Resumen

En muchos sectores, incluido el de la automoción, el mantenimiento predictivo es cada vez más importante. Es difícil diagnosticar fallos con antelación en la industria del automóvil debido a la limitada disponibilidad de sensores y a algunos de los esfuerzos de diseño. Sin embargo, con el gran desarrollo de la industria del automóvil, hoy en día parece factible analizar los datos de los sensores junto con técnicas de aprendizaje automático para la predicción de fallos. En este artículo, se presenta un enfoque para la predicción de fallos de cuatro subsistemas principales del vehículo, el sistema de combustible, el sistema de encendido, el sistema de escape y el sistema de refrigeración. Los sensores se recogen cuando el vehículo está en movimiento, tanto en condiciones de fallo (cuando se ha producido algún fallo en un sistema específico) como en condiciones normales. Los datos se transmiten al servidor, que los analiza. Se aprenden patrones interesantes utilizando cuatro clasificadores: árbol de decisión, máquina de vectores de apoyo, K vecino más cercano y bosque aleatorio. Estos patrones se utilizan posteriormente para detectar futuros fallos en otros vehículos que muestren un comportamiento similar. El enfoque se produce con el objetivo final de ampliar el tiempo de actividad del vehículo y se demostró en 70 vehículos del tipo Toyota Corolla. La comparación de la precisión de todos los clasificadores se realiza a partir de las curvas Receiver Operating Characteristics (ROC).

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:datos, vehículo, k vecino más próximo, características operativas del receptor, máquina de vectores soporte, tipo toyota corolla, industria de vehículos de automoción, enfoque, clasificadores, fallo
• Keywords:data, vehicle, k nearest neighbor, receiver operating characteristics, support vector machine, toyota corolla type, automotive vehicle industry, approach, classifiers, failure