MATRIZ DE CONSISTENCIA

OPTIMIZACIÓN POR FILTRO DE KALMAN PARA ANÁLISIS DE FALLAS EN UN MOTOR DE COMBUSTIÓN INTERNA
PROBLEMA OBJETIVOS HIPOTESIS VARIABLES E INDICADORES
PROBLEMA OBJETIVO PRINCIPAL HIPOTESIS PRINCIPAL
VARIABLE 1(I): FILTRO DE KALMAN
PRINCIPAL • Basándonos en el •Aplicando el filtro
• ¿De qué manera filtro de Kalan de Kalman como DIMENSIONES INDICADORES
logramos optimizar lograremos optimizar herramienta se podrá
la estimación de la estimación de fallas optimizar la
fallas haciendo uso en un motor de estimación de fallas
del filtro de combustión interna. en un motor de • MODELAMIENTO • Modelado sin ruido gaussiano(filtro Gaussiano)
Kalman? OBJETIVOS combustión CON RUIDO Y SIN
PROBLEMAS SECUNDARIOS HIPOTESIS RUIDO
SECUNDARIOS • Demostrar que el SECUNDARIOS
• ¿Cuán confiable diagnóstico de •Aplicando el filtro • COMPARACION • Modelado sin ruido gaussiano(filtro de Kalman)
es el diagnostico de verosimilitud de Kalman
fallas al usar el filtro generalizado es más demostraremos que
de Kalman? confiable al utilizar el el diagnóstico de
• ¿Cuál es el efecto filtro de Kalman. verosimilitud VARIABLE 2(D): ESTIMACION DE FALLA
del modelamiento • Lograr que el generalizado es más
del filtro de correcto confiable DIMENSIONES INDICADORES
Kalman? modelamiento del • Aplicando el
• ¿Cómo varía la filtro de Kalman programa Matlab nos
estimación de fallas haciendo uso de permitirá un
de un MCI Matlab. adecuado
modelando el • Demostraremos modelamiento del
sistema con ruido y que la estimación de filtro de Kalman • Diagnóstico de verosimilitud generalizado con fallas, implementado en Matlab
sin ruido? fallas de un MCI • Aplicando un
• ¿En cuánto mejora haciendo uso modelamiento sin
mejora la del modelamiento sin ruido, nos ayudará a • DIAGNOSTICO
estimación de fallas considerar el ruido. mejorar la estimación
al comparar los • Al comparar dichos de fallas en MCI
• Diagnóstico de verosimilitud generalizado sin fallas, implementado en Matlab
modelados modelamientos •Aplicando una • MODELAMIENTO
empleados? sabremos en cuanto simple
mejora nuestra inspección( comparac
estimación. ión) , tendremos • Comparación de ambas graficas
referencia en cuanto
mejora nuestra
estimación .