ECU helyett AI? – Átveheti-e a mesterséges intelligencia a motorvezérlést?

A mesterséges intelligencia (AI) lehetővé teszi egy mesterséges mechanizmusnak, hogy látszólag intelligens viselkedést mutasson. Az AI nagy ígéret a tudásalapú szakértői szoftverek, programok területén, amelyek bár megfelelő válaszokat adnak konkrét problémákra, azonban mégsem képesek az eddigieknél is alkalmazkodóbb vagy igazán intelligens gondolkodásra. Utóbbiakhoz szükség van szakértői, problémamegoldó gondolkodásra, a jelek, jelenségek értelmezésének technikáira. Tudja vagy tudni fogja-e ezt idővel az AI? Ezt fejtegetjük szűk autós vonalon rövid cikkünkben.

Ha kicsit is belegondolunk, az AI alkalmazási lehetőségei a járművek terén korlátlanok, a gépjárművekben megtalálható vezérlők, diagnosztikai rendszerek tekintetében a fél-, illetve a teljesen automatizált rendszerek már jóideje itt vannak velünk – ebből tovább menni kézenfekvő.  Inkább az a kérdés, hogy mennyit szeretnénk átadni belőle a gépnek, kiadni saját, humán kezeinkből.


Az elektronikus programozott gyújtásról

Az elektronikus programozott gyújtás a 20. század második felében vált elterjedtté, amikor az autógyártók elkezdtek áttérni a mechanikus rendszerekről az elektronikus irányítású rendszerekre a gyújtás és más motorműködési funkciók terén. Ezek az új rendszerek lehetővé tették az optimális gyújtás időzítést a motor egyes részüzemmódjaihoz igazítva. A programozott gyújtás az ECU memóriájában található jellegmezőkben a motor adott üzemi feltételeihez hozzárendelt vezérlő paraméterek (jellegmezők) alapján történik. A gyártási toleranciák, a motor öregedése és az útviszonyok miatt az optimum nem mindig ugyanott van, azaz nem mindig felel meg annak, ami a memória jellegmezőiben tárolt adatok alapján következne.


(Jellegmező – illusztráció)

Az a rendszer, amely AI-t használna, nemcsak információgyűjtésre és válaszadásra lenne képes, hanem alkalmazkodni is tudna és változtatni addigi algoritmusain. Autós példával: ha pl. észleli, hogy egy motor 700 fordulat/percen vibrál/remeg, akkor az elektronikus vezérlőegység (ECU) emeli az alapjárati fordulatszámot mondjuk 725 fordulatra. Az AI lényege ebben a helyzetben az, hogy eldönti, hogy a jövőben is 725 fordulat/percen állítja-e be az alapjárati fordultszámot, vagy sem. A meglévő motorvezérlések is elvégzik ennek a példának a megoldását az alapjárat vezérlésére és az tüzelőanyag-levegő arány szabályzására alapvetően a lambda érzékelő (oxigén-szenzor) jele alapján – a helyzet egyszerű, rendkívüli kihívás nincs.


De akkor miért kavarnánk bele ebbe az üzembiztosan működő szabályzásba a mesterséges intelligenciát?

A válasz: merev algoritmusok helyett tanulóképesség

Az AI alkalmazása a motorvezérlésben vagy más hasonló rendszerekben számos előnyt kínálhat, még olyan területeken is, ahol az alapvető szabályozás már jól működik. Az AI képes olyan összetett problémákat is kezelni, amelyeket hagyományos, merev algoritmussal nehéz lenne megoldani. Például, ha a motor állapota változik, az AI alkalmazkodhat ezekhez a változásokhoz - szemben a merev algoritmusokkal - anélkül, hogy külső beavatkozásra lenne szükség. Az AI alkalmazása lehetővé teheti a tovább optimalizált üzemeltetést. Például segíthet az tüzelőanyag-hatékonyság növelésében vagy a károsanyag-kibocsátás csökkentésében, figyelembe véve az aktuális körülményeket, alkalmazásával a rendszer jobban kezelheti a változó külső körülményeket, mint például hőmérséklet, páratartalom, vagy magasságváltozások. Az AI segítségével könnyebb lehet a rendszert frissíteni és fejleszteni, anélkül, hogy teljesen új algoritmusokat kellene bevezetni.


A „neurális” számítás, gépi és mélytanulás, az AI megértésének kulcsfogalmai

Az AI működése két alapvető tanulási gyakorlatot foglal magában: gépi tanulás és mély tanulás. A gépi tanulás a strukturált adatok és algoritmusok tanulmányozására összpontosít, lehetővé téve a gépek számára, hogy utasításkészlet nélkül végezzenek feladatokat. Más szóval, a gépi tanulás gyorsan átszitálja a nagymennyiségű adatot és a legjobb eredményt hozza létre. A mély tanulás viszont összetett neurális hálót alkalmaz a részletesebb tulajdonságok kinyerésére, folyamatosan tanulva és több bemeneti adatot szerezve. Ezekkel a tanulási módszerekkel az AI reprodukálhatja az emberi döntéshozatali és gondolkodási képességeket és az AI sikeres alkalmazása lehetővé tette a vállalatok és felhasználók számára kényelmes használatát, a komfortfokozat növekedését.

A neurális számítások mögötti technológia gyors terjedése révén a neurális hálózatok kiemelkedő szerepet töltenek be a gépi tanulás és mesterséges intelligencia területén. Ezek a hálózatok a neuronok és kapcsolatok által alkotott rendszerek, ahol a neuronok egyszerű feldolgozó egységek, több bemenetet kombinálnak súlyok alapján, hogy létrehozzák a kimenetet. A hálózatok mérete és neuronok száma változó, attól függően, hogy milyen problémára alkalmazzák, és azok architektúrája mennyire összetett. A neurális rendszer tanulási folyamata során összehasonlítja a várt és tényleges eredményeket, módosítja a kapcsolatok súlyozását, és így jut el az ideális megoldáshoz. Ez a mechanizmus az emberi agy működéséhez hasonló.

A neurális rendszer számos előnnyel jár a hagyományos módszerekhez képest, beleértve az ultra gyors működést, a fejlesztési idő csökkenését, a komplex problémák megoldására való képességet, a rugalmas problémamegoldási módokat és az adaptív működést. A hálózat tanul a tapasztalatokból és az új adatokból, finomhangolva tudását.

A járműiparban a neurális hálózatok alkalmazása széles körben terjed, és nem csupán a jármű tervezését és fejlesztését, hanem a gépjármű vezérlőrendszereket és a fedélzeti infotainment-rendszereket is hamarosan teljesen átfoghatja. Az AI és a neurális hálók elősegítik a járművek teljesítményének és hatékonyságának optimalizálását, beleértve az aerodinamikai tervezést és az önvezető technológiák finomhangolását. A gyorsabb prototípusfejlesztés és az adaptív vezérlés révén csökkennek a tervezési fázisok ideje és költségei, miközben növekszik a járműbiztonság és a menetdinamika. A gépi tanulás és a neurális hálózatok a motorvezérlésben is alkalmazhatók, optimalizálva a teljesítményt és az üzemanyag-hatékonyságot. Emellett a fedélzeti infotainment-rendszerekben személyre szabott élményt teremtenek, lehetővé téve a hangvezérlést, a hangérzékelést és az előrejelző analitikát a karbantartás terén. Az előrehaladott AI-technológiák integrálása által a neurális hálózatok kulcsszerepet játszanak a jövő járműveinek korszerűsítésében, elősegítve a biztonságot, hatékonyságot és felhasználói élményt.

Visszatérve a jelenhez és a napi gyakorlatba, a csatolt videóban a Chat GPT segítségével próbáltak egy meglehetősen összetett hiba nyomára bukkanni – és hogy mi lett az eredmény? Nézzük meg:


Forrás: www.atcoindustries.com, what-when-how.com, www.wgu.edu,