Aplicación de softwares y plataformas digitales para el diagnóstico automotriz preciso; aprovechando el análisis de datos del fabricante
DOI:
https://doi.org/10.59540/tech.vi4.74Palabras clave:
BMS, KIA, software, plataforma, BAS, MHEVResumen
La evolución de la industria automotriz, trae consigo el incremento de sistemas electrónicos en el automóvil, permitiendo que el proceso de diagnóstico sea más complejo y tome un cambio drástico viendo la necesidad de aplicar herramientas computacionales que permitan reducir las etapas en el diagnóstico electrónico. El presente estudio tiene como objetivo principal analizar la eficiencia del diagnóstico automotriz aplicando plataformas digitales del fabricante en específico, las mismas que permitan direccionar el análisis de los DTC que se localicen durante la etapa de experimentación del vehículo en estudio, considerando que las plataformas de diagnóstico automotriz propias del fabricante ofrecen, análisis de diagramas eléctricos, manuales de reparación, procesos de reprogramaciones para las ECU además de identificar los procesos de averías en donde se aprecian datos exactos que permitan conocer cada uno de los procesos establecidos para los casos en donde la electrónica del automóvil presenta defectos teniendo como consecuencia el funcionamiento fuera de rango del sistema afectado. Para el caso de estudio se procede con la extracción de códigos de avería en un vehículo MHEV de marca KIA, modelo STONIC del año 2024, el cual presenta fallos en la carga de la batería de baja tensión, siendo necesario aplicar los procesos establecidos por el fabricante en su plataforma digital. El método científico aplicado es del tipo cuantitativo con enfoque no experimental considerando que se tomara muestras de información de la unidad de control electrónica de la batería de alta tensión del vehículo pueda entregar bajo estados de fallo y funcionamiento ideal.
Descargas
Citas
J. I. Venceslau de Souto, Á. Barbosa da Rocha, R. N. C. Duarte, and E. de Moura Fernandes, “Design and Implementation of an Embedded Data Acquisition System for Vehicle Vertical Dynamics Analysis,” Sensors, vol. 23, no. 23, p. 9491, Nov. 2023, doi: 10.3390/s23239491.
X. Yang, “Framework of Electric Vehicle Fault Diagnosis System Based on Diagnostic Communication,” International Journal of Engineering, vol. 37, no. 6, pp. 1194–1207, 2024, doi: 10.5829/IJE.2024.37.06C.16.
A. Chin, P. Wolf, and J. Tian, A Cloud IoT Edge Framework for Efficient Data- Driven Automotive Diagnostics. 2019.
J. P. Nieto González, “Vehicle fault detection and diagnosis combining an AANN and multiclass SVM,” International Journal on Interactive Design and Manufacturing (IJIDeM), vol. 12, no. 1, pp. 273–279, Feb. 2018, doi: 10.1007/s12008-017-0378-z.
D. G. Vrachkov and D. G. Todorov, “Automotive Diagnostic Trouble Code (DTC) Handling over the Internet,” in 2018 IX National Conference with International Participation (ELECTRONICA), IEEE, May 2018, pp. 1–3. doi: 10.1109/ELECTRONICA.2018.8439702.
L. P. De Oliveira, M. A. Wehrmeister, and A. S. De Oliveira, “Systematic Literature Review on Automotive Diagnostics,” in Brazilian Symposium on Computing System Engineering, SBESC, IEEE Computer Society, Nov. 2017, pp. 1–8. doi: 10.1109/SBESC.2017.7.
H. Jie, L. Changlin, Y. Fuwu, and Z. Zeyang, “The development of vehicle diagnostic system based on Android platform,” in 2015 International Conference on Connected Vehicles and Expo, ICCVE 2015 - Proceedings, Institute of Electrical and Electronics Engineers Inc., Apr. 2016, pp. 42–47. doi: 10.1109/ICCVE.2015.7.
J. Nagy and I. Lakatos, “The Past, the Present and the Future of Online Road Vehicle Diagnosis from Car and Scan Tool Communication Perspective,” 2023. doi: 10.3233/ATDE230419.
J. Pavlopoulos et al., “Automotive fault nowcasting with machine learning and natural language processing,” Mach Learn, vol. 113, no. 2, pp. 843–861, Feb. 2024, doi: 10.1007/s10994-023-06398-7.
A. Theissler, “Detecting known and unknown faults in automotive systems using ensemble-based anomaly detection,” Knowl Based Syst, vol. 123, pp. 163–173, May 2017, doi: 10.1016/j.knosys.2017.02.023.
A. Rick and B. Sisk, “A Simulation Based Analysis of 12V and 48V Microhybrid Systems Across Vehicle Segments and Drive Cycles,” Apr. 2015. doi: 10.4271/2015-01-1151.
S. Meckel, J. Zenkert, C. Weber, R. Obermaisser, M. Fathi, and R. Sadat, Optimized Automotive Fault-Diagnosis based on Knowledge Extraction from Web Resources. 2019.
D. Georgiev and D. Georgiev, “Real Time Diagnostics in the Automotive Industry over the Internet,” IEEE, pp. 1–3, 2018.
A. Mallak, C. Weber, M. Fathi, and A. Holland, “Active diagnosis automotive ontology for distributed embedded systems,” in 2017 IEEE European Technology and Engineering Management Summit (E-TEMS), IEEE, Oct. 2017, pp. 1–6. doi: 10.1109/E-TEMS.2017.8244219.
P. Kadekar and A. Wakankar, “Automated Test Environment for On-Board Diagnostics Counters for an Automotive On-Road Application,” in 2018 2nd International Conference on Trends in Electronics and Informatics (ICOEI), IEEE, May 2018, pp. 409–413. doi: 10.1109/ICOEI.2018.8553704.
K. Yeon and D. Lee, “Fault detection and diagnostic coverage for the domain control units of vehicle E/E systems on functional safety,” in 2017 20th International Conference on Electrical Machines and Systems (ICEMS), IEEE, Aug. 2017, pp. 1–4. doi: 10.1109/ICEMS.2017.8056361.
M. Rumez, J. Lin, T. FuchB, R. Kriesten, and E. Sax, “Anomaly Detection for Automotive Diagnostic Applications Based on N-Grams,” in 2020 IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC), IEEE, Jul. 2020, pp. 1423–1429. doi: 10.1109/COMPSAC48688.2020.00-56.
X. Zhou, S. Feng, C. Li, and Z. Yan, “Analysis and design of synchronous‐rectified LLC DC–DC converter for LDC of electric vehicles,” IET Power Electronics, vol. 17, no. 10, pp. 1176–1188, Aug. 2024, doi: 10.1049/pel2.12541.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Fabián Eduardo Vilema Chuiza, Silvia Valeria Castelo Quinde
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El modelo de publicación adoptado por esta revista se fundamenta en el compromiso con la difusión del conocimiento científico bajo estándares de integridad y acceso abierto. En este sentido, todos los artículos y contenidos se distribuyen bajo una licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0). Esta normativa legal permite que las obras sean compartidas, descargadas y difundidas libremente, siempre que se cumplan de manera estricta las condiciones de uso establecidas por la organización internacional Creative Commons.
La implementación de esta licencia implica tres pilares fundamentales para la protección y el uso de la producción académica. En primer lugar, la Atribución exige que se otorgue el crédito correspondiente a los autores originales y se proporcione un enlace a la licencia, indicando si se han realizado menciones de la fuente de manera adecuada. En segundo lugar, el carácter No Comercial restringe el uso de los contenidos para fines que busquen un beneficio económico o una contraprestación comercial. Finalmente, la cláusula Sin Derivadas prohíbe la distribución de material modificado, remezclado o transformado; los artículos deben circular en su forma original para preservar la fidelidad de los datos y los argumentos presentados por los investigadores.
Este marco jurídico busca equilibrar la máxima visibilidad de los hallazgos científicos con la salvaguarda de la autoría, asegurando que la información técnica y académica no sea alterada ni explotada comercialmente por terceros. Al publicar bajo estos términos, la revista garantiza que el conocimiento permanezca accesible para la comunidad global, fomentando un ecosistema de aprendizaje basado en la evidencia y el respeto a la propiedad intelectual.
