Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado

Abstract

En la presente investigación se explica la metodología para la creación de un sistema de diagnóstico aplicado a la detección de fallas mecánicas en vehículos con motores a gasolina mediante redes neuronales artificiales, el sistema se basa en el estudio de la fase de admisión del ciclo Otto, el cual es registrado a través de la implementación física de un sensor MAP (Manifold Absolute Pressure). Se emplea un estricto protocolo de muestreo y su correspondiente análisis estadístico. Los valores estadísticos de la señal del sensor MAP: área, energía, entropía, máximo, media, mínimo, potencia y RMS se seleccionaron en función al mayor aporte de información y diferencia significativa. Los datos se obtuvieron con la aplicación de 3 métodos estadísticos (ANOVA, matriz de correlación y Random Forest) para tener una base de datos que permita el entrenamiento de una red neuronal feed-forward backpropagation, con la cual se obtiene un error de clasificación de 1.89e-11. La validación del sistema de diagnóstico se llevó a cabo mediante la provocación de fallas supervisadas en diferentes motores de encendido provocado.

Predicción de emisiones de CO y HC en motores Otto mediante redes neuronales

“…Las muestras de presión y emisiones contaminantes se adquieren en ralentí aproximadamente a 850 rpm con un rango de temperatura del motor de entre 92 y 99°C, carga del motor de 35 % y se utiliza el escáner automotor para corroborarlas. Sobre la base de un estudio preexperimental realizado en la investigación se determinó que la señal del sensor MAP posee picos de mayor frecuencia, de tal manera que se realiza la toma de muestras a una velocidad de 10 KHz en un tiempo de 5 segundos para cada una de las señales, dicha velocidad supera el criterio de Nyquist (1.416 KHz) [11].…”

“…El proceso de obtención de datos se inicia con la revisión del motor en correcto funcionamiento o falla supervisada, posterior a ello se procede a inspeccionar la conexión de los sensores. Si la conexión es correcta, se graba la señal con el software Labview y se registra en un archivo de Excel, de lo contrario, se procede a verificar la conexión de los sensores [11]. Para registrar las señales se aplica el procedimiento antes descrito tanto para el caso de motor en buen funcionamiento como para el motor con falla supervisada, Figura 4 (a); 4 (b) [11].…”

“…Si la conexión es correcta, se graba la señal con el software Labview y se registra en un archivo de Excel, de lo contrario, se procede a verificar la conexión de los sensores [11]. Para registrar las señales se aplica el procedimiento antes descrito tanto para el caso de motor en buen funcionamiento como para el motor con falla supervisada, Figura 4 (a); 4 (b) [11]. El proceso de adquisición de datos se realiza 20 veces para cada una de las condiciones del motor.…”

“…Se realiza un corte completo en la señal del sensor MAP que corresponde a un ciclo del motor (720°±180°), tomando en cuenta el reglaje de distribución de adelanto a la apertura de admisión (AAA) y retraso de cierre de admisión (RCA), correspondiente a cada uno de los cilindros [11]. Se desarrolla un ventaneo de la señal del sensor tipo MAP para cada cilindro, la cual se observa en la Figura 5.…”

“…Las estrategias de predicción de concentraciones de gases son variadas en la actualidad. León y Piña [10] presentan un modelo de predicción de emisiones (NO x , CO, CO 2 , HC y O 2 ) aplicado en vehículos a gasolina, con la utilización de redes neuronales (ANN), las variables de entrada en la red neuronal son PME (presión media efectiva), rpm, carga y MAP, también el modelo predice la carga del motor, asimismo Contreras et al [11] han propuesto un sistema de diagnóstico que puede detectar fallos mecánicos en motores de encendido por ignición de ciclo Otto, mediante redes neuronales (RNA), el sistema se sustenta en la utilización de las señales de los sensores MAP y CMP, y tiene un error de clasificación de 1.89e −11 .…”