Resumen

Los patrones de encendido del motor pueden analizarse para identificar el fallo del motor en función tanto del conocimiento previo específico del dominio como de las características de forma de los patrones. Uno de los retos del diagnóstico del sistema de encendido es que puede aparecer más de un fallo a la vez. Este tipo de problema se refiere al diagnóstico de fallos simultáneos. Otro reto es la adquisición de una gran cantidad de costosos patrones de encendido de fallos simultáneos para construir el sistema de diagnóstico, ya que el número de patrones de entrenamiento depende de la combinación de diferentes fallos individuales. Los problemas anteriores podrían resolverse mediante el marco propuesto que combina la extracción de características, la clasificación probabilística y la optimización del umbral de decisión. Con el marco propuesto, se extraen las características de los fallos individuales en un patrón de fallos simultáneos y se detectan utilizando un nuevo clasificador probabilístico, a saber, la máquina de vectores de relevancia de acoplamiento por pares, que se entrena únicamente con patrones de fallos individuales. Por lo tanto, no es necesario el conjunto de datos de entrenamiento de patrones de fallos simultáneos. Los resultados experimentales muestran que el marco propuesto funciona bien tanto para el diagnóstico de fallos únicos como de fallos simultáneos y es superior al enfoque existente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:marco de trabajo, patrones de fallo, conocimiento previo específico del dominio, patrones de encendido del motor, optimización del umbral de decisión, diferentes fallos individuales, patrones de encendido de fallos, diagnóstico del sistema de encendido, nuevo clasificador probabilístico, máquina de vectores de relevancia
• Keywords:framework, fault patterns, specific prior domain knowledge, engine ignition patterns, decision threshold optimization, different single faults, fault ignition patterns, ignition system diagnosis, new probabilistic classifier, relevance vector machine