Empleo de algoritmos de Machine Learning para la detección de fallos en el sistema de encendido y admisión de aire en un motor Otto

Abstract

En la presente investigación se aplicaron algoritmos y modelos de Machine Learning dentro de Matlab, con el objetivo de clasificar 4 estados diferentes del funcionamiento del motor: en óptimas condiciones, con una bujía defectuosa, con un filtro de aire obstruido y con la aplicación de ambos fallos a la vez. Para ello, se recopilaron los datos de voltaje del sensor MAP de un motor Otto YESA 3133 haciendo uso de una tarjeta NI-USB 6009 y el software Labview. Posteriormente se extrajeron las características de cada una de las señales del sensor MAP que correspondían a 720° de giro del cigüeñal, de las cuales se extrajeron las más importantes que indicaron los análisis ANOVA, análisis de correlación y random forest. Las características elegidas, fueron entrenadas mediante algoritmos de redes neuronales artificiales (RNA) y máquinas de soporte vectorial (SVM), realizando varias modificaciones para optimizar sus parámetros; adicionalmente se hizo uso del toolbox “Classification Learner” de Matlab para analizar varios modelos de Machine Learning adicionales, destinados a la clasificación de datos. Dicho proceso se realizó para los datos del MAP en bruto y para los datos luego de pasar por un filtro Butterworth paso bajo. Los resultados de la investigación indicaron que la RNA es la más adecuada para utilizarse debido a que tiene una mejor precisión, la cual, luego de varias configuraciones de entrenamiento alcanzó una precisión del 96.05% sin mostrar síntomas de sobreajuste, además que tuvo un menor tiempo de entrenamiento con relación a los demás modelos de Machine Learning. Adicionalmente, la investigación demostró que cuando se tienen más características para su entrenamiento, la precisión de la RNA aumenta pasando de un 93.97% a un 95.53%.