión del modelo. A partir de allí, la respuesta de la suspensión durante el ensayo genera una información que es asimilada en tiempo real de forma recursiva por el algoritmo y que cambia el modelo para reproducir de forma más precisa el comportamiento del subsistema, corrigiendo de forma automática cualquier error existente en el modelo de partida.

El modelo resultante, se considera un modelo de alta confianza que puede utilizarse en éste o en otros entornos de simulación XIL.

El siguiente video muestra el funcionamiento del banco y del sistema de asimilación de datos “en línea” para la generación de los gemelos digitales de la suspensión activa.