La crescente complessità del software nelle moderne centraline (ECU) dei motori a combustione interna (ICE) presenta sfide significative in termini di verifica e convalida. La simulazione Hardware-in-the-Loop (HIL) è un pilastro del processo di testing, ma la sua efficacia è spesso ostacolata dallo sviluppo di modelli di impianto, un processo tradizionalmente dispendioso in termini di tempo e che richiede una profonda competenza fisica quando si utilizza software come GT-Power. Questa tesi introduce una metodologia innovativa e pragmatica per la modellazione empirica basata sull’intelligenza artificiale, progettata per accelerare drasticamente la configurazione della simulazione HIL delle centraline dei motori a combustione interna. L’approccio sfrutta un Large Language Model (LLM) che funge da agente intelligente, in grado di interpretare la documentazione tecnica e i dati specifici della centralina. Elaborando il manuale del software e il file di descrizione A2L, l’agente accelera lo sviluppo del modello, estraendo la logica di controllo necessaria e le dipendenze dei parametri.

Sulla base di questa comprensione “software-aware”, la metodologia sintetizza modelli di impianto in Simulink, computazionalmente leggeri. Questi modelli non sono fisicamente rigorosi, ma sono comportamentalmente accurati dal punto di vista della centralina, utilizzando semplici equazioni e tabelle di ricerca per simulare output chiave quali la coppia del motore, la dinamica dell’aria e dei gas di scarico e la pressione del rail del carburante. L’obiettivo principale è “ingannare” la centralina, garantendo il funzionamento a circuito chiuso e riducendo al minimo i codici di errore diagnostici che altrimenti inibirebbero i test.

I modelli risultanti raggiungono l’equilibrio ottimale tra velocità di sviluppo e fedeltà funzionale. Il flusso di lavoro proposto garantisce la stabilità del ciclo HIL per cicli di test prolungati (oltre 12 ore) e accetta un errore di previsione della coppia fino al 10%, privilegiando la rapidità di utilizzo rispetto alla precisione assoluta. Questa ricerca dimostra una soluzione pratica ed efficiente che semplifica la pipeline di test HIL, consentendo una convalida più rapida e agile di sistemi di controllo automotive complessi.

Ambito principale di tirocinio: AI e modellazione per ambienti HIL

Requisiti candidato/corso di studio:
Laurea Magistrale in Ingegneria dell’automazione/meccatronica/meccanica/elettronica.
Il candidato ideale dovrebbe possedere buone basi di motori a combustione e controlli automatici.

Sede: Torino

________________

The escalating complexity of software in modern Internal Combustion Engine (ICE) Control Units (ECUs) presents significant challenges for verification and validation. Hardware-in-the-Loop (HIL) simulation is a cornerstone of the testing process, but its effectiveness is often bottlenecked by the development of plant models, which is traditionally a time-consuming process requiring deep physical expertise when using software like GT-Power.

This thesis introduces a novel, pragmatic methodology for AI-Driven Empirical Modelling, specifically designed to drastically accelerate the HIL simulation setup for ICE control units. The approach leverages a Large Language Model to act as an intelligent agent, capable of interpreting technical documentation and ECU-specific data. By processing the software manual and the A2L description file, the agent accelerates the model development, extracting the necessary control logic and parameter dependencies.

Based on this “software-aware” understanding, the methodology synthesises computationally lightweight plant models in Simulink. These models are not physically rigorous but are behaviorally accurate from the ECU’s perspective, employing simple equations and look-up tables to simulate key outputs such as engine torque, air and exhaust gas dynamics, and fuel rail pressure. The primary objective is to “deceive” the ECU, ensuring closed-loop operation while minimising diagnostic trouble codes that would otherwise inhibit testing.
The resulting models achieve the optimal balance between development speed and functional fidelity. The proposed workflow guarantees HIL loop stability for extended test cycles (over 12 hours) and accepts a torque prediction error of up to 10%, prioritising rapid usability over absolute precision. This research presents a practical and efficient solution that streamlines the HIL testing pipeline, enabling faster and more agile validation of complex automotive control systems.

Main topic: AI and modelling for HIL environment

Requirements/course of study:
Master’s degree in Automation/Mechatronics/Mechanical/Electronic Engineering.
The ideal candidate should have a good foundation in combustion engines and automatic controls.

Location: Turin