Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado
Barra lateral del artículo
Contenido principal del artículo
Resumen
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.
Detalles del artículo
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
[2] R. J. Howlett, “Condition monitoring and fault diagnosis in a domestic car engine using a neural network,” in IEE Colloquium on Artificial Intelligence in Consumer and Domestic Products (Digest No. 1996/212), Oct 1996, pp. 5/1–5/4. [Online]. Available: https://doi.org/10.1049/ic:19961142
[3] D. Antory, “Fault diagnosis application in an automotive diesel engine using auto-associative neural networks,” in International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’06), vol. 2, Nov 2005, pp. 109–116. [Online]. Available: https://doi.org/10.1109/CIMCA.2005.1631454
[4] D. Chen and P. Zhao, “Study of the fault diagnosis method based on rbf neural network,” in 2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC), Aug 2011, pp. 4350–4353. [Online]. Available: https://doi.org/10.1109/AIMSEC.2011.6010128
[5] Y. G. Wu, C. Z. Song, and L. P. Shi, “Notice of retraction fault diagnosis of engine mission using modified elman neural network,” in 2010 Sixth International Conference on Natural Computation, vol. 2, Aug 2010, pp. 996–998. [Online]. Available: https://doi.org/10.1109/ICNC.2010.5582900
[6] P. Lian, T. Y. Bin, N. Ning, and C. Aiping, “Application of fuzzy neural network in fault diagnosis of gasoline engine,” in 2009 9th International Conference on Electronic Measurement Instruments, Aug 2009, pp. 4–602–4–605. [Online]. Available: https://doi.org/10.1109/ICEMI.2009.5274658
[7] M. Shah, V. Gaikwad, S. Lokhande, and S. Borhade, “Fault identification for i.c. engines using artificial neural network,” in 2011 International Conference on Process Automation, Control and Computing, July 2011, pp. 1–6. [Online]. Available: https://doi.org/10.1109/PACC.2011.5978891
[8] Y. Cay, “Prediction of a gasoline engine performance with artificial neural network,” Fuel, vol. 111, pp. 324–331, 2013. [Online]. Available: https://doi.org/10.1016/j.fuel.2012.12.040
[9] Y. Çay, I. Korkmaz, A. ÇiÇek, and F. Kara, “Prediction of engine performance and exhaust emissions for gasoline and methanol using artificial neural network,” Energy, vol. 50, pp. 177–186, 2013. [Online]. Available: https://doi.org/10.1016/j.energy.2012.10.052
[10] R. F. Turkson, F. Yan, M. K. A. Ali, and J. Hu, “Artificial neural network applications in the calibration of spark-ignition engines: An overview,” Engineering Science and Technology, an International Journal, vol. 19, no. 3, pp. 1346–1359, 2016. [Online]. Available: https://doi.org/10.1016/j.jestch.2016.03.003
[11] B. D. de L. Ferreira, N. R. Araújo, R. F. Ligório, F. J. Pujatti, M. I. Yoshida, and R. C. Sebastião, “Comparative kinetic study of automotive polyurethane degradation in non-isothermal and isothermal conditions using artificial neural network,” Thermochimica Acta, vol. 666, pp. 116–123, 2018. [Online]. Available: https://doi.org/10.1016/j.tca.2018.06.014 [12] Minitab. (2018) Minitab software. [Online]. Available: https://goo.gl/NDoMTo
[13] Incibe-cert. (2015) Incibe-cert. [Online]. Available: https://goo.gl/5h7696
[14] Mathworks. (2018) Mathworks. [Online]. Available: https://goo.gl/GVhckj
[15] J. Calderón, B. Castillo, and J. Moreno, “Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento,” INGENIUS, vol. 20, pp. 21–27, 2018. [Online]. Available: https://doi.org/10.17163/ings.n20.2018.02.