Predicción del comportamiento del sensor de Presión Absoluta del Múltiple de Admisión de un motor a combustión mediante redes neuronales artificiales

• Autor: Callasaca Quilca, Belisario
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23636
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23636
• Nivel de acceso: acceso abierto
• Materia: Modelo de predicción; OBDII; Python; Preprocesamiento de datos; Raspberry Pi; Redes neuronales artificiales; Sensor MAP.; https://purl.org/pe-repo/ocde/ford#2.02.01

El problema general aborda la predicción del comportamiento del sensor MAP, esencial para el control de gases de escape y la eficacia del motor, de esta manera se busca mejorar la confiabilidad de los motores a combustión interna y garantizar un control eficiente de las emisiones contaminantes, contribuyendo así al cumplimiento de las regulaciones ambientales y a la reducción del impacto ambiental negativo. El objetivo es desarrollar un modelo que prediga con precisión las acciones del sensor MAP, aumentará la confiabilidad operativa y ayudará a reducir la contaminación del aire. Según la hipótesis general que se formuló consideraba que el comportamiento del sensor MAP se puede pronosticar con la mínima cantidad de equivocaciones utilizando el modelo que se basa en la red neuronal Perceptrón Multicapa (MLP). Los resultados mostraron una gran exactitud en la predicción, respaldados por análisis estadísticos, avanzando en el conocimiento del diagnóstico de motores a combustión interna y en la aplicación práctica en la industria automotriz. El experimento consistió en el estudio del sistema de admisión y el sensor MAP, se instaló un sistema de recolección de información que se fundamenta en una Raspberry Pi que se conectara a la computadora del automóvil por el puerto OBDII, se extrajeron los datos de diferentes sensores del automóvil en diferentes condiciones de manejo obteniendo así un data confiable y robusta, por último, se evaluó las entradas hacia la red neuronal obteniendo así el valor deseado del sensor MAP.