Resumen:
La falta de prevención por parte de los conductores lleva a revisar sus vehículos cuando presentan
alguna falla que evita que el automóvil funcione. Algunas de estas fallas se presentan por
falta de mantenimiento, desconocimiento o por descuido del propietario, así como elementos
naturales tales como polvo y agua. Una de las fallas que se presenta es el desgaste de electrodos
en bujías. En este trabajo se desarrolló una técnica no invasiva que detecta y clasifica
puntualmente las fallas por desgaste de electrodos en bujías de automóviles para prevenir daños
más graves, y un mayor consumo de combustible. Al ser una técnica no invasiva se reduce el
tiempo en el que el automóvil se encuentra en mantenimiento.
El proyecto se desarrolló en tres etapas. En la primera se realizó la grabación de las señales
acústicas provenientes de dos motores de automóviles (Honda Civic y Seat Ibiza) con desgaste
en los electrodos de las bujías. Dichas grabaciones se sometieron a un análisis en donde se
etiquetaron con el fin de tener tres clasificaciones posibles: ninguna falla, 1 falla y 2 fallas. En
la segunda etapa se realizó un pre-procesamiento en la que se acortaron en duración las grabaciones,
se obtuvieron los espectrogramas y se extrajeron tanto las características MFCC (Mel
Frequency Cepstral Coefficients) como las características estadísticas de primer y segundo
grado (Media, Mediana, Moda, desviación estándar, varianza, percentiles, etc) de las señales
acústicas, para construir dos bases de datos. La detección de fallas se llevó a cabo mediante
los clasificadores K-NN (K Nearest Neighbour) y SVM (Support Vector Machine). Las bases
de datos se subdividieron en dos subconjuntos con el fin de entrenar y validar los modelos de
clasificación. En la tercera etapa se utilizó el escáner ELM327 para determinar el consumo de combustible en cada una de las pruebas realizadas a los dos automóviles. La clasificación
utilizando las características de los espectrogramas produjeron una eficiencia del 100% en el
entrenamiento y un 53% en la validación del modelo en el mejor de los casos. Cuando se utilizaron
las características estadísticas y MFCC la eficiencia en el entrenamiento bajo al 95%
y subió hasta el 100% en la validación. De acuerdo a los registros obtenidos del consumo de
combustible se tiene que con la presencia de una bujía con electrodos desgastados el consumo
incrementa un 2%, mientras que con la presencia de dos bujías con electrodos desgastados el
consumo incrementa hasta un 8%. El uso de MFCC y características estadísticas incrementa la
eficiencia de la clasificación de las señales acústicas.