Aplicación de una Red Neuronal Feed-forward Backpropagation para el Diagnóstico de Fallas Mecánicas en Motores de Encendido Provocado

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 feedforward 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.