Publication
Generation of Tire Monitoring Data: A Deep Learning Approach
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Santos, Veríssimo Manuel Brandão Lima | |
| dc.contributor.author | MOURA, JOSÉ CARLOS CARDOSO DE SERRA E | |
| dc.date.accessioned | 2025-06-25T09:49:29Z | |
| dc.date.available | 2025-06-25T09:49:29Z | |
| dc.date.issued | 2025-05-28 | |
| dc.description.abstract | The increasing complexity of automotive systems and the need to reduce development time and costs have motivated the adoption of synthetic data generation strategies as an efficient alternative to collecting and obtaining real-world data, especially for Deep Learning applications. This dissertation proposes an approach based on Long Short-Term Memory and Transformer Decoder models to generate synthetic data for sensors used in indirect tire pressure monitoring systems. Real-world data collected from road tests were used to train models, enabling them to capture the relationship between vehicle speed, steering wheel angle, and the sensors associated with the indirect tire pressure monitoring system. After preprocessing, normalization, and segmentation into temporal window sequences, the models were evaluated using reserved test data and performance metrics such as Mean Squared Error and Mean Absolute Percentage Error. The results demonstrate that both models are capable of generating synthetic data for most variables. This approach proves to be a promising tool for expanding the available dataset, thereby reducing the number of on-track tests required during the development and testing of indirect tire pressure monitoring systems. | eng |
| dc.description.abstract | A crescente complexidade dos sistemas automotivos e a necessidade da redução de tempo e custos de desenvolvimento têm motivado a adopção de estratégias de geração de dados sintéticos como uma alternativa eficiente à recolha e obtenção de dados reais, especialmente em aplicações de Deep Learning. A presente dissertação propõe uma abordagem baseada nos modelos Long Short-Term Memory e Transformer Decoder por forma a gerar dados sintéticos para sensores de sistemas de monitorização indireta de pressão dos pneus. Dados obtidos em estrada foram utilizados para treinar os modelos capazes de capturar a relação entre a velocidade do veículo e o ângulo do volante com os sensores associados ao sistema de monitorização indireta de pressão dos pneus. Depois de se efetuar o pré-processamento, normalização e segmentação em janelas temporais, os modelos foram avaliados utilizando métricas como o Erro Quadrático Médio e o Erro Absoluto Percentual médio. Os resultados demonstram que ambos os modelos conseguem gerar dados sintéticos para a maioria das variáveis. Esta abordagem revela-se como uma ferramenta promissora para a expansão dos dados disponíveis e assim reduzir o número de testes em pista necessário durante o desenvolvimento e teste de sistemas de monitorização indireta de pressão dos pneus. | por |
| dc.identifier.tid | 203955536 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/30186 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Automotive systems | |
| dc.subject | Synthetic Data Generation | |
| dc.subject | Deep Learning | |
| dc.subject | Long Short-Term Memory | |
| dc.subject | Transformer Decoder | |
| dc.subject | indirect Tire Pressure Monitoring Systems | |
| dc.subject | Sistemas automotivos | |
| dc.subject | Geração de dados sintéticos | |
| dc.subject | Sistemas de monitorização indireta de pressão dos pneus | |
| dc.title | Generation of Tire Monitoring Data: A Deep Learning Approach | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia Electrotécnica e de Computadores |