Modelo predictivo del desempeño instántaneo de motores de combustión interna en aplicaciones industriales basado en Machine Learning

Abstract

En el desarrollo de los procesos industriales modernos impulsados por motores de combustión interna, es crucial mantener un monitoreo constante de su desempeño para prever acciones de operación, mantenimiento y producción que impacten de manera relevante en su aplicación. En este sentido esta investigación tiene por objetivo determinar de qué manera un modelo de pronóstico basado en machine learning logra la predicción del desempeño instantáneo de un motor de combustión interna de aplicación industrial. Para esta investigación se empleó un diseño no experimental y de corte transversal, partiendo del registro del comportamiento de un motor de combustión interna de encendido por compresión (motor diésel) de inyección directa, turboalimentado, equipado con un sistema electrónico de suministro de combustible del tipo "common rail", al cual se le sometió a pruebas de carga en un banco dinamométrico. Una vez formada la base de datos, se procedió al análisis y ejecución de modelos de regresión en machine learning para evaluar la predicción de los parámetros de potencia, torque, consumo de combustible y factor de carga. Posteriormente, desarrollado el modelo adecuado, se procedió a la validación del factor de carga, frente a condiciones de operación reales. Los resultados de la investigación permitieron determinar los parámetros de entrada más relevantes en el proceso de predicción, así como también la eficacia de los modelos evaluados (Multiple Linear Regresion, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, Artificial Neural Network y XGboost) mediante métricas de desempeño como MAE, MSE, RMSE y R2. En el caso del torque, el modelo XGBoost presentó el mejor desempeño, con un RMSE de 0,092 y el R2 de 0,991, seguido por el modelo Random Forest (RF), que obtuvo un RMSE de 0,095 y un R² de 0,99. Para la potencia, el mejor desempeño correspondió al modelo Random Forest (RF), con un RMSE de 0,081 y un R² de 0,993, seguido de XGBoost, con un RMSE de 0,098 y un R² de 0,990. En cuanto al consumo de combustible, el modelo Random Forest mostró el mejor desempeño, con un RMSE de 0,065 y un R² de 0,996, seguido por XGBoost, que alcanzó un RMSE de 0,083 y un R² de 0,993. Sin embargo, cabe destacar que la carga computacional del modelo Random Forest es considerablemente elevada. Los demás modelos evaluados no lograron resultados relevantes en comparación. Finalmente se concluye que el modelo basado en XGBoost es el más adecuado para la predicción del desempeño instantáneo en motores de combustión interna destinados a aplicaciones industriales.

In the development of modern industrial processes driven by internal combustion engines, it is crucial to maintain constant monitoring of their performance to foresee operation, maintenance and production actions that have a relevant impact on their application. In this sense, this research aims to determine how a forecasting model based on machine learning achieves the prediction of the instantaneous performance of an internal combustion engine for industrial application.

For this research, a non-experimental cross-sectional was used, based on the recording of the behavior of a direct injection, turbocharged, compression ignition internal combustion engine (diesel engine), equipped with an electronic fuel supply system. "common rail" type fuel, which was subjected to load tests on a dynamometric bench. Once the database was formed, the analysis and execution of regression models in machine learning were carried out to evaluate the prediction of the parameters of power, torque, fuel consumption and load factor. Subsequently, having developed the appropriate model, we proceeded to the validation of the load factor, against real operating conditions. The results of the research allowed to determine the most relevant input parameters in the prediction process, as well as the effectiveness of the evaluated models (Multiple Linear Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, Artificial Neural Network and XGboost) through performance metrics such as MAE, MSE, RMSE and R2. In the case of torque, the XGBoost model presented the best performance, with an RMSE of 0.092 and R2 of 0.991, followed by the Random Forest (RF) model, which obtained an RMSE of 0.095 and an R² of 0.99. For power, the best performance corresponded to the Random Forest (RF) model, with an RMSE of 0.081 and an R² of 0.993, followed by XGBoost, with an RMSE of 0.098 and an R² of 0.990. In terms of fuel consumption, the Random Forest model showed the best performance, with an RMSE of 0.065 and an R² of 0.996, followed by XGBoost, which achieved an RMSE of 0.083 and an R² of 0.993. However, it should be noted that the computational load of the Random Forest model is considerably high. The other models evaluated did not achieve relevant results in comparison.Keywords — Artificial intelligence, machine learning, diesel engine, common rail, power, torque, fuel consumption, XGBoost. Finally, it is concluded that the model based on XGBoost is the most suitable for predicting instantaneous performance in internal combustion engines intended for industrial applications.