Evaluación por imágenes del sistema electrónico de inyección indirecta mediante machine learning

Ante la creciente demanda de diagnósticos rápidos y efectivos en la industria automotriz, se desarrolló la presente tesis para la evaluación por imágenes del sistema electrónico de inyección indirecta mediante machine learning, se aplicó algoritmos de inteligencia artificial y redes neuronales convolucionales (CNN), enfocándose en modelos de detección de objetos mediante las arquitecturas YOLO y EfficientNet. La primera etapa consistió en recopilar y armar una base de datos propia, realizando la captura fotográfica de las señales de sensores y actuadores en buen y mal funcionamiento con un total de 17 clases. En la segunda etapa los modelos YOLOv11x y EfficientNet‑B7 fueron entrenados con la base de datos propia en Google Colaboratory. Finalmente se integraron los modelos utilizando Python en el entorno de PyCharm donde la cámara web integrada a una computadora portátil fue posicionada frente a la pantalla de un osciloscopio durante pruebas efectuadas en varios automóviles. Los resultados evidenciaron una mayor precisión en EfficientNet-B7 (99.17 %) frente a YOLOv11x (78.70 %), no obstante, el modelo .pt de YOLO fue más liviano (109 MB) que el modelo .h5 de EfficientNet-B7 (261 MB), además de requerir este último un mayor tiempo de entrenamiento. Los modelos permiten identificar patrones de funcionamiento y de falla en las señales de sensores y actuadores utilizados, sin embargo, el modelo presenta una confusión entre formas de onda similar y no verifican si la señal cumple con parámetros de amplitud, frecuencia y periodo lo cual es determinante para un diagnóstico preciso

• Autore principale: Chinlli Inlago, Stalyn Iván (author)
• Altri autori: Pilco Lumbi, Jerson Israel (author)
• Natura: bachelorThesis
• Pubblicazione: 2025
• Soggetti: SISTEMA ELECTRÓNICO; APRENDIZAJE AUTOMÁTICO; REDES NEURONALES CONVOLUCIONALES; INDUSTRIA AUTOMOTRIZ; INTELIGENCIA ARTIFICIAL
• Accesso online: https://dspace.espoch.edu.ec/handle/123456789/25893