Anomaly detection of engine knock in automotive ECU using machine learning algorithms

Abstract

Esta dissertação avalia múltiplos algoritmos de aprendizado de máquina para detecção de engine knock em veículos com motores de combustão interna. O objetivo é utilizar dados de baixa frequência extraídos diretamente da Unidade de Controle do Motor (ECU), aplicar uma abordagem baseada em dados para detectar a falha e melhorar a compreensão de quais fatores aplicados nos dados podem impactar esse processo de detecção. Os objetivos do estudo incluem identificar e selecionar os algoritmos mais prevalentes utilizados para detecção de falhas em sistemas automotivos. Isto será seguido pela criação de conjuntos distintos de variáveis, permitindo uma avaliação sistemática de suas contribuições individuais para os resultados da detecção de falhas. Além disso, a investigação abrangerá vários aspectos do pré-processamento de dados, analisando as suas influências no desempenho global dos métodos de detecção de falhas. Em última análise, o estudo visa avaliar de forma abrangente o desempenho de diversos modelos, facilitando a seleção daquele que demonstra o maior f1-score na detecção de falhas no contexto de sistemas automotivos. Ao analisar os dados coletados da ECU de um carro Renault Sandero, vários algoritmos de aprendizado de máquina foram explorados, incluindo Classificador, Autoencoders Densos e Convolucionais, SVM e Floresta Isolada. Esses algoritmos foram treinados e avaliados usando um conjunto de dados abrangente compreendendo 19 variáveis de 32 experimentos. Apesar da limitação de taxas de amostragem mais baixas, resultados promissores foram alcançados, com uma taxa máxima de detecção de engine knock de f1-score 81%. Melhorias futuras são propostas, como a incorporação de dados de detecção adicionais e o desenvolvimento de um sistema de detecção abrangente que vai além de depender apenas do sensor piezoelétrico. No geral, este estudo demonstra o potencial das técnicas de aprendizado de máquina para detecção de engine knock em motores de veículos automotivos. Enfatiza a importância de abordagens baseadas em dados para melhorar a segurança e o desempenho dos motores de combustão interna. As descobertas contribuem para os esforços contínuos de pesquisa na indústria automotiva e inspiram novos avanços nos sistemas de detecção de falhas.

Abstract: This dissertation evaluates multiple machine learning algorithms for engine knock detection in vehicles with internal combustion engines. The goal is to utilize low-frequency data extracted directly from the Engine Control Unit (ECU), apply a data-driven approach to detect the fault and improve the understanding of which factors applied in the data can impact this detection process. The objectives of the study include identifying and selecting the most prevalent algorithms utilized for fault detection within automotive systems. This will be followed by creating distinct sets of variables, allowing for a systematic assessment of their individual contributions to the outcomes of fault detection. Furthermore, the investigation will encompass various aspects of data preprocessing, analyzing their influences on the overall performance of fault detection methods. Ultimately, the study aims to comprehensively evaluate the performance of diverse models, facilitating the selection of the one that demonstrates the utmost f1-score in detecting faults within the context of automotive systems. Various machine learning algorithms were explored by analyzing data collected from the ECU of a Renault Sandero car, including Classifier, Dense and Convolutional Autoencoders, SVM, and Isolated Forest. These algorithms were trained and evaluated using a comprehensive dataset comprising 19 variables from 32 experiments. The lower sampling rates were effective in detecting engine knock at a high rate of 81%. Future improvements are proposed, such as incorporating additional sensing data and developing a comprehensive detection system beyond relying solely on the piezoelectric sensor. Overall, this study demonstrates the potential of machine learning techniques for engine knock detection in automotive vehicles. It emphasizes the importance of data-driven approaches in enhancing the safety and performance of internal combustion engines. The findings contribute to ongoing research efforts in the automotive industry and inspire further advancements in fault detection systems.