Diagnóstico de fallas en sensores electrónicos y su influencia en el rendimiento de motores de combustión interna: Diagnosis of Electronic Sensor Failures and Their Influence on the Performance of Internal Combustion Engines

Camilo German Ocles Alvarado; Carmen Natividad Morejón Dávila; Eduardo Patricio Tapia Duchitanga; Juan Carlos Taco Sopa; Sebastián Eduardo Molina Suárez

doi:10.66927/unnival.v4i2.107

Autores/as

Camilo German Ocles Alvarado https://orcid.org/0009-0001-7750-8908
Carmen Natividad Morejón Dávila https://orcid.org/0009-0007-5155-6892
Eduardo Patricio Tapia Duchitanga https://orcid.org/0009-0004-7858-9860
Juan Carlos Taco Sopa https://orcid.org/0009-0001-0487-1722
Sebastián Eduardo Molina Suárez https://orcid.org/0000-0002-8641-1796

DOI:

https://doi.org/10.66927/unnival.v4i2.107

Resumen

El diagnóstico de fallas en sensores electrónicos constituye una etapa esencial del mantenimiento de motores de combustión interna, debido a que la unidad de control electrónico utiliza señales de presión, temperatura, posición, velocidad y composición de gases para calcular estrategias de inyección, encendido y control de emisiones. El objetivo de esta revisión es analizar los mecanismos mediante los cuales las alteraciones de sensores influyen en el rendimiento del motor y sistematizar un procedimiento de diagnóstico técnicamente fundamentado. Se desarrolló una revisión documental narrativa de 38 fuentes —publicaciones científicas, textos de referencia, recursos técnicos de fabricantes, normativa y estándares de diagnóstico a bordo—, con énfasis en la identificación funcional de sensores, las manifestaciones de sus fallas y las técnicas de comprobación. La síntesis evidencia que una señal defectuosa puede modificar las estimaciones de carga, sincronización o condición térmica y producir pérdida de respuesta, inestabilidad, aumento del consumo y alteraciones de emisiones; no obstante, tales efectos dependen de la arquitectura de control, de los mecanismos de redundancia y de la falla concreta. Se propone una ruta de evaluación que integra entrevistas técnicas, lectura de códigos, análisis de datos en vivo, comprobación eléctrica y validación posterior a la reparación. Se concluye que la interpretación aislada de códigos de falla es insuficiente para atribuir causalidad y que la correlación entre variables, pruebas instrumentales y documentación específica del fabricante mejora la solidez del diagnóstico.

Citas

Aliramezani, M., Koch, C. R., & Shahbakhti, M. (2022). Modeling, diagnostics, optimization, and control of internal combustion engines via modern machine learning techniques: A review and future directions. Progress in Energy and Combustion Science, 88, 100967. https://doi.org/10.1016/j.pecs.2021.100967

Arias-Montaño, E. I., León-Japa, R. S., García-Jaramillo, P., & Maldonado-Ortega, J. (2026). Estimación de emisiones por fallos en motores Otto mediante redes neuronales convolucionales. Ingenius. Revista de Ciencia y Tecnología, (35), 97–109. https://doi.org/10.17163/ings.n35.2026.07

Bosch Auto Parts. (s. f.). Engine management sensors. https://www.boschautoparts.com/g/engine-management-sensors

Bosch Mobility. (s. f.). Powertrain sensors. https://www.bosch-mobility.com/en/solutions/sensors/overview-powertrain-sensors/

California Air Resources Board. (2013). Malfunction and diagnostic system requirements—2004 and subsequent model-year passenger cars, light-duty trucks, and medium-duty vehicles and engines (OBD II) (Cal. Code Regs. tit. 13, § 1968.2).

Capriglione, D., Liguori, C., Pianese, C., & Pietrosanto, A. (2003). On-line sensor fault detection, isolation, and accommodation in automotive engines. IEEE Transactions on Instrumentation and Measurement, 52(4), 1182–1189. https://doi.org/10.1109/TIM.2003.815994

Conatser, R., Wagner, J., Ganta, S., & Walker, I. (2004). Diagnosis of automotive electronic throttle control systems. Control Engineering Practice, 12, 23–30. https://doi.org/10.1016/S0967-0661(02)00281-2

Contreras Urgilés, W., Maldonado Ortega, J., & León Japa, R. (2019). Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado. Ingenius. Revista de Ciencia y Tecnología, (21), 32–40. https://doi.org/10.17163/ings.n21.2019.03

Denton, T. (2020). Advanced automotive fault diagnosis: Automotive technology: Vehicle maintenance and repair (5.ª ed.). Routledge.

Fleming, W. J. (2001). Overview of automotive sensors. IEEE Sensors Journal, 1(4), 296–308. https://doi.org/10.1109/7361.983469

Fleming, W. J. (2008). New automotive sensors—A review. IEEE Sensors Journal, 8(11), 1900–1921. https://doi.org/10.1109/JSEN.2008.2006452

Gao, Z., Cecati, C., & Ding, S. X. (2015). A survey of fault diagnosis and fault-tolerant techniques—Part I: Fault diagnosis with model-based and signal-based approaches. IEEE Transactions on Industrial Electronics, 62(6), 3757–3767. https://doi.org/10.1109/TIE.2015.2417501

Gertler, J., Costin, M., Fang, X., Kowalczuk, Z., Kunwer, M., & Monajemy, R. (1995). Model based diagnosis for automotive engines—Algorithm development and testing on a production vehicle. IEEE Transactions on Control Systems Technology, 3(1), 61–69. https://doi.org/10.1109/87.370711

Guzzella, L., & Onder, C. H. (2010). Introduction to modeling and control of internal combustion engine systems (2.ª ed.). Springer. https://doi.org/10.1007/978-3-642-10775-7

Heck, R. M., & Farrauto, R. J. (2001). Automobile exhaust catalysts. Applied Catalysis A: General, 221(1–2), 443–457. https://doi.org/10.1016/S0926-860X(01)00818-3

Heywood, J. B. (2018). Internal combustion engine fundamentals (2.ª ed.). McGraw-Hill Education.

Hossain, M. N., Rahman, M. M., & Ramasamy, D. (2024). Artificial intelligence-driven vehicle fault diagnosis to revolutionize automotive maintenance: A review. Computer Modeling in Engineering & Sciences, 141(2), 951–996. https://doi.org/10.32604/cmes.2024.056022

Hsu, P.-L., Lin, K.-L., & Shen, L.-C. (1995). Diagnosis of multiple sensor and actuator failures in automotive engines. IEEE Transactions on Vehicular Technology, 44(4), 779–789. https://doi.org/10.1109/25.467962

Isermann, R. (2005). Model-based fault-detection and diagnosis—Status and applications. Annual Reviews in Control, 29(1), 71–85. https://doi.org/10.1016/j.arcontrol.2004.12.002

Isermann, R. (2017). Combustion engine diagnosis: Model-based condition monitoring of gasoline and diesel engines and their components. Springer Vieweg. https://doi.org/10.1007/978-3-662-49467-7

Kimmich, F., Schwarte, A., & Isermann, R. (2005). Fault detection for modern Diesel engines using signal- and process model-based methods. Control Engineering Practice, 13(2), 189–203. https://doi.org/10.1016/j.conengprac.2004.03.002

Llanes Cedeño, E. A., Rocha-Hoyos, J. C., Peralta Zurita, D. B., & Leguísamo Milla, J. C. (2018). Evaluación de emisiones de gases en un vehículo liviano a gasolina en condiciones de altura. Caso de estudio Quito, Ecuador. Enfoque UTE, 9(2), 149–158. https://doi.org/10.29019/enfoqueute.v9n2.201

Michailidis, E. T., Panagiotopoulou, A., & Papadakis, A. (2025). A review of OBD-II-based machine learning applications for sustainable, efficient, secure, and safe vehicle driving. Sensors, 25(13), 4057. https://doi.org/10.3390/s25134057

Mohammadpour, J., Franchek, M., & Grigoriadis, K. (2012). A survey on diagnostic methods for automotive engines. International Journal of Engine Research, 13(1), 41–64. https://doi.org/10.1177/1468087411422851

Ng, K. Y., Frisk, E., Krysander, M., & Eriksson, L. (2020). A realistic simulation testbed of a turbocharged spark-ignited engine system: A platform for the evaluation of fault diagnosis algorithms and strategies. IEEE Control Systems Magazine, 40(2), 56–83. https://doi.org/10.1109/MCS.2019.2961793

Nyberg, M. (2002). Model-based diagnosis of an automotive engine using several types of fault models. IEEE Transactions on Control Systems Technology, 10(5), 679–689. https://doi.org/10.1109/TCST.2002.801873

Reif, K. (Ed.). (2015). Gasoline engine management: Systems and components. Springer Vieweg. https://doi.org/10.1007/978-3-658-03964-6

Reiter, M. S., & Kockelman, K. M. (2016). The problem of cold starts: A closer look at mobile source emissions levels. Transportation Research Part D: Transport and Environment, 43, 123–132. https://doi.org/10.1016/j.trd.2015.12.012

Ribbens, W. B. (2017). Understanding automotive electronics: An engineering perspective (8.ª ed.). Butterworth-Heinemann.

Riegel, J., Neumann, H., & Wiedenmann, H.-M. (2002). Exhaust gas sensors for automotive emission control. Solid State Ionics, 152–153, 783–800. https://doi.org/10.1016/S0167-2738(02)00329-6

Rizzoni, G., & Min, P. S. (1991). Detection of sensor failures in automotive engines. IEEE Transactions on Vehicular Technology, 40(2), 487–500. https://doi.org/10.1109/25.289431

Rocha-Hoyos, J. C., Zambrano, D., Portilla, Á., Erazo, G., Torres, G., & Llanes-Cedeño, E. (2018). Análisis de gases del motor de un vehículo a través de pruebas estáticas y dinámicas. Ciencia UNEMI, 11(28), 97–108. https://doi.org/10.29076/issn.2528-7737vol11iss28.2018pp97-108p

SAE International. (2025). Diagnostic trouble code definitions (SAE Standard J2012_202511). https://doi.org/10.4271/J2012_202511

Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M., & Elger, G. (2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering & System Safety, 215, 107864. https://doi.org/10.1016/j.ress.2021.107864

U.S. Environmental Protection Agency. (2025). Onboard diagnostics (40 C.F.R. § 86.1806-17). Electronic Code of Federal Regulations. https://www.ecfr.gov/current/title-40/chapter-I/subchapter-C/part-86/subpart-S/section-86.1806-17

Wang, Z., Liu, H., & Reitz, R. D. (2017). Knocking combustion in spark-ignition engines. Progress in Energy and Combustion Science, 61, 78–112. https://doi.org/10.1016/j.pecs.2017.03.004

Wong, P. K., Zhong, J., Yang, Z., & Vong, C. M. (2016). Sparse Bayesian extreme learning committee machine for engine simultaneous fault diagnosis. Neurocomputing, 174, 331–343. https://doi.org/10.1016/j.neucom.2015.02.097

Zhen, X., Wang, Y., Xu, S., Zhu, Y., Tao, C., Xu, T., & Song, M. (2012). The engine knock analysis – An overview. Applied Energy, 92, 628–636. https://doi.org/10.1016/j.apenergy.2011.11.079