Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, Max Mauro Dias | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-7877-3554 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6212006974231025 | - |
Autor(es): dc.contributor | Santos, Max Mauro Dias | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-7877-3554 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6212006974231025 | - |
Autor(es): dc.contributor | Corrêa, Fernanda Cristina | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-4907-0395 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1495216809511536 | - |
Autor(es): dc.contributor | Oliveira, Roberson Assis de | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4084638290047209 | - |
Autor(es): dc.contributor | Murari, Thiago Barros | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-5598-2679 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7395331056978383 | - |
Autor(es): dc.creator | Hoffmann, João Eduardo | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:17:04Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:17:04Z | - |
Data de envio: dc.date.issued | 2023-01-15 | - |
Data de envio: dc.date.issued | 2023-01-15 | - |
Data de envio: dc.date.issued | 2022-12-19 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/30377 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1092441 | - |
Descrição: dc.description | In automotive thermal management systems, an adaptive cooling operation is required as the engine’s heat rejection is constantly changing with the vehicle dynamics. Maintaining an optimal adaptive engine cooling can be achieved by delivering coolant flow at certain temperature states, as close as possible to actual needs. Currently, for the coolant temperature regulation, cooling fan control systems widely employ Proportional Integral Derivative (PID) controllers, as fast and light solutions in generating fan speed demands for the heat rejection process. Although interesting in terms of in-vehicle computational processing cost, the induction of disturbances from parameters not precisely estimated, in the system modelling, aggravate the low robustness in the regulation of the coolant temperature in the presence of uncertain thermal impacts. Aiming at improving the reduction of disturbances, a Model Predictive Control (MPC) strategy is proposed, as a method, algorithm, and strategy, applied on cooling fan control systems, for the generation of optimized fan speed demands in maintaining a predicted horizon of coolant temperatures at a set point configuration. Improvements on vehicle performance, fuel efficiency and emissions are potentially achieved with the application of machine learning strategies for the prediction and thermal optimization of the coolant temperature in a future control horizon, allowing a proposed Reinforcement Learning (RL) labeling model to perform searches for optimal fan speeds. The probabilistic strategy of the RL agent is improved in interacting and observing the coolant temperature response, from a thermal response model, with confidence from crosstime correlations with thermal impact variables, resulting in less deviance from configurable temperature set points when compared to classic feedback controllers. In addition, a human interpretable feature extraction process is proposed, using the Toeplitz Inverse Covariance-Based Clustering (TICC) method, in extracting accurate and interpretable structures in multivariate time series data, for addressing processing time concerns with the use of reliable and low dimensional feature representations. The results of an experimental physical evaluation demonstrate the effectiveness of the MPC solution in comparison to a classic controller, as it achieves the potential reductions of 1.53% and 0.61% in the consumption of fan power and fuel, respectively. | - |
Descrição: dc.description | Conselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paraná | - |
Descrição: dc.description | Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e Tecnológico da Universidade Tecnológica Federal do Paraná (FUNTEF-PR) | - |
Descrição: dc.description | Nos sistemas de gerenciamento térmico automotivo, uma operação de refrigeração adaptativa é necessária pois a rejeição de calor do motor muda constantemente com a dinâmica do veículo. Um objetivo de refrigeração adaptativa ideal para o motor pode ser alcançado ao fornecer um fluxo de líquido refrigerante, em determinados estados de temperatura, o mais próximo possível das necessidades reais de coleta e rejeição de calor. Atualmente, para a regulação da temperatura do líquido refrigerante, sistemas veiculares de controle empregam amplamente controladores proporcional integral derivativo (PID), como processos de controle rápidos e leves, que geram demandas de velocidade do ventilador para o processo de atuação na rejeição de calor. Embora interessante em termos de custo computacional de processamento no veículo, a indução de distúrbios, a partir de parâmetros não estimados com precisão na modelagem do sistema, agrava a regulação da temperatura do líquido refrigerante na presença de diversas variáveis de impacto térmico. Com o objetivo de reduzir tais distúrbios, uma estratégia de controle preditivo baseado em modelo (MPC) é proposta, como um método, algoritmo e estratégia aplicados em sistemas de controle de ventiladores de veículos para a geração de demandas otimizadas de velocidade do ventilador na manutenção de um horizonte previsto de temperaturas do líquido refrigerante para uma configuração de set point de temperatura. Melhorias no desempenho do veículo, eficiência de combustível e emissões são potencialmente alcançadas com estratégias de aprendizado de máquina na previsão da temperatura e regulação térmica do líquido refrigerante e dos estados de impacto térmico em um horizonte futuro, definido para permitir que um modelo proposto de rotulagem com aprendizado por reforço (RL) realize buscas por velocidades ideais do ventilador. A estratégia probabilística do agente do modelo de rotulagem é aprimorada na interação e observação da resposta da temperatura do líquido refrigerante, a partir de um modelo de resposta térmica, com confiança em correlações de tempo cruzado com variáveis de impacto térmico, resultando em um menor desvio do set point de temperatura, comparado com controladores clássicos. Além disso, é proposto um processo de extração de características interpretáveis por humanos, com o uso do método de agrupamento baseado em covariância inversa Toeplitz (TICC), como um método de extração de estruturas precisas e interpretáveis em dados de séries temporais multivariadas, abordando otimizações no tempo de processamento na aplicação de representações confiáveis e de baixa dimensão. Os resultados de uma avaliação física experimental demonstram a eficácia da solução MPC em comparação com um controlador clássico, ao alcançar as potenciais reduções de 1,53% e 0,61% nos consumos de potência do ventilador e combustível, respectivamente. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | - |
Palavras-chave: dc.subject | Indústria automobilística | - |
Palavras-chave: dc.subject | Controle preditivo | - |
Palavras-chave: dc.subject | Análise térmica | - |
Palavras-chave: dc.subject | Análise por agrupamento | - |
Palavras-chave: dc.subject | Aprendizagem | - |
Palavras-chave: dc.subject | Automobile industry and trade | - |
Palavras-chave: dc.subject | Predictive control | - |
Palavras-chave: dc.subject | Thermal analysis | - |
Palavras-chave: dc.subject | Cluster analysis | - |
Palavras-chave: dc.subject | Learning | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
Título: dc.title | Design and development of a model-based predictive control system for automotive thermal management | - |
Título: dc.title | Projeto e desenvolvimento de um sistema de controle preditivo baseado em modelo para gerenciamento térmico automotivo | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: