Con apoyo de MathWorks Consulting Services, Yanmar exploró técnicas de aprendizaje por refuerzo. Utilizando Reinforcement Learning Toolbox y Deep Learning Toolbox, los consultores ayudaron a seleccionar el algoritmo más adecuado: un Deep Q-Network (DQN).

El objetivo:
Encontrar automáticamente el perfil óptimo de dosificación de DEF para maximizar la conversión de NOx y minimizar el amoníaco liberado.

El agente de DRL aprendió mediante simulación, recibiendo recompensas cuando reducía eficazmente las emisiones. Las visualizaciones del entrenamiento permitieron comparar los resultados con las calibraciones históricas.

Resultados: 60% menos NOx y 41% de ahorro en costos

Los beneficios obtenidos fueron contundentes:

• Reducción del 60% en emisiones de NOx respecto a los valores predeterminados del sistema.

• Tiempo de calibración reducido a la mitad, lo que disminuyó el proyecto total en un 30%.

• Ahorro del 41% en costos frente al proceso manual tradicional.

• Desarrollo completado en solo seis meses, mucho menos de lo previsto.

Según Yanmar, estos avances no habrían sido posibles sin MATLAB y Simulink, que permitieron experimentar con controles complejos sin depender de hardware externo.

Próximos pasos

Actualmente, la herramienta basada en IA genera valores iniciales para la calibración, que luego son incorporados manualmente al ECU. El siguiente objetivo es automatizar completamente este proceso, permitiendo que el agente de IA genere y cargue calibraciones iniciales directamente en los controladores.

Yanmar ya cuenta con hardware de prototipado rápido para llevar esta integración al siguiente nivel y seguir avanzando hacia sistemas SCR totalmente optimizados mediante IA.