=
=
Algorithm for Automatic Position Recognition of Accelerometers in =
M1
Vehicles
=
|
=
Jorge
Enrique Jaramillo Aguilar =
Cuenca, Ecuador =
Orcid=
: 0000-0002-3829-1806 |
=
Angel Leonardo Morocho Sánchez =
Cuenca, Ecuador =
amorochosa@est.ups.edu.ec=
|
Resumen<=
/i>=
—Este trabajo se
orientó en determinar un algoritmo para reconocer de manera automática la
ubicación del conector OBD II en los vehículos de categoría M1; utilizando =
un
protocolo para la obtención de datos y como primer punto se caracterizó los
espacios tridimensionales con respecto a las aceleraciones obtenidas median=
te
el dispositivo FREEMATICS ONE +; además, para el estudio estadístico, se ob=
tuvo
información mediante la media aritmética, habiendo seleccionado la media po=
r su
mayor aporte en la información, al facilitar la caracterización del experim=
ento.
Estos valores generaron bases de datos, mismos que se aplicaron para la
manufacturación y entrenamiento de la red neuronal artificial; adicionalmen=
te,
se analizó con diferentes tipos de entrenamientos para utilizar el método de
error más bajo, en el cual, mediante el entrenamiento =
Trainlm
se alcanza un error de 0.38265%. La comprobación del funcionamiento de la R=
ed
Neuronal de ubicación se realizó en 3 diferentes vehículos con los cuales se
obtuvieron resultados a favor de la investigación.
=
Palabras Clave:
Enviado: 15/10/2019 Sumario: I Introducción, II Métodos y Materiales, III Resultados y
Discusión, IV Conclusiones. Como
citar: Jaramillo, Jorge., Sánchez, Angel. (=
2020).
Algoritmo Para El Reconocimiento Automático De La Posición De Aceleróme=
tros
En Vehículos M1. Revista Tecnológica - Espol, 32(1). Recuperado a
partir de http://www.rte.espol.edu.ec/index.php/tecnologica/article/vie=
w/740 http://www.rte.espol.edu.ec/index.php/tecnologica/article/view/740 https://doi.org/10.37815/rte.v32n1.740
=
=
=
Keywords: OBD II, Accelerometers=
, Freematics ONE +, RNA, protocol, training.
&nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp;
I. INTRODUCCIÓN
Esta investigación tuvo como objetivo determinar un algor=
itmo
para captar la posición de los acelerómetros de manera automática en el esp=
acio
tridimensional, para lo cual, en primer momento se realizó un entrenamiento=
de
la Red Neuronal Artificial (RNA), partiendo de una referencia inicial de los
vehículos en estudio; esta posición refleja la variación de conducción con =
una
respuesta dinámica diferente.
La dificultad de análisis y el entendimiento de los siste=
mas
que interceden en el funcionamiento del vehículo se deben a los pocos estud=
ios
en protocolos y sistemas para obtener información precisa de los vehículos,
como también el poco análisis del comportamiento de los sensores en tiempo
real; por otra parte, se dificulta comprender la complejidad de las
manifestaciones de los acelerómetros aplicados en el vehículo, afectando en=
la
determinación inmediata de fallas mecánicas; asimismo, limita el mejoramien=
to
del estudio de los ciclos de conducción. Por lo expresado, urge la utilizac=
ión
de nuevas técnicas para un diagnóstico eficiente.
Para enfrentar la problemática en relación al tema en
estudio, se requiere determinar instrumentos que midan las aceleraciones del
vehículo, que se dan por la gravedad, por la irregularidad de la calzada y =
por las
vibraciones del motor a causa de factores internos.
Para detectar anomalías como: estado de funcionamiento
incorrecto del motor y excesivas emisiones contaminantes, resulta esencial =
la
utilización del acelerómetro para proporcionar resultados en beneficio de la
tecnología automotriz de manera continua, a través de los métodos de
diagnóstico, admitiendo un mantenimiento apropiado que conlleva a disminuir
costos y contaminación ambiental generada [1].
La investigación de Dávila [2] muestra el boceto de un mo=
delo
electrónico con el uso de un acelerómetro para mejorar el control de veloci=
dad
y estabilidad dinámica; en igual forma Händel y=
Enstedt [3] proponen un diseño para combatir el efecto
sentadilla del chasis basado en un modelo paramétrico que describe el efect=
o de
la inclinación del vehículo en las mediciones del acelerómetro en función d=
e la
aceleración horizontal.
Con el acelerómetro alineado verticalmente se puede
determinar la odometría de un vehículo; al resp=
ecto,
Gutiérrez et al. [4] presentan una nueva aplicación con este instrumento qu=
e,
en lugar de usarlos para medir la aceleración lineal del vehículo, lo aplic=
an
para medir cuatro posiciones de giro de la rueda, cuya función es determina=
r la
orientación gradual del neumático en movimiento; mientras que la presente
investigación se ocupó de utilizar el acelerómetro para determinar la posic=
ión del
conector OBD II.
Mediante un acelerómetro se puede obtener la posición pre=
cisa
de un vehículo; al respecto, Eger y Kiencke [5]=
hacen
referencia de los giroscopios para medir la velocidad angular, mismos que
pueden ser reemplazados por señales de aceleración que de paso abarata cost=
os.
Otra importante aplicación de los acelerómetros es la estimación de la velo=
cidad
angular como lo muestran Lee et al. [6], quienes realizan la estimación de =
la
velocidad angular a partir de las salidas de un acelerómetro. Joubert y
Ayad
En la actualidad, los giroscopios se están implementando =
en
sistemas inteligentes del vehículo para mejorar su rendimiento, Zhu et al. =
[9],
plantean un método de identificación de la presión de los neumáticos
inteligentes, utilizándolos con un acelerómetro de tres ejes; de igual mane=
ra
Vladimir et al. [10], desarrollan un complejo hardware y software que incor=
pora
un acelerómetro para el registro y análisis de los parámetros de movimiento=
de
un vehículo.
Los acelerómetros también se utilizan como dispositivos de
seguridad, como es el caso de los sensores de choque que son los elementos
encargados de detectar el impacto y generar una señal que se envía a la uni=
dad
de control electrónico del sistema para activar el airbag y/o el dispositivo
pirotécnico de los cinturones de seguridad [11]-[12].
A continuación, se desenvuelven los argumentos primordial= es referentes a la elección del equipo práctico e instrumentación mínimamente invasiva, escenarios de obtención de datos, sistemática de datos, manufactu= ra de matriz de propiedades, disminución de propiedades y creación de la Red t= ipo Feed-forward backprop.
=
<= span style=3D'mso-bookmark:OLE_LINK2'>A. Elección del equipo experimental e instrumentación mínimamente invasiva
Para la elección del equipo experimental en referencia al=
Freematics ONE+ que conforma el sistema instrumental,=
se
procedió a establecer un protocolo que consistió en lo siguiente: identific=
ar
una superficie plana para encontrar el punto de inicio con 0<=
/span>
Luego de compactar el sistema de acoplamiento, mediante el
protocolo referido en párrafo anterior para la creación de la RNA, se reali=
zaron
aplicaciones de prueba y error, hasta obtener los datos adecuados para la
proyección del algoritmo. Cabe señalar que es imprescindible desconectar la
extensión OBD II del vehículo para conseguir los datos de los acelerómetros=
.
Explicando el proceso interno, en cuanto al funcionamiento
del Freematics ONE+, se detalla lo siguiente:
Cada ángulo se determinó por medio de un goniómetro, mien=
tras
que el reconocimiento de las aceleraciones se consiguió mediante el disposi=
tivo
Freematics One+, mi=
smo que
se enlazó al puerto OBD II de un automóvil y trabajó como un módulo intelig=
ente
e independiente; además, el instrumento en referencia tiene agregado un sen=
sor
de movimiento (acelerómetro, giroscopio) permitiendo generar varias
aceleraciones que se procesan y se registran en tiempo real, guardándose en=
una
microSD interna y enviarse por medio de WiFi o =
red.
Este proceso tuvo como referencia el manual de Freemat=
ics
[13].
En la Fig. 1 se presenta: el equipo experimental que se p=
uso
a prueba en un vehículo Chevrolet Aveo 1.6, la extensión requerida para OBD=
II,
la unidad Freematics One+,
un estabilizador de cámara (giroscopio), una tarjeta de memoria microSD y la
computadora (PC Laptop). Estos elementos aportan en obtener información vál=
ida
de la matriz de atributos para la RNA.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= o:p>
B. Escenarios de obtención de datos
Se utilizó el software Matlab junto al dispositivo Freematics One+ para la
producción de datos. Para dicha tarea de recolección de datos se requiere q=
ue
el motor se encuentre en ralentí, alrededor de 850 rpm.
Realizando un pre-experimento=
se
determinó que los datos de las aceleraciones conseguidas poseen picos o cim=
as
de mayor frecuencia, debido a las excitaciones generadas por el motor del
automóvil, optando por la opción de realizar la toma de datos de manera ext=
erna
al vehículo sobre una zona plana. Los datos se obtienen mediante el terminal
OBD II y se procesan a una frecuencia de 50 a 60 Hz durante 5 minutos, con =
una
diversificación de 2.5º grados, iniciando desde 0º hasta 180º grados hacia =
los ejes
X, Y; adicional a esto y conjuntamente, se ejecutó la toma de muestras form=
ando
una combinación de los tres ángulos.
C. Sistemática de datos
En la Fig. 2 se exponen los dispositivos físicos manipula=
dos
para la obtención y acaparamiento de datos.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= o:p>
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= o:p>
D. Manufactura de matriz de propiedades
<=
span
style=3D'mso-bookmark:OLE_LINK1'>TABLA
<=
span
style=3D'mso-bookmark:OLE_LINK1'>APARCAMIENTO DE DATOS
|
0,10246 |
|
10D,0 |
|
10C,851 |
|
111 |
|
105,95 |
|
10F,40 |
|
10B,29 |
|
106 |
|
107,24 |
|
114,104 |
|
20,26,56,-76 |
E. Disminución de propiedade= s
En la Fig. 4 se demuestra que los datos, expresados a tra=
vés
de los acelerómetros del dispositivo Freematics=
One+, tienen diversas alteraciones en las señales,
provocadas por las vibraciones externas o ambientales; por lo que, los datos
que se emplearon para el adiestramiento de la RNA, fueron obtenidos mediant=
e el
diseño del filtro Savitzky-Golay a partir de un
aproximado de 250 datos, que permitió disminuir los picos altos y bajos en =
los
ejes de X, Y y Z de la siguiente manera:
·&nb=
sp;
Se utilizó el algoritmo planteado por Gárate [14]
·&nb=
sp;
En base al algoritmo se segregaron los datos de aceleraci=
ón
para aplicar el filtro Savitzky-Golay.
·&nb=
sp;
Por otra parte, para obtener los datos de la media
Aritmética, se tomó como referencia los resultados del fi=
ltro
Savitzky-Golay para obtener un solo dato valido=
por
cada eje tridimensional, que fue reducido a través del algoritmo planeado p=
or
Gárate para la red de aprendizaje.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= span style=3D'mso-bookmark:OLE_LINK2'>F. Creación de la Red tipo <= span class=3DSpellE>Feed-forward backprop
En la elección de la red neuronal de tipo Feed-forward
backprop, se establecieron aplicaciones práctic=
as con
diferentes tipos de redes neuronales, en la cual se manejaron desiguales
cuantificaciones de adiestramiento como:
· =
Tipo de red.
· =
Función de entrenamiento.
· =
Función de aprendizaje de adaptación.
· =
Rendimiento de la función.
· =
Número de capas.
· =
Cantidad de neuronas.
· =
Función de transferencia.
En la Fig. 5 se presentan las fallas presentadas durante =
los
adiestramientos aplicados con distintas clases de RNA, en donde se escoge la
red que posea un menor error durante el diseño del algoritmo.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
En la Fig. 6 se muestran las características de la RNA ti=
po ‘Feed-forward backprop’ ad=
iestrada
con una función de preparación Levenberg-Marqua=
rdt (trainlm), en el cual se enseña el suministro de la re=
d con
tres medidas de ingreso, atravesando dos capas ocultas y una capa de salida=
, en
donde las dos primeras están establecidas con cuarenta neuronas además de u=
na
función de transferencia ‘Tansig’, mientras que=
en la
capa final se utiliza una función de transferencia tipo ‘Purelin’;
en último lugar la red envía una señal de salida de datos con los ángulos
referentes a los tres ejes de aceleraciones.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= o:p>
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig.
<= o:p>
Adicional a esto, en la Fig. 8 se indica el progreso del
adiestramiento con una ratificación de 73 puntos dentro de la RNA.
Fig.
En la Fig. 9 se indican los siguientes resultados obtenid=
os
del factor de correspondencia de Pearson R de la red neuronal manufacturada.
Las líneas indican los valores esperados, en cambio los círculos negros
representan los valores obtenidos por la RNA. La predicción obtenida por la=
red
neuronal es eficaz y se evidencia con un buen desempeño, dado que se consig=
ue
un índice global cercano a uno en: entrenamiento, validación y prueba.
<= o:p>
Fig.
=
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
&nb=
sp;
III. RESULTADOS Y DISCUSIÓN
Con la finalidad de analizar el corr=
ecto
funcionamiento de la RNA manufacturada y entrenada, se realizan 3 pruebas en
vehículos de categoría M1. En la TABLA II se detalla la ubicación de los
acelerómetros de los vehículos en prueba que fueron en un Hyundai Tucson IX,
año 2014 y Volkswagen Gol, año 2011, y además el vehículo Chevrolet Aveo, a=
ño
2009, que se utilizó para realizar la investigación de los ángulos respecti=
vos.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>TABLA
<=
span
style=3D'mso-bookmark:OLE_LINK1'>FRACCIÓN DE LA MATRIZ COMPARATIVA DE RESULTADOS.
|
Vehículos<=
b> categorí=
a
M1 |
Ángulos emitidos por la red
neuronal (grados) |
Ángulos tomados de manera manu=
al. <=
b>(grados)<=
span
lang=3DES-US style=3D'font-size:10.0pt;mso-bidi-font-size:11.0pt;line-hei=
ght:
102%'> |
||||
|
|
|
Ay |
|
|
Ay |
|
|
Hyund=
ai
Tucson IX 2014 |
86.4<= o:p> |
69.8<= o:p> |
25.4<= o:p> |
84.7<= o:p> |
72.6<= o:p> |
18.2<= o:p> |
|
Volks=
wagen
Gol 2011 |
86.7<= o:p> |
49.3<= o:p> |
45.4<= o:p> |
87.9<= o:p> |
44.9<= o:p> |
45.1<= o:p> |
|
Chevr=
olet
Aveo 2009 |
92.1<= o:p> |
89.3<= o:p> |
175.4=
|
93.6<= o:p> |
89.4<= o:p> |
176.3=
|
Con el resultado obtenido de la investigación, se estima que la
confianza es del 99.61735% puesto que, en el entrenamiento Trainlm se obtiene un error=
del
0.38265%.
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig. SEQ Fig. \* ARABIC
<= o:p>
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig. SEQ Fig. \* ARABIC
<= o:p>
<=
span
style=3D'mso-bookmark:OLE_LINK1'>Fig. SEQ Fig. \* ARABIC
<= o:p>
En las Fig. 10,=
Fig.
11 y Fig. 12 que anteceden, se muestran las ubicaciones espaciales de los
acelerómetros de tres vehículos categoría M1, que fueron utilizados para
detectar el reconocimiento de la posición del puerto OBDII; y para el efect=
o se
creó un algoritmo que proporcionó resultados de manera automática; esto es =
la
posición en grados (°).
Continuando con=
el
análisis de las tres figuras, resulta positivo comparar las tres distintas
dimensiones de los ejes tridimensionales, evidenciando las diferencias en l=
as
ubicaciones de los puertos OBDII que existen en los 3 vehículos, según su
modelo. Este diagnóstico representa el logro planteado de la presente
investigación.
Como nota
adicional, durante el proceso de transformación se encontraron problemas por
motivo de las vibraciones y la determinación del plano exacto donde se
encontraba el vector de aceleración.
=
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
IV. CONCLUSIONES
El método
estadístico que se utilizó para obtener la información necesaria que dirigi=
ó al
aprendizaje de la RNA fue en primer momento un aparcamiento de datos median=
te
uso de filtro Savitzky-Golay, dando paso al seg=
undo
método aplicado, que consistió en la media aritmética por su menor porcenta=
je
de falla.
Se comprobó la
veracidad de los ángulos en 3 dimensiones mediante el uso de cosenos direct=
ores
en conjunto a las leyes trigonométricas de los triángulos.
Se obtuvo la
corrección adecuada de la RNA al momento en que se aplicó un filtro en la
matriz de aprendizaje, puesto que, como previo se menciona las calzadas de
irregularidades que producen valores no previstos o no lógicos para el
adiestramiento de la ya mencionada red neuronal; esto a su vez, garantiza un
correcto estado para la toma de datos y así obtener resultados mucho más
fiables.
Se basó en el v=
alor
positivo y negativo de los datos para la organización de los mismos en la R=
NA,
utilizando todas las combinaciones posibles en lo que respecta a + y -.
A través de los
acelerómetros se obtuvo la ubicación exacta del DLC en las 3 dimensiones
utilizables, mediante el uso de aceleraciones convertidas a grados, utiliza=
ndo
el algoritmo.
El algoritmo
determinado para captar la posición de los acelerómetros de manera automáti=
ca
en el espacio tridimensional resultó de una codificación para llegar a
establecer los ángulos de posición de los vehículos con OBD II, para lo cua=
l se
analizaron todas las posiciones que se generaron durante los ensayos
prueba-error con el dispositivo Freematics ONE+=
.
La presente
investigación también facilita en un futuro abrir paso a nuevas investigaci=
ones
en las que se pueda involucrar el estado del motor, estado de la suspensión=
e
incluso de la calzada, únicamente mediante el uso del análisis de vibracion=
es;
como también, la información obtenida servirá en lo posterior para mejorar =
los
diagnósticos, reduciendo el tiempo y costos de mantenimiento.
REFERENCIAS
[1] =
;
Kyrtsos, C. T. (24 de 09 de 1998). UNITED STATES Patente nº US
6,225,894 B1.
[2] =
;
Miranda
Davila, R. J. (2019). Diseño de un prototipo electrónico utilizando sensor=
es
acelerómetro y giroscopio para optimizar el control de velocidad y estabil=
idad
dinámica de un vehículo. Lima: Universidad Técnologica de Peru.
[3] =
;
Peter, H., & Martin, B. E. (2019). Combating the effect of chas=
sis
squat in vehicle performance calculations by accelerometer measurements.
ScienceDirect, 43(Issue 4), 483-488.
[4] =
;
Joaquin
Gutírrez, M. A., & Porta Gandara, F. (2010). Vertically aligned accelerometer for wheeled vehi=
cle
odometry. ScienceDirect, 20(5), 617-625.
[5] =
;
Ralf, E., & Maisch, A. (2000). Estimation of Rotational States =
in
Vehicle Rollover Using Accelerometers. ScienceDirect, 33(11), 553-558.
[6] =
;
Lee, J., Kim, H., Oh, S., Do, J., Nam, C., & Hwang, D. (2019). =
Lee,
J. a , Kim, H. b , Oh, SH c , Do, JC d , Nam, CW d , Hwang, D.-H. segundoA=
utor
de correo electrónico , Lee, SJ b. MicroSystem Thecnologies, 25(7), 2855-2=
867.
[7] =
;
Joubert, J., Koker, N., & Dirk, B. (2016). Combining accelerome=
ter
data and contextual variables to evaluate the risk of driver behaviour.
ScienceDirect, 41(A), 80-90.
[8] =
;
Ayad, S., Sharma, S., Verma, R., & Henein, N. (2019). Combustion
Ionization for Detection of Misfire, Knock, and Sporadic Preignition in a
Gasoline Direct Injection Engine. Journal of Energy Resources Technology,
Transactions of the ASME, 141(11).
[9] =
;
Zhu, B.,
Han, J., & Zhao, J. (2019). Tire-pressure identification using intelligent tire with three-axis
accelerometer. Sensors, 19(11).
[10] Vladimir, B., Iurii, N., Artem,=
M.,
Stanislav, S., & Egor, G. (2019). Development of a hardware-software
complex for automatic registration and analysis of vehicle motion paramete=
rs.
Scopus, 2136-2138.
[11] Naylam Mechatronic. (s.f.). Recuperado el 25 de 0=
8 de
2019, de https://naylampmechatronics.com/blog/45_Tutorial-MPU6050-Aceleróm=
etro-y-Giroscopio.html
[12] Pablo Luque, D. A. (2004). Ingenieria del Automov=
il
sistemas y comportamiento dinamico. Madird.
[13] Freematics. (s.f.). Freematics. Recuperado el 10 =
de
06 de 2019, de https://freematics.com
[14] Gárate Montalvo, D. A. (Noviembre de 2018).
Desarrollo de un algoritmo para la adquisición y almacenamiento de datos
provenientes del sistema de diagnóstico a bordo OBD II. Cuenca, Azuay, Ecuador.
Algoritmo Para El Reconocimiento Automático De=
La
Posición De Acelerómetros En Vehículos M1 2