Identificación de fallas en bujías por desgaste de electrodos en automóviles a través de la extracción de características de audios y clasificación k-nn y svm.

Abstract

La falta de prevención por parte de los conductores lleva a revisar sus vehículos cuando presentan alguna falla que evita que el automóvil funcione. Algunas de estas fallas se presentan por falta de mantenimiento, desconocimiento o por descuido del propietario, así como elementos naturales tales como polvo y agua. Una de las fallas que se presenta es el desgaste de electrodos en bujías. En este trabajo se desarrolló una técnica no invasiva que detecta y clasifica puntualmente las fallas por desgaste de electrodos en bujías de automóviles para prevenir daños más graves, y un mayor consumo de combustible. Al ser una técnica no invasiva se reduce el tiempo en el que el automóvil se encuentra en mantenimiento. El proyecto se desarrolló en tres etapas. En la primera se realizó la grabación de las señales acústicas provenientes de dos motores de automóviles (Honda Civic y Seat Ibiza) con desgaste en los electrodos de las bujías. Dichas grabaciones se sometieron a un análisis en donde se etiquetaron con el fin de tener tres clasificaciones posibles: ninguna falla, 1 falla y 2 fallas. En la segunda etapa se realizó un pre-procesamiento en la que se acortaron en duración las grabaciones, se obtuvieron los espectrogramas y se extrajeron tanto las características MFCC (Mel Frequency Cepstral Coefficients) como las características estadísticas de primer y segundo grado (Media, Mediana, Moda, desviación estándar, varianza, percentiles, etc) de las señales acústicas, para construir dos bases de datos. La detección de fallas se llevó a cabo mediante los clasificadores K-NN (K Nearest Neighbour) y SVM (Support Vector Machine). Las bases de datos se subdividieron en dos subconjuntos con el fin de entrenar y validar los modelos de clasificación. En la tercera etapa se utilizó el escáner ELM327 para determinar el consumo de combustible en cada una de las pruebas realizadas a los dos automóviles. La clasificación utilizando las características de los espectrogramas produjeron una eficiencia del 100% en el entrenamiento y un 53% en la validación del modelo en el mejor de los casos. Cuando se utilizaron las características estadísticas y MFCC la eficiencia en el entrenamiento bajo al 95% y subió hasta el 100% en la validación. De acuerdo a los registros obtenidos del consumo de combustible se tiene que con la presencia de una bujía con electrodos desgastados el consumo incrementa un 2%, mientras que con la presencia de dos bujías con electrodos desgastados el consumo incrementa hasta un 8%. El uso de MFCC y características estadísticas incrementa la eficiencia de la clasificación de las señales acústicas.