Article
Predicción de emisiones de CO y HC en motores Otto mediante redes neuronales
Fecha
2020-01Autor
León Japa, Rogelio Santiago
Maldonado Ortega, José Luis
Contreras Urgilés, Wilmer Rafael
Institución
Resumen
En el presente trabajo se explica la aplicación de RNA
(redes neuronales artificiales) para la predicción de
emisiones contaminantes generadas por fallas mecánicas
en motores de encendido provocado, de la cual se
puede cuantificar el porcentaje de CO (% monóxido
de carbono) y el particulado por millón HC (ppm
hidrocarburos sin quemar), a través del estudio de la
fase de admisión del ciclo Otto, la cual es registrada
por medio de la implementación física de un sensor
MAP (Manifold Absolute Pressure). Se aplica un riguroso
protocolo de muestreo y consecuente análisis
estadístico. La selección y reducción de atributos de
la señal del sensor MAP se realiza en función del
mayor aporte de información y diferencia significativa
con la aplicación de tres métodos estadísticos
(ANOVA, matriz de correlación y Random Forest),
de la cual se obtiene una base de datos que permite el
entrenamiento de dos redes neuronales feed-forward
backpropagation, con las cuales se obtiene un error
de clasificación de 5.4061e−9 y de 9.7587e−5 para la
red neuronal de CO y HC respectivamente.//This paper explains the application of RNA (artificial
neural networks) for the prediction of pollutant
emissions generated by mechanical failures in ignition
engines, from which the percentage of CO (% carbon
monoxide) and the particulate can be quantified. per
million HC (ppm unburned hydrocarbons), through
the study of the Otto cycle admission phase, which
is recorded through the physical implementation of
a MAP sensor (Manifold Absolute Pressure). A rigorous
sampling protocol and consequent statistical
analysis is applied. The selection and reduction of
attributes of the MAP sensor signal is made based
on the greater contribution of information and significant
difference with the application of three statistical
methods (ANOVA, correlation matrix and Random
Forest), from which a base of data that allows the
training of two neural networks feed-forward backpropagation,
with which we obtain a classification
error of 5.4061e−09 and 9.7587e−05 for the neural
network of CO and HC respectively.