Aplicação Das Redes Neurais Artificiais Eu Uma Transmissão Automática Adaptativa.

Abstract

APLICAÇÃO DAS REDES NEURAIS ARTIFICIAIS EM UMA TRANSMISSÃOAUTOMÁTICA ADAPTATIVA. ODS (9) Construir infraestruturas resilientes, promover a industrialização inclusiva e sustentável e fomentar a inovação. ResumoOs padrões de mudança fixo apresentados pelas transmissões automáticas convencionais podem gerar inconvenientes, principalmente, nas subidas e descidas, apresentando certas limitações, desconforto e influenciando no aumento do consumo de combustível. A proposta deste artigo é apresentar um estudo sobre o aprendizado de máquina através das Redes Neurais Artificiais, proporcionando o aperfeiçoamento do sistema de transmissão automática, para melhoria da dirigibilidade do veículo e economia de combustível. Este estudo baseiase na compreensão técnica de Machine Learning, sendo este um domínio bastante amplo e complexo, que figura entre as áreas mais importante da Inteligência Artificial. São aplicados os dados característicos do motor, oriundos da unidade de controle, a qual são utilizados para o aprendizado de máquina, representados através de um modelo, gerado a partir das Redes Neurais Artificiais, que podem ser utilizados em um algoritmo de classificação, o qual irá prever o modo de condução do motorista, identificar o estilo de estrada transitada ou o tipo de carga aplicada ao veículo. Esse modelo deve evoluir através do avanço e do aprendizado e esse aprendizado deve ser medido, para verificar se o modelo é capaz de entender o quanto a máquina aprendeu. A aquisição de dados foi realizada através do aplicativo TORQUE, junto a um módulo de extensão denominado Realtime Charts que através de Mini scanner OBD2 com comunicação Bluetooth, permitindo acessar as diferentes aplicações do veículo. Esses dados são aplicados ao software WEKA, que possui uma coleção de algoritmos de máquina para mineração de dados. Entre outras conclusões, os modelos criados com os dados para aprimorar a dirigibilidade através de um controle adaptativo da transmissão automática, alcançou um prognóstico desejável no treinamento, apresentando valores que atingem até 97% de classificação correta das instâncias, indicando o quanto o modelo aprendeu, validando os acertos do algoritmo.