Estimación de emisiones por fallos en motores Otto mediante redes neuronales convolucionales
Barra lateral del artículo
Contenido principal del artículo
Resumen
En este estudio se implementa una técnica de aprendizaje automático, concretamente redes neuronales convolucionales (CNN, por sus siglas en inglés), con el objetivo de predecir las emisiones contaminantes producidas por fallos en actuadores y componentes de motores Otto. Así pues, el problema de investigación abordado en este trabajo es la ausencia de métodos no intrusivos que, a partir de señales ya disponibles en el vehículo, permitan estimar con alta precisión las emisiones asociadas a fallas en sistemas de inyección, encendido y admisión de aire. Se cuantifican los niveles de CO (monóxido de carbono, %), CO2 (dióxido de carbono, %), HC (hidrocarburos no quemados en ppm) y O2 (oxígeno, %) a partir del análisis de la señal proveniente del sensor MAP (Manifold Absolute Pressure). Para ello, se adopta un protocolo riguroso de muestreo y procesamiento de la señal. La extracción de características óptimas del sensor MAP se basa en su relevancia informativa y capacidad de discriminación, determinadas mediante la transformación espectrográfica de la señal, lo que permite construir una base de datos robusta. Esta base sirve como entrada eficaz para el entrenamiento de la CNN, con la cual se logra un error de predicción inferior al 1 %.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La Universidad Politécnica Salesiana de Ecuador conserva los derechos patrimoniales (copyright) de las obras publicadas y favorecerá la reutilización de las mismas. Las obras se publican en la edición electrónica de la revista bajo una licencia Creative Commons Reconocimiento / No Comercial-Sin Obra Derivada 4.0 Ecuador: se pueden copiar, usar, difundir, transmitir y exponer públicamente.
El autor/es abajo firmante transfiere parcialmente los derechos de propiedad (copyright) del presente trabajo a la Universidad Politécnica Salesiana del Ecuador, para las ediciones impresas.
Se declara además haber respetado los principios éticos de investigación y estar libre de cualquier conflicto de intereses.
El autor/es certifican que este trabajo no ha sido publicado, ni está en vías de consideración para su publicación en ninguna otra revista u obra editorial.
El autor/es se responsabilizan de su contenido y de haber contribuido a la concepción, diseño y realización del trabajo, análisis e interpretación de datos, y de haber participado en la redacción del texto y sus revisiones, así como en la aprobación de la versión que finalmente se remite en adjunto.
Referencias
[1] W. R. Contreras Urgilés, R. S. León Japa, and J. L. Maldonado Ortega, “Predicción de emisiones de CO y HC en motores Otto mediante redes neuronales,” Ingenius, no. 23, pp. 30–39, Dec. 2019. [Online]. Available: https://doi.org/10.17163/ings.n23.2020.03
[2] F. Narváez, F. E. Sierra Vargas, and M. A. Montenegro Mier, “Modelo basado en redes neuronales para predecir las emisiones en un motor diésel que opera con mezclas de biodiésel de higuerilla,” Informador Técnico, vol. 76, p. 46, Dec. 2012. [Online]. Available: https://doi.org/10.23850/22565035.28
[3] R. S. Chauhan and N. Shrivastava, “Neuro fuzzy-grey wolf optimization-based modelling and analysis of diesel engine using tire oil with different proportions of 2-EHN,” Fuel, vol. 384, p. 133849, Mar. 2025. [Online]. Available: https://doi.org/10.1016/j.fuel.2024.133849
[4] F. Sapio, F. Aglietti, P. Ferreri, and A. Savuca, “Neural-network-based modeling of SCR systems for emission simulation: A comprehensive approach,” SAE International Journal of Advances and Current Practices in Mobility, vol. 07, no. 3, pp. 1437–1452, Sep. 2024. [Online]. Available: https://doi.org/10.4271/2024-24-0042
[5] H. H. Imtiaz, P. Schaffer, Y. Liu, P. Hesse, A. Bergmann, and M. Kupper, “Qualitative and quantitative analyses of automotive exhaust plumes for remote emission sensing application using gas schlieren imaging sensor system,” Atmosphere, vol. 15, no. 9, p. 1023, Aug. 2024. [Online]. Available: https://doi.org/10.3390/atmos15091023
[6] W. Torres Guin, J. Sánchez Aquino, S. Bustos Gaibor, and M. Coronel Suárez, “Arquitectura de IoT para el monitoreo de emisiones de gases contaminantes de vehículos y su validación a través de machine learning,” Ingenius, no. 32, pp. 9–17, Oct. 2024. [Online]. Available: https://doi.org/10.17163/ings.n32.2024.01
[7] R. S. Jawad and H. Abid, “HVDC fault detection and classification with artificial neural network based on ACO-DWT method,” Energies, vol. 16, no. 3, p. 1064, Jan. 2023. [Online]. Available: https://doi.org/10.3390/en16031064
[8] F. Ricci, M. Avana, and F. Mariani, “Enhancing lambda measurement in hydrogen-fueled SI engines through virtual sensor implementation,” Energies, vol. 17, no. 16, p. 3932, Aug. 2024. [Online]. Available: https://doi.org/10.3390/en17163932
[9] D. Tian, Q. Li, F. Liu, J. Khan, M. Q. Abbas, and Z. Du, “VOC data-driven evaluation of vehicle cabin odor: from ANN to CNN-BiLSTM,” Environmental Science and Pollution Research, vol. 31, no. 22, pp. 32 826–32 841, Apr. 2024. [Online]. Available: https://doi.org/10.1007/s11356-024-33293-y
[10] I. Cesur and F. Uysal, “Experimental investigation and artificial neural network-based modelling of thermal barrier engine performance and exhaust emissions for methanol-gasoline blends,” Energy, vol. 291, p. 130393, Mar. 2024. [Online]. Available: https://doi.org/10.1016/j.energy.2024.130393
[11] A. K and P. Rithishbrahma, “Prediction of vehicle carbon emission using machine learning,” in 2024 5th International Conference on Electronics and Sustainable Communication Systems (ICESC). IEEE, Aug. 2024, pp. 1814–1818. [Online]. Available: https://doi.org/10.1109/ICESC60852.2024.10690134
[12] M. A. Rahim, M. M. Rahman, M. S. Islam, A. J. M. Muzahid, M. A. Rahman, and D. Ramasamy, “Deep learning-based vehicular engine health monitoring system utilising a hybrid convolutional neural network/bidirectional gated recurrent unit,” Expert Systems with Applications, vol. 257, p. 125080, Dec. 2024. [Online]. Available: https://doi.org/10.1016/j.eswa.2024.125080
[13] H. Sun and P. Chen, “Application of neural networks in automotive engine misfire,” in 2024 IEEE 4th International Conference on Electronic Communications, Internet of Things and Big Data (ICEIB). IEEE, Apr. 2024, pp. 261–264. [Online]. Available: https://doi.org/10.1109/ICEIB61477.2024.10602668
[14] M. Abboush, D. Bamal, C. Knieke, and A. Rausch, “Intelligent fault detection and classification based on hybrid deep learning methods for hardware-in-the-loop test of automotive software systems,” Sensors, vol. 22, no. 11, p. 4066, May 2022. [Online]. Available: https://doi.org/10.3390/s22114066
[15] S.-C. Lin, S.-F. Su, and Y. Huang, “A time-frequency signal-based convolutional neural network algorithm for fault diagnosis of gasoline engine fuel control system,” in 2019 International Conference on System Science and Engineering (ICSSE). IEEE, Jul. 2019, pp. 81–87. [Online]. Available: https://doi.org/10.1109/ICSSE.2019.8823285
[16] A. Maged and M. Nour, “Prediction of combustion pressure with deep learning using flame images,” Fuel, vol. 380, p. 133203, Jan. 2025. [Online]. Available: https://doi.org/10.1016/j.fuel.2024.133203
[17] Z. Li, Z. Qin, W. Luo, and X. Ling, “Gasoline engine misfire fault diagnosis method based on improved YOLOv8,” Electronics, vol. 13, no. 14, p. 2688, Jul. 2024. [Online]. Available: https://doi.org/10.3390/electronics13142688
[18] Y. Liu, J. Kang, L. Wen, Y. Bai, and C. Guo, “Health status assessment of diesel engine valve clearance based on BFA-BOAVMD adaptive noise reduction and multichannel information fusion,” Sensors, vol. 22, no. 21, p. 8129, Oct. 2022. [Online]. Available: https://doi.org/10.3390/s22218129
[19] W. R. Contreras Urgilés, J. Maldonado Ortega, and R. León Japa, “Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado,” Ingenius, no. 21, pp. 32–40, Dec. 2018. [Online]. Available: https://doi.org/10.17163/ings.n21.2019.03
[20] MathWorks. (2025) Redes neuronales convolucionales. The MathWorks, Inc. [Online]. Available: https://upsalesiana.ec/ing35ar7r20