Sviluppo e validazione sperimentale di un sistema di rilevamento anomalie tramite machine learning su dati ECU di un veicolo

Nowadays, one of the main challenges for automotive manufacturers is the reduction of pollutant and greenhouse gas emissions, as these factors accelerate climate change and the deterioration of air quality, with direct effects on the environment and human health. The role of automotive engineers is to reduce the contribution of vehicles to these phenomena. European and international regulations have progressively become more stringent over the years, imposing strict limits on emissions of substances such as CO₂, NOx, HC, and CO. Future vehicles must be more efficient and less polluting, complying with regulations while remaining competitive in a complex economic context. The work presented in this thesis, carried out at AVL Italia S.r.l. in the gasoline engine calibration department, explores innovative solutions in the field of vehicle calibration and testing, making extensive use of data analysis and artificial intelligence to improve the efficiency of team activities. The main objective is the development of an anomaly detection model implemented in Python, capable of analyzing ECU data acquired from the vehicle. The tool manages complex datasets, allows the identification of anomalies, analyzes the behavior of system variables, and supports both hardware and software diagnostics of the vehicle. The anomaly detection model was developed in Python following a structured pipeline: ECU data acquired from the vehicle were preprocessed, filtered, and normalized, and the most significant variables were selected. The algorithm, based on the Local Outlier Factor (LOF), was calibrated and optimized, and feature importance analyses were conducted on the main input variables to assess their contribution to anomaly detection. For the experimental validation of the model, anomalies were introduced through targeted modifications to the ECU calibration, allowing the acquisition of new vehicle data under controlled conditions. The model was applied to these new datasets to verify its capability to detect real anomalies and support the comparison between different calibrations. The results demonstrate the effectiveness of the model both in identifying real anomalies and in supporting validation and calibration activities, contributing to a reduction in analysis time and an improvement in the efficiency of experimental testing. The developed approach highlights the potential of machine learning as a complementary tool in vehicle testing, optimizing resources and improving the quality of the collected data.

Oggi, una delle principali sfide per i costruttori automobilistici è la riduzione delle emissioni inquinanti e di gas serra, poiché questi fattori accelerano il cambiamento climatico e il deterioramento della qualità dell’aria, con effetti sull’ambiente e sulla salute umana. Il ruolo degli ingegneri del settore automotive è ridurre il contributo dei veicoli a questi fenomeni. Le normative europee e internazionali sono diventate negli anni sempre più stringenti, imponendo limiti rigorosi alle emissioni di sostanze chimiche come CO₂, NOx, HC e CO. I veicoli futuri devono essere più efficienti e meno inquinanti, rispettando la normativa ma rimanendo competitivi in un contesto economico complesso. Il lavoro di questa tesi, svolto presso AVL Italia S.r.l., nel reparto calibrazione motori a benzina, esplora soluzioni innovative nel campo della calibrazione e della sperimentazione, facendo ampio uso di analisi dati e intelligenza artificiale, al fine di migliorare l’efficienza delle attività del team. L’obiettivo principale è lo sviluppo di un modello di anomaly detection implementato in Python, in grado di analizzare i dati ECU acquisiti dal veicolo. Il tool gestisce dataset complessi, consente di identificare anomalie, analizzare il comportamento delle variabili del sistema e supportare la diagnostica hardware e software del veicolo. Il modello di anomaly detection è stato sviluppato in Python seguendo una pipeline strutturata: i dati ECU acquisiti dal veicolo sono stati pre-processati, filtrati e normalizzati, e sono state selezionate le variabili più significative. L’algoritmo, basato sul Local Outlier Factor, è stato calibrato e ottimizzato, e sono state condotte analisi di feature importance sulle principali variabili di input per comprenderne il contributo all’individuazione delle anomalie. Per la validazione sperimentale del modello, le anomalie sono state introdotte tramite modifiche mirate alla calibrazione ECU, consentendo l’acquisizione di nuovi dati dal veicolo in condizioni controllate. Il modello è stato applicato a queste nuove acquisizioni per verificare la capacità di rilevare anomalie reali e supportare il confronto tra diverse calibrazioni. I risultati ottenuti dimostrano l’efficacia del modello sia nell’identificazione delle anomalie reali sia nel supporto alle attività di validazione e calibrazione, contribuendo a ridurre i tempi di analisi e a migliorare l’efficienza delle prove sperimentali. L’approccio sviluppato evidenzia il potenziale del machine learning come strumento complementare nella sperimentazione veicolo, ottimizzando le risorse e migliorando la qualità dei dati raccolti