Determinación de la presión máxima de compresión de un MEP basado en una RNAR

• Contreras Urgiles, Wilmer Rafael ^[2] ; Arichávala, Mauricio ^[1] ; Jérez, Cristian ^[1]
  1. [1] Universidad Politécnica Salesiana

     Universidad Politécnica Salesiana

     Cuenca, Ecuador

     
  2. [2] UPS
• Localización: Ingenius: Revista de Ciencia y Tecnología, ISSN 1390-650X, ISSN-e 1390-860X, Nº. 19, 2018 (Ejemplar dedicado a: enero - junio), págs. 9-18
• Idioma: español
• Títulos paralelos:
  • Determination of the maximum compression pressure of a MEP based on a RNAR
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En la presente investigación se realiza la explicación de la metodología aplicada a la determinación de la presión máxima de compresión de un motor de combustión interna alternativo de encendido provocado (MEP), el cual se basa en un estudio que parte de la caracterización de las curvas del consumo de amperaje del motor de arranque. Se aplica un protocolo de adquisición de datos y su posterior análisis estadístico. Los valores estadísticos de la señal como energía, promedio, desviación estándar, varianza, kurtosis, asimetría, máximo, mínimo y factor de cresta son seleccionados en función al mayor aporte de información para la caracterización del experimento; estos valores generan bases de datos las cuales son aplicadas para la creación y entrenamiento de una red neuronal artificial recurrente (RNAR) en la cual se obtiene un error absoluto menor al 2 \%. En una primera instancia se aplica la metodología de pruebas en un motor ensamblado en un banco didáctico y luego se procede a la aplicación del método en motores aplicados en vehículos.

  • English

    In the present research the explanation of the applied methodology for the determination of the maximum pressure of compression of an engine of internal combustion alternative of ignited provoked (MEP), that is based on a study that starts from the characterization of the curves of the amperage rating of the starter motor. A protocol for data acquisition and subsequent statistical analysis is applied. The statistical values of the signal as energy, average, standard deviation, variance, kurtosis, asymmetry, maximum, minimum and crest factor are selected in function of the greater contribution of information for the characterization of the experiment; these values generate databases that are applied for the creation and training of a recurrent artificial neural network (RNAR) in which an absolute error of less than 2\% is obtained. In the first instance, the test methodology is applied in an engine assembled in a didactic bank and then the application of the method is applied in vehicles.