Gestión del mantenimiento vehicular a base del aprendizaje autónomo en motores de tractores agrícolas

Abstract

El presente trabajo ha sido desarrollado con el objetivo de usar el Machine Learning como una herramienta de ayuda en la gestión del mantenimiento vehicular, por medio de las vibraciones captadas del motor de un tractor agrícola es posible conocer el estado real en el que este se encuentra, usando un algoritmo de clasificación proporcionado por MATLAB® esto se hace posible. El tipo de aprendizaje autónomo empleado es del tipo supervisado, es decir la intervención humana aquí es necesaria dentro de todo el proceso, inicialmente se caracterizó y etiqueto las muestras de datos para crear una tabla necesaria para la ejecución del entrenamiento del algoritmo de clasificación. En cuanto a la toma de datos, se optó por simular fallas dentro del sistema de alimentación de combustible del motor, al alterar dicho sistema hay anomalías dentro de la combustión de cada cilindro lo que ocasiona una falla fácilmente detectable por medio de las vibraciones captadas por un sensor. Para efectuar el entrenamiento del algoritmo de clasificación se ha usado 4 estados del motor, la etiqueta de BE pertenece a un estado óptimo de funcionamiento donde no se ha simulado ninguna falla, las etiquetas de ME, MEF1, MEF2, MEF3, pertenecen a las fallas simuladas las cuales tendrán valores distintos cada una. Los entrenamientos realizados dentro del algoritmo de clasificación poseen en todas las pruebas una eficiencia superior al 90%, esto quiere decir que esta alternativa tomada en cuenta es una opción viable capaz de ser usada dentro de la gestión del mantenimiento vehicular, siempre y cuando se contenga una biblioteca amplia de datos es posible predecir fallas en cuestión de minutos. La evolución dentro de la industria automotriz ha sido notoria dentro de los últimos años, de igual forma el mantenimiento vehicular necesita subir de nivel y cambiar los mantenimientos convencionales a uno basado en el estado real del automotor, en esta investigación se propone eso usando vibraciones como fuente de información, que por medio del Machine Learning sea posible predecir fallas y usar de mejor forma los recursos dentro del mantenimiento vehicular.