Maquina para detectar fallos coche

escáner de coche

ResumenLos fallos que se producen en los sensores de los vehículos tienen el potencial de propagarse sin control por los sistemas de control si no se detectan. Los algoritmos de diagnóstico automático de fallos y de supervisión de la salud serán necesarios a medida que las aplicaciones de automoción sean más autónomas. Los sistemas actuales de diagnóstico de fallos no son eficaces para sistemas complejos como los coches autónomos, en los que es muy posible que se produzcan fallos simultáneos en diferentes sensores. Por ello, este trabajo propone una novedosa arquitectura de detección, aislamiento e identificación de fallos en sistemas multisensor con una carga computacional eficiente para su implementación en tiempo real. Se utilizan técnicas de Support Vector Machine para detectar e identificar fallos en los sensores de los sistemas de control de vehículos autónomos. Además, para identificar la degradación del rendimiento de un sensor y predecir el momento en que se producirá un fallo, se propone un novedoso algoritmo predictivo. La eficacia y precisión de la arquitectura en la detección e identificación de múltiples fallos, así como la precisión del algoritmo predictivo de detección de fallos propuesto, se verifican mediante una plataforma de co-simulación MATLAB/IPG CarMaker. Los resultados presentan precisiones de detección e identificación del 94,94% y 97,01%, respectivamente, así como una precisión de predicción del 75,35%.

precio de la máquina detectora de fallos para coches

El objetivo principal de la investigación sobre conducción autónoma es mejorar la precisión y la fiabilidad de la conducción. Aunque se han hecho grandes progresos, los algoritmos de última generación siguen fallando a veces y algunos de estos fallos se deben a las averías de los sensores. Estos fallos pueden tener consecuencias fatales. Por eso es importante que los coches automatizados prevean los problemas lo antes posible. Mediante el uso de datos del mundo real y la inyección artificial de diferentes tipos de fallos en los sensores a las señales sanas, se pueden entrenar modelos de datos utilizando técnicas de aprendizaje automático. Este trabajo propone una novedosa arquitectura de detección, aislamiento, identificación y predicción de fallos (basada en la detección) para sistemas multisensoriales, como los vehículos autónomos.Nuestra plataforma de detección, identificación y aislamiento utiliza dos arquitecturas de redes neuronales profundas distintas y eficientes, obteniendo un rendimiento muy impresionante. Utilizando los resultados del sistema de detección de fallos de los sensores, introducimos nuestra medida de índice de salud y la utilizamos para entrenar la red de predicción de índice de salud.

->  Bmw 318 ci e46 ficha tecnica

escáner obd

Los mecánicos experimentados suelen ser capaces de identificar fallos muy específicos en el coche, sólo a partir de los sonidos de un motor en ralentí. Esencialmente, están sintonizados con los sonidos básicos de las máquinas bien mantenidas, y los sonidos anormales entre esos sonidos son identificables por el oído. La práctica de identificar averías mediante sonidos o vibraciones es bastante común. El sonómetro para automóviles es un elemento básico en la caja de herramientas de los mecánicos, y cuando no se dispone de él, se utilizan destornilladores planos largos con un efecto similar. Basándose en este principio de identificación de sonidos específicos, el Centro de I+D de Hyundai y Kia Motors en Namyang ha perfeccionado prácticamente un sistema de detección y diagnóstico de averías basado en la IA. Se están dando los últimos toques al sistema de IA y se planea desplegarlo en la primera línea de servicio de los automóviles. Analicemos las ideas centrales del sistema y lo que ha permitido su desarrollo.

->  Ford mondeo tdci 140cv problemas

Los sonidos pueden tener propiedades e identificadores distintos. Las longitudes de onda y las amplitudes son propiedades del sonido que pueden identificarse objetivamente. Por ejemplo, se sabe que los animales producen firmas de longitud de onda más complejas que los humanos. Los automóviles pueden producir sonidos aún más complejos. Los automóviles son máquinas complejas con componentes que trabajan juntos, produciendo diversos sonidos, muchos de ellos simultáneamente. Considere el zumbido coral de la cadena cinemática como una combinación de piezas. Los fallos, incluso en los componentes más pequeños, pueden provocar una disonancia. ¿Puede una persona experta escuchar ese sonido y diagnosticar qué componente es el que falla? Es un reto difícil incluso para los mecánicos más expertos. Los sonidos que oímos en la sala de máquinas o en la cadena cinemática son mucho más variados y complejos, más matizados que los sonidos comprensibles para el oído humano, o incluso para los animales. ¿Puede la inteligencia artificial diagnosticar? El Laboratorio de Investigación de NVH del motor del Centro de I+D de Hyundai y Kia Motors en Namyang ha desarrollado una nueva tecnología que permite un aprendizaje exhaustivo de los sonidos del automóvil por parte de la IA, lo que le permite identificar los componentes defectuosos.

->  Como medir con micrometro

escáner de diagnóstico de coches

pcaAnálisis de componentes principales de datos brutosapcaresResiduos del análisis de componentes principalessequentialfsSelección de características secuenciales mediante un criterio personalizadofscncaSelección de características mediante el análisis de componentes de vecindad

clasificadoresfitcknnAjuste del clasificador k-próximo más cercanofitclinealAjuste del clasificador lineal binario a datos de alta dimensiónfitcnbEntrenamiento del modelo Bayes ingenuo multiclaseelfitctreeAjuste del árbol de decisión binario para la clasificación multiclasefitckernelAjuste del clasificador kernel gaussiano binario utilizando características aleatorias

nlarxEstimar los parámetros de los modelos ARX no linealessestEstimar el modelo de espacio de estados utilizando datos en el dominio del tiempo o de la frecuenciaarxEstimar los parámetros del modelo ARX, ARIX, AR o ARIarmaxEstimar los parámetros del modelo ARMAX, ARIMAX, ARMA o ARIMA utilizando el dominio del tiempo

findchangeptsEncuentra cambios abruptos en el signoalfindpeaksEncuentra el máximo localapdistDistancia entre pares de observacionespdist2Distancia entre dos conjuntos de observacionesmahalDistancia de Mahalanobis a las muestras de referenciaessegmentDatos de segmentos y estimación de modelos para cada segmento

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad