Resumen
La creciente demanda por un transporte sostenible y las regulaciones cada vez más estrictas sobre emisiones han puesto a la industria automotriz bajo presión para adoptar soluciones innovadoras. Los motores de combustión interna (MCIA) siguen siendo predominantes gracias a su infraestructura establecida, su bajo costo y mayor autonomía en comparación con otro tipo de vehículos, pero enfrentan grandes retos a la hora de reducir emisiones contaminantes como el CO2 y los NOx. Al mismo tiempo, la disponibilidad de información procedente de nuevos sensores y a través de conexiones IoT, I2V y V2V, así como el desarrollo de nuevas arquitecturas de hardware, está facilitando la introducción de nuevas tecnologías. Mejorar la eficiencia y el rendimiento medioambiental de los MCIA es crucial como parte de la transición hacia una movilidad sostenible.
Esta tesis propone el uso de metodologías basadas en datos, enfocándose en técnicas de aprendizaje automático (ML, por sus siglas en inglés), para desarrollar modelos orientados al control y sistemas de diagnóstico para los MCIA. El presente trabajo incluyó un extenso análisis de datos provenientes de varios sensores del motor, particularmente las señales de presión dentro del cilindro y del sensor de knock, con el objetivo de identificar características predominantes del proceso de combustión. Se utilizaron técnicas como la descomposición de valores singulares (SVD) para la extracción de dichas características. Se aplicaron redes neuronales artificiales (ANN) y máquinas de aprendizaje extremo (ELM) para modelar parámetros que permitan describir el proceso de combustión y poder predecir el comportamiento del motor. Además, se aplicaron técnicas de ML supervisadas y no supervisadas para detectar anomalías como la detonación (knock) y la falla de encendido.
Los resultados obtenidos a lo largo de este estudio demuestran el potencial de las técnicas basadas en datos para mejorar significativamente la predicción de la combustión y la detección de fallos en los MCIA. La capacidad de predecir y diagnosticar dinámicamente los eventos de combustión abre oportunidades para optimizar el rendimiento del motor, mejorar la eficiencia, reducir las emisiones y prolongar su vida útil. Las técnicas de aprendizaje automático propuestas mostraron una gran adaptabilidad a la hora de estimar los parámetros de combustión y precisión en la identificación de fallos en diferentes condiciones de funcionamiento del motor, superando la dependencia de los métodos tradicionales caracterizados por esfuerzos de calibración que requieren mucho tiempo y sesgos cuando se enfrentan a fenómenos complejos. Al integrar estos métodos en los futuros sistemas de gestión de motores, la industria automovilística podrá beneficiarse de diagnósticos más sensibles y adaptables, lo que garantizará que la tecnología ICE siga siendo relevante y sostenible en el cambiante panorama del transporte.
