Resumen

Debido a las complejas y diversas formas de detección de fallos en las emisiones de los automóviles y a los diversos factores de interferencia, es difícil determinar los tipos de fallos de forma eficaz y precisa con el modelo de diagnóstico tradicional. En este trabajo, se propone un método de diagnóstico de fallos de automóviles multicondición basado en un dinamómetro de chasis de vehículo. Se utilizó el método 3σ y la normalización de datos para pretratar los datos de los gases de cola. Se utilizó el método de control PID integral de velocidad variable BPNN-RNN (Back Propagation Neural Networks-Recurrent Neural Networks) para lograr un control de alta precisión del dinamómetro del chasis del vehículo. Se obtuvieron datos precisos de los gases de cola. Se verificaron y analizaron los resultados de la simulación y las pruebas del control PID integral de velocidad variable BPNN-RNN. El método de control PID puede ajustar rápidamente los parámetros PID (en 10 ciclos de control), controlar el exceso de velocidad dentro del 2% del valor objetivo, eliminar el error estático y mejorar el rendimiento del control del dinamómetro del chasis del vehículo. En combinación con la red BPNN (Back Propagation Neural Network) y la red SOM (Self-organizing Maps), se propone en este trabajo un modelo de diagnóstico de fallos BPNN-SOM. Comparando y analizando el rendimiento del diagnóstico de fallos de varias redes neuronales y del algoritmo SOM-BPNN, se encuentra que el modelo SOM-BPNN tiene el mejor resultado global, la precisión de la predicción es del 98,75%, el tiempo es de 0,45 segundos, y tiene una buena estabilidad en tiempo real. El modelo propuesto puede diagnosticar eficazmente la avería del vehículo, proporcionar una cierta dirección para que el personal de mantenimiento juzgue el estado del vehículo, y proporcionar cierta ayuda para aliviar el problema de la contaminación del tráfico.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:dinamómetro de chasis de vehículos, datos de gases de cola, métodos de control pid, control pid integral, som, red neuronal, velocidad variable, red neuronal variada, bpnn, métodos de diagnóstico de fallos
• Keywords:vehicle chassis dynamometer, tail gas data, pid control methods, integral pid control, som, neural network, variable speed, various neural network, bpnn, fault diagnosis methods