Propuesta técnica de un sistema para el diagnóstico predictivo de un motor diésel en base a gases de escape

Abstract

Este estudio se centra en el uso del aprendizaje autónomo para el mantenimiento predictivo de vehículos diésel, desarrollando un sistema de diagnóstico predictivo basado en la detección de fallas mediante el análisis de emisiones de gases. La metodología incluye un análisis detallado de los gases de escape de un vehículo diésel, de los componentes que intervienen en la formación de los gases, en las pruebas experimentales realizadas para obtener los datos necesarios para el estudio y el procesamiento de datos por medio del aprendizaje autónomo en el software MATLAB. Los resultados enfatizan la relevancia de gases específicos (NOx, CO, CO2, O2) en el diagnóstico de fallos y en la eficiencia de la combustión, también se destaca la influencia directa de componentes como inyectores, válvula dosificadora y sensor MAF en las emisiones. El estudio revela variaciones en el porcentaje de precisión utilizando diferentes modelos de aprendizaje autónomo, resaltando la importancia de extensas bases de datos para la validación en contextos reales y el uso de las variables estadísticas. Se destaca la eficiencia y precisión de ciertos modelos, identificando áreas de mejora en la detección de fallos específicos.