Pelos resultados obtidos é possível fazer a comparação do emprego das duas abordagens na tarefa de detecção do vazamento da água, uma vez que a primeira abordagem não faz detecção da falha da redução da pressão no circuito da água. A primeira abordagem é capaz de detectar a falha apenas com dados de normalidade, enquanto a segunda requer também dados de falha. O desempenho neste caso pode ser comparado medindo o tempo
Capítulo 4. Aplicação e resultados 59
para a detecção da falha. A segunda abordagem detecta a falha em aproximadamente 10 segundos, enquanto que a primeira abordagem requereu aproximadamente 220 segundos. Para o motor Diesel ferroviário, ambos os tempos são plenamente satisfatórios, pois o sistema de proteção do motor o desligaria em um tempo superior a 1h para o vazamento introduzido. A segunda abordagem é mais simples, requer apenas a disponibilização de características rotuladas. A primeira requer o treinamento do classificador e adicionalmente a obtenção de modelos para cada ponto de operação.
60
5 Conclusões
O motor Diesel é o principal meio de geração de energia das composições ferroviárias. Detectar e diagnosticar falhas permite reduzir impactos econômicos decorrentes de custo para sua manutenção e para reboque em caso de pane. Os motores Diesel dependem de vários subsistemas para sua operação sem falhas, sendo tratado neste trabalho o sistema de arrefecimento. Para isso, foram apresentadas duas metodologias: a detecção de falhas baseada em modelos do processo e a detecção de falhas usando classificadores, ambas baseadas em dados fornecidos pelo sistema de controle do motor.
Na primeira abordagem os dados permitiram identificar características das variáveis sensíveis às falhas, bem como o efeito de diferentes velocidades do motor sobre as mesmas. Diferentes modelos foram utilizados para gerar estimativas da pressão do sistema de arrefecimento, que comparadas aos valores medidos, geraram resíduos usados para a detecção da falha. Um classificador kNN foi utilizado para identificar os pontos de operação do motor uma vez que os modelos e os resíduos eram afetados pelos pontos de operação. A partir da coleta de três conjuntos de dados o classificador e os modelos foram treinados, validados e testados. Essa metodologia permitiu detectar o vazamento de água antes que pudesse causar problemas no sistema de arrefecimento. Nesta abordagem, apenas esta falha foi detectada. O atraso na detecção decorre do ajuste do limiar usado na carta de soma cumulativa para evitar falsos positivos. Um único modelo poderia ser usado para todos os pontos de operação, mas a normalização do resíduo nestes pontos é necessária, requerendo um classificador. Um único classificador foi treinado para detectar os pontos de operação, dada a facilidade de sua separação. Vários modelos foram testados para gerar os resíduos, tendo sido escolhido o melhor para cada ponto de operação.
Na segunda abordagem dois classificadores, kNN e rede neural artificial, foram utilizados para detecção e diagnóstico de duas falhas. Foram extraídas características dos sinais de velocidade do motor, pressão e temperatura da água de arrefecimento. Os dois classificadores foram treinados para diagnosticar falhas de vazamento de água e de redução de pressão no circuito de água e arrefecimento. Os classificadores mostraram desempenhos semelhantes medidos pelo erro quadrático médio e pelo erro de classificação. Os resultados foram bons, se considerados a sua precisão e tempo de resposta. Os diferentes pontos de operação foram tratados naturalmente pelos dois classificadores, sem afetar seu desempenho. O tamanho da janela para cálculo das características foi variado. No caso de método kNN variou-se o número de vizinhos, e para o ANN o número de neurônios da camada oculta. Isso permitiu fazer as escolhas dos parâmetros que deram o melhor desempenho sem gerar esforços computacionais exagerados.
Capítulo 5. Conclusões 61
Sugere-se para trabalhos futuros:
• Aumentar o número de falhas detectadas;
• Fazer o diagnóstico de falhas na primeira abordagem usando os resíduos;
• Modelar fisicamente os sistemas do motor Diesel, melhorando condições de detecção e diagnóstico de falhas;
• Testar outras técnicas de validação de modelos, buscando evitar polarização; • Escrever os algoritmos de detecção e diagnóstico em linguagem Python e embarcar
nas locomotivas;
• Usar os diagnósticos para atuar sobre o sistema de controle do motor;
• Avaliar o uso do sistema de diagnóstico desenvolvido em outras locomotivas sem a necessidade de novos treinamentos.
62
Referências
AHMED, R. et al. Automotive internal-combustion-engine fault detection and classification using artificial neural network techniques. IEEE Transactions on vehicular technology, IEEE, v. 64, n. 1, p. 21–33, 2015. Citado na página 35.
ALPTEKIN, E. Emission, injection and combustion characteristics of biodiesel and oxygenated fuel blends in a common rail diesel engine. Energy, Elsevier, v. 119, p. 44–52, 2017. Citado na página 22.
ANTORY, D. et al. Fault diagnosis in internal combustion engines using non-linear multivariate statistics. Proceedings of the Institution of Mechanical Engineers, Part I:
Journal of Systems and Control Engineering, SAGE Publications Sage UK: London,
England, v. 219, n. 4, p. 243–258, 2005. Citado na página 34.
AZEVEDO, C. R.; JR, E. H. Análise de falhas de implantes cirúrgicos no brasil: a necessidade de uma regulamentação adequada. Cadernos de Saúde Pública, SciELO Public Health, v. 18, p. 1347–1358, 2002. Citado na página 41.
BASSHUYSEN, R. V.; SCHÄFER, F. Internal combustion engine handbook-basics,
components, systems and perspectives. [S.l.: s.n.], 2004. v. 345. Citado 3 vezes nas páginas
19, 22e 25.
BISWAS, R. K.; MASUD, M. S.; KABIR, E. Shewhart control chart for individual measurement: an application in a weaving mill. In: AUSTRALIAN ACADEMY OF BUSINESS LEADERSHIP. Proceedings of the 2015 Melbourne International Business
and Social Science Research Conference. [S.l.], 2015. Citado na página 39.
BOULKROUNE, B.; AITOUCHE, A.; COCQUEMPOT, V. Actuator fault detection and isolation for diesel engines. In: IEEE. Control Applications (CCA), 2013 IEEE
International Conference on. [S.l.], 2013. p. 78–84. Citado na página 32.
CECCARELLI, R. et al. Model-based adaptive observers for intake leakage detection in diesel engines. In: IEEE. American Control Conference, 2009. ACC’09. [S.l.], 2009. p. 1128–1133. Citado na página 30.
CHARCHALIS, A.; DERESZEWSKI, M. Processing of instantaneous angular speed signal for detection of a diesel engine failure. Mathematical Problems in Engineering, Hindawi, v. 2013, 2013. Citado na página 29.
CHEN, J.; PATTON, R. J. Robust model-based fault diagnosis for dynamic systems. [S.l.]: Springer Science & Business Media, 2012. v. 3. Citado 2 vezes nas páginas 29e 32. CHEN, J. et al. Artificial neural network based fault diagnosis of ic engines. In: TRANS TECH PUBL. Key Engineering Materials. [S.l.], 2012. v. 518, p. 47–56. Citado na página 35.
CHIANG, L. H.; RUSSELL, E. L.; BRAATZ, R. D. Fault detection and diagnosis in
industrial systems. [S.l.]: Springer Science & Business Media, 2000. Citado 2 vezes nas
Referências 63
CURZON, F.; AHLBORN, B. Efficiency of a carnot engine at maximum power output.
American Journal of Physics, AAPT, v. 43, n. 1, p. 22–24, 1975. Citado na página 20. DING, S. X. Model-based fault diagnosis techniques: design schemes, algorithms, and tools. [S.l.]: Springer Science & Business Media, 2008. Citado na página 29.
DUIN, R. P.; TAX, D. M. Classifier conditional posterior probabilities. In: SPRINGER.
Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR) and Structural and Syntactic Pattern Recognition (SSPR). [S.l.], 1998. p. 611–619.
Citado na página 41.
EMD, E. M. D. EMD Locomotive. [S.l.: s.n.], 2010. Citado na página 15.
FLETT, J.; BONE, G. M. Fault detection and diagnosis of diesel engine valve trains.
Mechanical systems and signal processing, Elsevier, v. 72, p. 316–327, 2016. Citado na
página 35.
FTOUTOU, E.; CHOUCHANE, M. Injection fault detection of a diesel engine by vibration analysis. In: SPRINGER. International Conference Design and Modeling of
Mechanical Systems. [S.l.], 2017. p. 11–20. Citado na página 29.
GERTLER, J. Fault detection and diagnosis in engineering systems. CRC, Virginia, USA, 1998. Citado na página 31.
GIL-PITA, R.; YAO, X. Evolving edited k-nearest neighbor classifiers. International
Journal of Neural Systems, World Scientific, v. 18, n. 06, p. 459–467, 2008. Citado na
página 41.
GUZZELLA, L.; ONDER, C. Introduction to modeling and control of internal combustion
engine systems. [S.l.]: Springer Science & Business Media, 2009. Citado na página 22. HÄMÄLÄINEN, W.; VINNI, M. Classifiers for educational data mining. Handbook of
Educational Data Mining, Chapman & Hall/CRC Data Mining and Knowledge Discovery Series, p. 57–71, 2011. Citado na página34.
HE, Q. P.; WANG, J. Statistics pattern analysis: A new process monitoring framework and its application to semiconductor batch processes. AIChE journal, Wiley Online Library, v. 57, n. 1, p. 107–121, 2011. Citado na página 34.
ISERMANN, R. Model-based fault-detection and diagnosis–status and applications.
Annual Reviews in control, Elsevier, v. 29, n. 1, p. 71–85, 2005. Citado 3 vezes nas páginas 29, 30 e32.
ISERMANN, R. Combustion engine diagnosis. [S.l.]: Springer, 2016. Citado 6 vezes nas páginas 17, 28, 29, 31, 32 e33.
JOHNSON, K. G.; MOLLENHAUER, K.; TSCHÖKE, H. Handbook of diesel engines. [S.l.]: Springer Science & Business Media, 2010. Citado na página 14.
JOHNSSON, R. Crankshaft speed measurements and analysis for control and diagnostics
of diesel engines. Tese (Doutorado) — Luleå tekniska universitet, 2001. Citado na página
Referências 64
KHELIL, Y. et al. Fault detection and isolation in marine diesel engines: A generic methodology. IFAC Proceedings Volumes, Elsevier, v. 45, n. 20, p. 964–969, 2012. Citado 2 vezes nas páginas17 e31.
KIMMICH, F.; SCHWARTE, A.; ISERMANN, R. Fault detection for modern diesel engines using signal-and process model-based methods. Control Engineering Practice, Elsevier, v. 13, n. 2, p. 189–203, 2005. Citado 2 vezes nas páginas 17e 33.
KISIĆ, E. et al. Fault detection in electric power systems based on control charts. Serbian
Journal of Electrical Engineering, v. 10, n. 1, p. 73–90, 2013. Citado na página 39. KUHN, M.; JOHNSON, K. Applied predictive modeling. [S.l.]: Springer, 2013. v. 26. Citado na página 39.
LEE, J.; KAO, H.-A.; YANG, S. Service innovation and smart analytics for industry 4.0 and big data environment. Procedia Cirp, Elsevier, v. 16, p. 3–8, 2014. Citado na página 15.
LI, L.; WU, Z. An on-line fault diagnosis method for gas engine using ap clustering. In: IEEE. Autonomous Decentralized System (ISADS), 2017 IEEE 13th International
Symposium on. [S.l.], 2017. p. 149–155. Citado na página34.
LIU, C.-L.; SAKO, H.; FUJISAWA, H. Performance evaluation of pattern classifiers for handwritten character recognition. International Journal on Document Analysis and
Recognition, Springer, v. 4, n. 3, p. 191–204, 2002. Citado na página 41.
LIU, J.; YAO, A.; YAO, C. Effects of diesel injection pressure on the performance and emissions of a hd common-rail diesel engine fueled with diesel/methanol dual fuel. Fuel, Elsevier, v. 140, p. 192–200, 2015. Citado na página 22.
LIU, R. et al. Artificial intelligence for fault diagnosis of rotating machinery: A review.
Mechanical Systems and Signal Processing, Elsevier, v. 108, p. 33–47, 2018. Citado 2
vezes nas páginas 35e 40.
MAGDI, K. K.; JääSKELäINEN, H. Diesel Fuel Injection. DieselNet Technology Guide, 2013. Disponível em: <https://www.dieselnet.com/tech/diesel_fi.php#types>. Citado na página 21.
NEELAMEGAM, S.; RAMARAJ, E. Classification algorithm in data mining: An overview.
International Journal of P2P Network Trends and Technology (IJPTT), v. 4, n. 8, p.
369–374, 2013. Citado na página 34.
NYBERG, C. M. Model Based Fault Diagnosis: Methods, Theory, and Automotive Engine
Applications, PhDthesis. Tese (Doutorado), 1999. Citado 2 vezes nas páginas 17e 33. PATAN, K. Artificial neural networks for the modelling and fault diagnosis of technical
processes. [S.l.]: Springer, 2008. Citado 4 vezes nas páginas 28,30, 31e 33.
PATEL, B. N.; PRAJAPATI, S. G.; LAKHTARIA, K. I. Efficient classification of data using decision tree. Bonfring International Journal of Data Mining, Bonfring, v. 2, n. 1, p. 6, 2012. Citado na página 34.
Referências 65
RAWSON, W. 5 Most Common Causes of Cooling System Failure. 2016. Disponível em: <http://www.radiatorrepair.com/5-most-common-causes-of-cooling-system-failure/>.
Citado na página 24.
REED, M. Cooling System Failures Engine Power De-Rating: Dange- rous for Soldiers, Burdens on Missions, and Avoidable. Evans Water- less Coolant. 2015. Disponível em: <https://www.linkedin.com/pulse/
cooling-system-failures-engine-power-de-rating-dangerous-matthew-reed>. Ci- tado na página 24.
REFAEILZADEH, P.; TANG, L.; LIU, H. Cross-validation. In: Encyclopedia of database
systems. [S.l.]: Springer, 2009. p. 532–538. Citado na página 39.
REIF, K. Diesel engine management. [S.l.]: Springer, 2014. Citado 2 vezes nas páginas 20 e 21.
SCHWARTE, A.; ISERMANN, R. Model-based fault detection of diesel intake with
common production sensors. [S.l.], 2002. Citado 2 vezes nas páginas 17 e31. SERVICE, D. A. R. 5 Signs of Cooling System Failure. 2013. Disponível em: <https://www.davidsautorepairservice.com/blog/5-signs-of-cooling-system-failure>.
Citado na página 24.
SHATNAWI, Y.; AL-KHASSAWENEH, M. Fault diagnosis in internal combustion engines using extension neural network. IEEE Transactions on Industrial Electronics, IEEE, v. 61, n. 3, p. 1434–1443, 2014. Citado na página 35.
VERSMOLD, H.; SAEGER, M. et al. Plausibility checking of sensor signals for vehicle dynamics control systems. In: CITESEER. 8th International Symposium on Advanced
Vehicle Control AVEC Taiwan. [S.l.], 2006. Citado na página 28.
WANG, G.; LIU, J.; LI, Y. Fault diagnosis using knn reconstruction on mri variables.
Journal of Chemometrics, Wiley Online Library, v. 29, n. 7, p. 399–410, 2015. Citado na
página 34.
WANG, X. et al. Nonlinear pca with the local approach for diesel engine fault detection and diagnosis. IEEE Transactions on Control Systems Technology, IEEE, v. 16, n. 1, p. 122–129, 2008. Citado na página 34.
XIN, Q. Diesel engine system design. [S.l.]: Elsevier, 2011. Citado na página 20.
YANG, J. et al. Fault detection in a diesel engine by analysing the instantaneous angular speed. Mechanical systems and signal processing, Elsevier, v. 15, n. 3, p. 549–564, 2001. Citado na página 29.
ZHANG, H. et al. Sample data synchronization and harmonic analysis algorithm based on radial basis function interpolation. Mathematical Problems in Engineering, Hindawi, v. 2014, 2014. Citado na página 36.
66
APÊNDICE A – Circuito eletrônico de
coleta
Grande parte das plataformas de desenvolvimento operam em níveis lógicos usual- mente TTL de 0 a 3.3V ou 0 a 5V , com isso deve existir preocupação quanto ao nível de tensão usada entre os dispositivos. Neste caso utiliza-se o padrão RS232 onde as tensões podem ir de ±3V a ±18V e com isso é necessário um circuito eletrônico que converta sinais RS232 para TTL de 3.3V .
O circuito de conversão de padrão de comunicação é bastante simples. Hoje no mercado brasileiro é facilmente encontrado o circuito integrado MAX232, porém esse permite somente nível de tensão TTL de 5V . Para que seja possível utilizar a plataforma escolhida é preciso utilizar o circuito integrado MAX3232, esse permite a utilização do nível de tensão TTL de 3.3V . A figura 31 apresenta o conversor desenvolvido para a aplicação. Ele tem capacidade para ser alimentado pela própria fonte dos computadores da locomotiva e receber dados de todos os computadores da locomotiva que comunicam-se por RS232. Dessa maneira é possível embarcar o sistema de detecção e diagnóstico na locomotiva. Com o circuito instalado na locomotiva é possível além do controle do motor Diesel, receber e enviar dados aos computadores de controle da parte elétrica.
Figura 31 – Conversor RS232 para TTL 3.3V.
67
APÊNDICE B – Código MATLAB para
coleta de dados
1 c l c
2 c l e a r a l l
3 c l o s e a l l
4
5 %% C o n f i g u r a n d o Comunicacao com o EGU 6
7 s= s e r i a l (’COM1 ’,’ BaudRate ’, 9 6 0 0 ,’ P a r i t y ’,’ even ’,’ F l o w C o n t r o l ’,’ s o f t w a r e ’,’ D a t a B i t s ’, 7 ,’ T e r m i n a t o r ’, 1 3 , ’ ReadAsyncMode ’,’ c o n t i n u o u s ’) ; 8 9 %% E n d e r e c o s ( Maximo 8 e n d e r e c o s ) ; 10 %%00094304 11 e n d e r e c o=’ 0 0 0 9 4 3 04 000940D0 000940CE 000940C8 000940CA 000940CC 0009431C 0 0 0 9 4 31 0 ’; 12 13 14 %% E s c r e v e n d o p a r a o EGU 15 c a r a c t e r e s=l e n g t h( e n d e r e c o ) ; 16 f o p e n( s ) ; 17 f w r i t e( s , 2 5 ) ; 18 p a u s e( 0 . 1 ) ; 19 f w r i t e( s ,’M’) ; 20 p a u s e( 0 . 1 ) ; 21 f w r i t e( s ,’M’) ; 22 23 f o r i = 1 : 1 : c a r a c t e r e s 24 p a u s e( 0 . 1 ) ; 25 c h a r a c=e n d e r e c o ( 1 , i ) ; 26 f w r i t e( s , c h a r a c )
27 %% i f i ==(8|16 && 2 4 | 3 2 && 4 0 | 4 8 && 5 6 | 6 4 )
28 %%p a u s e ( 0 . 1 ) ; 29 %%f w r i t e ( s , 2 0 ) 30 %%end 31 end 32 p a u s e( 0 . 1 ) ; 33 f w r i t e( s , 1 3 ) 34
35 %% Recebendo dados do EGU
36 c =0;
37 f o r i = 1 : 1 : 6 0 0 38 o u t=f s c a n f( s ) ;
APÊNDICE B. Código MATLAB para coleta de dados 68 39 d a t a=c h a r ( o u t ) ; 40 41 i f l e n g t h( d a t a )==73 42 43 Engine_Speed=(s s c a n f( d a t a ( 1 , 1 : 4 ) , ’%x ’) ) / 1 6 ; 44 M a n i f o l d _ a i r _ p r e s s u r e =(s s c a n f( d a t a ( 1 , 1 0 : 1 3 ) ,’%x ’) ) / 1 2 8 ; 45 M a n i f o l d _ a i r _ t e m p e r a t u r e =(s s c a n f( d a t a ( 1 , 1 9 : 2 2 ) ,’%x ’) ) / 6 4 ; 46 C o o l a n t _ p r e s s u r e =(s s c a n f( d a t a ( 1 , 2 8 : 3 1 ) ,’%x ’) ) / 1 2 8 ; 47 C o o l a n t _ t e m p e r a t u r e =(s s c a n f( d a t a ( 1 , 3 7 : 4 0 ) ,’%x ’) ) / 6 4 ; 48 Lube_Oil_Pressure =(s s c a n f( d a t a ( 1 , 4 6 : 4 9 ) ,’%x ’) ) / 1 2 8 ; 49 Fuel_Value=(s s c a n f( d a t a ( 1 , 5 5 : 5 8 ) , ’%x ’) ) / 8 ; 50 Load_Pot=(s s c a n f( d a t a ( 1 , 6 4 : 6 7 ) , ’%x ’) ) / 3 2 ∗ 1 0 2 3 ; 51 52 Vetor_dados ( i , 1 : 8 ) =[ Engine_Speed M a n i f o l d _ a i r _ p r e s s u r e M a n i f o l d _ a i r _ t e m p e r a t u r e C o o l a n t _ p r e s s u r e C o o l a n t _ t e m p e r a t u r e Lube_Oil_Pressure Fuel_Value Advance_angle ] ;
53
54 Consumo ( 1 , i ) =(Engine_Speed ) ∗ ( Fuel_Value ) ∗ 0 . 0 0 0 4 8 ;
55 end
56 end
69
APÊNDICE C – Código Pyhton para coleta
de dados
1 2 i m p o r t numpy a s np 3 i m p o r t s e r i a l 4 i m p o r t s y s 5 i m p o r t g l o b 6 i m p o r t t i m e 7 8 9 a r q u i v o=i n p u t(" I n s e r i r nome de a r q u i v o ") #Nome do a r q u i v o a s e r g r a v a d o 1011 serEGU = s e r i a l . S e r i a l ( p o r t = "COM7", b a u d r a t e =9600 , b y t e s i z e =7 , p a r i t y=’E ’, s t o p b i t s =1) #C o n f i g u r a c a o s e r i a l p a r a c o m u n i c a r com o EGU
12 serEGU . c l o s e ( )
13
14 e n d e r e c o=’ 0 0 0 9 4 3 04 000940D0 000940CE 000940C8 000940CA 000940CC 0009431C 0009431E ’ #Endereco s o l i c i t a d o s ao EGU
15 16 ##S o l i c i t a c o e s ao EGU 17 c a r a c t e r e s=l e n( e n d e r e c o ) 18 serEGU .open( ) 19 t i m e . s l e e p ( 1 ) 20 serEGU . w r i t e ( 2 5 )
21 t i m e . s l e e p ( 1 ) #Tempo n e c e s s a r i o p a r a nao g e r a r c o n f l i t o de comunicacao com o EGU 22 serEGU . w r i t e (’M’. e n c o d e ( ) ) 23 t i m e . s l e e p ( 0 . 0 1 ) 24 serEGU . w r i t e (’M’. e n c o d e ( ) ) 25 t i m e . s l e e p ( 0 . 0 1 ) 26 serEGU . w r i t e (’ ’. e n c o d e ( ) ) 27 t i m e . s l e e p ( 0 . 0 1 ) 28 29 c o u n t = 1 30 w h i l e c o u n t < c a r a c t e r e s +1: 31 t i m e . s l e e p ( 0 . 0 1 ) 32 charpEGU=e n d e r e c o [ count −1: c o u n t ] 33 serEGU . w r i t e ( charpEGU . e n c o d e ( ) ) 34 #p r i n t ( charpEGU ) 35 c o u n t += 1 36 t i m e . s l e e p ( 0 . 0 1 ) 37
APÊNDICE C. Código Pyhton para coleta de dados 70
38 serEGU . w r i t e (’ \ r ’. e n c o d e ( ) )
39
40 ##Fim da s o l i c i t a c o e s e i n i c i o do r e c e b i m e n t o dos dados 41 42 Tmp=t i m e . c l o c k ( ) 43 c o u n t=0 44 S a i d a _ t o t a l = [ 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 ] 45 46 w h i l e Tmp < 2 0 : #Quantidade de dados d e s e j a d o s . 47 SaidaEGU = serEGU . r e a d _ u n t i l ( t e r m i n a t o r=’ \ r ’. e n c o d e ( ) ) 48 Tmp=t i m e . c l o c k ( ) 49 # p r i n t ( SaidaEGU ) 50 SaidaEGU==s t r( SaidaEGU , ’ u t f −8 ’)
51 #SaidaEGU ="000041A0 00003 E30 000041A0 000041A0 000041A0 000041A0 000041
A0 000041A0 " Exemplo de s a i d a
52 # Exemplo de dados r e c e b i d o s p e l o EGU = SaidaEGU a b a i x o , pega−s e o s u l t i m o 2 b y t e s de cada p a l a v a e f a z a c o n v e r s a o
53 # OBS : Cada v a r i a v e l que f o i l i d a tem um denominador d i f e r e n t e ex ( 1 6 ou 6 4 . . . e t c ) , o l h a r c o n f i g u r a c o e s do EGU p a r a v e r i f i c a r q u a l o d i v i s o r . 54 i f ( count >20) : 55 ES = f l o a t( (i n t( SaidaEGU [ 0 : 4 ] , 1 6 ) ) ) /16 #Engine_Speed 56 MP= f l o a t( (i n t( SaidaEGU [ 9 : 1 3 ] , 1 6 ) ) ) /128 #M a n i f o l d _ a i r _ p r e s s u r e 57 MK = f l o a t( (i n t( SaidaEGU [ 1 8 : 2 2 ] , 1 6 ) ) ) /64 #M a n i f o l d _ a i r _ t e m p e r a t u r e 58 CP = f l o a t( (i n t( SaidaEGU [ 2 7 : 3 1 ] , 1 6 ) ) ) /128 #C o o l a n t _ p r e s s u r e 59 CK = f l o a t( (i n t( SaidaEGU [ 3 6 : 4 0 ] , 1 6 ) ) ) /64 #C o o l a n t _ t e m p e r a t u r e 60 OP = f l o a t( (i n t( SaidaEGU [ 4 5 : 4 9 ] , 1 6 ) ) ) /128 #Lube_Oil_Pressure 61 FV = f l o a t( (i n t( SaidaEGU [ 5 4 : 5 8 ] , 1 6 ) ) ) /8 #Fuel_Value 62 LP = f l o a t( (i n t( SaidaEGU [ 6 3 : 6 7 ] , 1 6 ) ) ) / ( 3 2 ∗ 1 0 2 3 ) #Load P o t e n t i o m e t e r 63 S a i d a _ t r a t a d a =[Tmp, ES ,MP,MK, CP,CK, OP, FV, LP ] 64 p r i n t( S a i d a _ t r a t a d a ) 65 S a i d a _ t r a t a d a=np . a r r a y ( [ Tmp, ES ,MP,MK, CP,CK, OP, FV, LP ] ) 66 S a i d a _ t o t a l=np . v s t a c k ( ( S a i d a _ t o t a l , S a i d a _ t r a t a d a ) ) 67 c o u n t=c o u n t+1 68 69 serEGU . c l o s e ( ) 70 71 np . s a v e t x t ( a r q u i v o , S a i d a _ t o t a l , d e l i m i t e r=" , ")