Santos, Veríssimo Manuel Brandão LimaMELO, BRUNO OLIVEIRA2025-06-232025-06-232025-02-14http://hdl.handle.net/10400.22/30185The process of accurately monitoring tire pressure in a vehicle is crucial for safety, tire longevity, and fuel efficiency, is present in modern cars due to regulatory changes. Indirect Tire Pressure Monitoring System (iTPMS), one of the systems that monitors tire pressure, is used by accessing already existent sensor data in the vehicle to determine if there is a Tire Pressure Loss (TPL). Despite it being cost-effective and easier to integrate and maintain, it relies on data acquired in a controlled environment to fine-tune the final production vehicle Tire Pressure Monitoring System (TPMS). This work explores the generation of synthetic data for these tests using Artificial Intelligence (AI) techniques, specifically focusing on Machine Learning (ML) models to simulate realistic sensor data to be used for iTPMS development and therefore increase testing capabilities while significantly reducing costs involved in current development, providing a scalable solution for dataset expansion. The generation process utilizes regression techniques to model complex relations between different vehicle parameters and sensors, including data preprocessing, model training, and a validation phase, ensuring fidelity to real-world scenarios. Additionally, a Graphical User Interface (GUI) solution is provided, bridging the gap between the ease of use, and users without technical knowledge of ML solutions, providing easy-to-read interfaces and straightforward variable entry for synthetic data generation. Both the models and GUI solution are created using MATLAB.O processo de sistema de monitorização da pressão dos pneus de um veículo é crucial para a segurança, longevidade dos pneus e eficiência de combustível, estando presente nos carros modernos devido a alterações legais. O sistema indireto de monitorização de pressão de pneus, um dos sistemas existentes, é utilizado ao aceder a dados de sensores já existentes no veículo para determinar se existe um deflação de um ou mais pneus. Apesar de ser económico e fácil de integrar e manter, este sistema depende de dados adquiridos num ambiente controlado para ajustar o sistema de monitorização de pneus do veículo na produção final. Este trabalho explora a geração de dados sintéticos para estes testes usando técnicas de Inteligência Artificial (IA), focando-se especificamente em modelos de ML para simular dados de sensores realistas a serem utilizados no desenvolvimento, aumentando assim as capacidades de teste, enquanto reduzindo significativamente os custos envolvidos no desenvolvimento atual, proporcionando uma solução escalável para a expansão do conjunto de dados. O processo de geração utiliza técnicas de regressão para modelar relações complexas entre diferentes parâmetros do veículo e sensores, incluindo pré-processamento de dados, treino de modelos e uma fase de validação, garantindo fidelidade aos cenários do mundo real. Adicionalmente, é fornecida uma solução de interface gráfica, fazendo a ponte entre a facilidade de uso e os utilizadores sem conhecimentos técnicos em soluções de ML, oferecendo interfaces de fácil leitura e inserção direta de variáveis para a geração de dados sintéticos. Tanto os modelos como a solução de interface gráfica são criados usando o MATLAB.engAIiTPMSSynthetic DataGenerative ModelsMATLABGUIIADados sintéticosModelos generativosInterface gráficamaster thesis203955501