Aprendizaje
Introducción
El aprendizaje mediante la función de lazo cerrado permite generar un mapa de correcciones automáticas, aprovechando el error entre el AFR deseado y el medido por la sonda de banda ancha en cada zona de trabajo del motor. Así, se crea un Mapa de Aprendizaje que complementa al mapa básico de combustible. Este mapa adicional no puede ser editado manualmente por el preparador, aunque sí puede reiniciarse a su valor predeterminado.
A continuación se muestra un ejemplo de mapa durante el proceso de aprendizaje avanzado:
Las celdas se colorean de verde a medida que el sistema recopila información en cada zona de trabajo. Cuanto más intenso es el color, más avanzado está el aprendizaje en esa celda o condición de funcionamiento del motor.
El número que aparece en cada celda indica el porcentaje de corrección aplicado al mapa base en esa condición específica. Este valor se determina durante el proceso de aprendizaje y puede variar mientras el proceso está en ejecución.
Funcionamiento del auto-aprendizaje
El auto-aprendizaje opera por iteraciones. En cada iteración, el sistema acumula el error de cada celda por las que el motor transita. Según el error detectado en cada condición de carga y velocidad, se calcula el porcentaje de corrección necesario. Al finalizar la iteración, este valor se suma al actual del mapa y comienza una nueva iteración. A medida que se ejecutan más iteraciones, el error tiende a reducirse y las correcciones se vuelven menores.
Cuando una celda completa la cantidad de iteraciones preestablecidas, deja de recibir actualizaciones. En el mapa, las celdas que han finalizado el aprendizaje se muestran en verde intenso, mientras que las que aún no han completado el proceso aparecen en verde claro o blancas. No todo el mapa se actualiza al mismo tiempo, ya que en una iteración no se cubren todas las condiciones de funcionamiento del motor. Por eso, los rangos de trabajo más comunes son los primeros en pintarse de verde.
El aprendizaje no necesariamente debe completarse en una sola sesión; puede finalizarse en horas o días, según el uso del vehículo. Una vez habilitado, cada vez que el sistema entra en lazo cerrado, inicia una nueva iteración. Al finalizar, las celdas que aún tengan iteraciones pendientes seguirán siendo analizadas.
Tip
Al igual que en la calibración del mapa de combustible base, se recomienda realizar el auto-aprendizaje con el motor a temperatura de trabajo. Para ello, es conveniente ajustar la temperatura mínima para entrar en lazo cerrado lo más cerca posible del rango de temperatura óptimo del motor. Por ejemplo, si la temperatura de trabajo es de 90 °C, el límite para el lazo cerrado debería establecerse en no menos de 80 °C.
Tip
El aprendizaje debe habilitarse únicamente cuando la tabla base de inyección de combustible esté correctamente ajustada para el rango de trabajo habitual del motor. Este procedimiento suele realizarse en la primera puesta en marcha, tras verificar que todos los sistemas funcionan correctamente. No tiene sentido activar el auto-aprendizaje si alguno de los sensores, especialmente la sonda de banda ancha, presenta fallas.
Configuración
La siguiente imagen muestra la ventana de Configuración del auto-aprendizaje por lazo cerrado, que dispone de dos pestañas. La pestaña izquierda permite ajustar los parámetros de configuración.
El primer paso es activar la opción Habilitar el auto-aprendizaje mediante la función de lazo cerrado. Si esta casilla no está seleccionada, la función permanecerá deshabilitada y la tabla de aprendizaje no se sumará a la tabla base de combustible, aunque contenga valores de habilitaciones anteriores.
Finalización del auto-aprendizaje por celda
En este campo se define la cantidad de iteraciones que el sistema ejecutará por cada celda del mapa. El valor predeterminado es 25, pero puede ajustarse entre 10 y 200 iteraciones.
Duración de cada iteración [s]
Aquí se establece el tiempo de análisis de cada iteración, seleccionable entre 30 y 2400 segundos. Un mayor tiempo de iteración permite obtener ajustes más precisos, aunque prolonga el proceso de aprendizaje.
Límite de corrección por celda en cada iteración [+/- %]
En esta casilla se indica el valor máximo de corrección que la ECU puede aplicar en una celda durante cada iteración, configurable entre 1 y 5 %.
Límite de ajuste de corrección total por celda [+/- %]
Este campo permite establecer el ajuste máximo acumulado de aprendizaje por celda, hasta un valor de 50 %.
Tip
Los valores predeterminados recomendados por la aplicación —25 iteraciones de 150 segundos, con límites de 2 % y 20 %— han demostrado ser efectivos y constituyen un buen punto de partida para experimentar con el aprendizaje.
Restablecimiento
Los botones de borrar y reiniciar permiten reiniciar el proceso de auto-aprendizaje.
Borrar todo lo aprendido hasta ahora
Este botón restablece el mapa de aprendizaje y la cuenta de iteraciones por celda a cero. Se recomienda utilizarlo tras realizar cambios en la carburación del mapa base, reemplazo de inyectores o cualquier modificación que afecte la inyección de combustible.
Reiniciar aprendizaje manteniendo lo aprendido hasta ahora
Este botón borra únicamente la cuenta de iteraciones de todas las celdas, conservando los valores aprendidos. El sistema continuará acumulando correcciones en las zonas que aún presenten errores.