Resumen

Tradicionalmente, los mapas de rendimiento y las emisiones de un motor diésel se obtienen empíricamente a través de muchas pruebas en los dinamómetros porque no existe un modelo matemático exacto del motor. En la literatura actual, se han desarrollado muchos enfoques basados en redes neuronales artificiales (RNA) para la modelización de motores diésel. Sin embargo, los inconvenientes de las RNA dificultarían su aplicación práctica, como la existencia de múltiples mínimos locales, la carga que supone para el usuario la selección de la estructura óptima de la red, el gran tamaño de los datos de entrenamiento y el riesgo de sobreajuste. Para superar estos inconvenientes, este artículo propone aplicar una técnica emergente, la máquina vectorial de relevancia (RVM), para modelar el motor diesel y predecir las emisiones y el rendimiento del motor. Con RVM, sólo unos pocos conjuntos de datos experimentales pueden entrenar el modelo debido a la propiedad de solución óptima global. En este estudio, la velocidad del motor, la carga y la temperatura del refrigerante se utilizan como parámetros de entrada, mientras que la eficiencia térmica del freno, el consumo de combustible específico del freno, las concentraciones de óxidos de nitrógeno y partículas se utilizan como parámetros de salida. Los resultados experimentales muestran que la precisión del modelo es bastante buena incluso cuando los datos de entrenamiento son escasos. Además, la precisión del modelo se compara con la de una RNA típica. Los resultados de la evaluación también muestran que el RVM es superior al enfoque RNA típico.

• Materias:Automatización Control del proceso Sistemas no lineales Modelo lineal Regulación automática Diagnóstico de fallos
• Subjects:Automation Nonlinear systems Linear model Automatic regulation Fault diagnosis
• Palabras claves:rvm, motor diésel, precisión del modelo, modelo matemático exacto del motor, pocos conjuntos de datos experimentales, gran tamaño de los datos de entrenamiento, modelado del motor diésel, solución óptima global, múltiples mínimos locales, estructura óptima de la red.
• Keywords:rvm, diesel engine, model accuracy, exact mathematical engine model, few experimental data sets, large training data size, diesel engine modelling, global optimal solution, multiple local minima, optimal network structure