Este estudio propone una técnica de diagnóstico de fallos utilizando análisis de señales de vibración basado en aprendizaje profundo para asegurar la seguridad en la conducción de vehículos eléctricos equipados con motores en la rueda. El motor en la rueda es susceptible a impactos del pavimento, lo que puede provocar una disminución en el rendimiento de potencia y la seguridad del vehículo. Para analizar esto, se adjuntaron acelerómetros de 3 ejes a componentes del vehículo, incluidos el brazo superior, el caliper de freno y los pernos de fijación, y se recolectaron datos de vibración en condiciones de carretera normales y de bache. Se definió el estado normal como aquel en el que el vehículo puede operar sin irregularidades, y el estado de fallo se definió como un estado anómalo eléctrico o mecánico, como el daño al inversor y el cortocircuito en la fase W. Las señales de vibración recolectadas se transformaron a espectrogramas log-Mel tras la aplicación de un filtro pasabanda, y se clasificaron utilizando un modelo de CNN basado en aprendizaje por transferencia. Los resultados de experimentación en vehículo real mostraron que el modelo propuesto alcanzó una precisión promedio de clasificación del 98.80% para cuatro clases de condiciones de conducción (normal_roads, normal_bump, fault_roads, fault_bump). Este estudio confirma la aplicabilidad del método de análisis de vibraciones basado en aprendizaje profundo para el diagnóstico de fallos en vehículos eléctricos con motores en la rueda.
Lee et al. (Tuesday,) estudiaron esta cuestión.