Всички категории

Статии

Начало >  Статии

Сравнение на ефективността на филтриране на наличните в търговската мрежа автомобилни въздушни филтри за кабина срещу различни замърсители във въздуха България

Време: 2024-11-06

Сравнение на ефективността на филтриране на наличните в търговската мрежа автомобилни въздушни филтри за кабина срещу различни замърсители във въздуха

       

абстрактен

Всмукателните филтри на автомобилния двигател осигуряват подаване на чист въздух към двигателя, но с течение на времето тези филтри се зареждат със замърсители, които възпрепятстват свободния въздушен поток. Днешният отворен цикъл за поддръжка на въздушния филтър кара водачите да сменят елементи на предварително определени сервизни интервали, което води до скъпа и потенциално вредна свръх- и недостатъчна подмяна. Резултатът е, че много превозни средства постоянно работят с намалена мощност, повишен разход на гориво или прекомерно износване, свързано с частици, което може да навреди на катализатора или да повреди машинно обработените повърхности на двигателя.
Представяме метод за откриване на натоварване на филтъра от замърсители от аудио данни, събрани от смартфон и микрофон на стойка. Нашият подход за машинно обучение за надзор на филтъра използва характеристиките на Mel-Cepstrum, Fourier и Wavelet като входни данни в класификационен модел и прилага класиране на характеристиките, за да избере най-добре диференциращите характеристики. Ние демонстрираме устойчивостта на нашата техника, като показваме нейната ефикасност за два типа превозни средства и различни микрофони, намирайки най-добър резултат от 79.7% точност при класифициране на филтър в три състояния на натоварване.
Усъвършенстването на тази техника ще помогне на шофьорите да контролират своите филтри и ще помогнат за оптималното определяне на времето за тяхната смяна. Това ще доведе до подобряване на производителността, ефективността и надеждността на превозното средство, като същевременно ще намали разходите за поддръжка на собствениците на превозни средства.

Въведение

Всяка година средната възраст на превозното средство и годишните изминати километри се увеличават Министерството на транспорта на САЩ (2016b), IHS Inc (2016) и с преминаването към споделена мобилност нуждата от ефективни, надеждни и издръжливи превозни средства продължава да расте.
Повечето от 260" id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">260-милион превозни средства Лекотоварният флот на САЩ (Министерство на транспорта на САЩ, 2016a) се задвижва с бензин (Администрация за енергийна информация на САЩ, 2016), с двигатели, които консумират въздух и гориво, запалват тази смес, за да задвижат бутало, и отделят странични продукти от горенето. Всяка неефективност влошава работата на двигателя, икономичността и дълголетието.
Всмукателната система е от решаващо значение за оптималната работа. Входящият въздух трябва да бъде свободно течащ, за да се постигне ефективност, чист, за да предпазва повърхностите на двигателя от абразия и студ, така че повишената плътност позволява изгарянето на повече гориво, подобрявайки мощността.
Ключов елемент от всмукателните отвори на двигателя, филтрите намаляват концентрацията на замърсители до безопасни нива (Jaroszczyk et al., 1993), като същевременно осигуряват свободен поток на течности, за да ограничат нагряването на входящия въздух. Тези филтри са износващи се елементи, които се нуждаят от почистване или подмяна, след като са натоварени с мръсотия, прах и отломки.
Оптималното филтриране подобрява улавянето на частици, намалявайки ерозията на цилиндрите на двигателя. Малките промени в ефективността оказват значително влияние: износването на двигателя е 8" id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0">8 пъти по-бързо за филтър, който е 98" id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">98% спрямо 99" id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">99% ефективен (Jaroszczyk et al., 1993). Освен това идеалното филтриране намалява нивата на шум в кабината и подобрява мощността и реакцията на двигателя. За разлика от тях мръсните филтри ограничават мощността, причиняват шум, разхищават гориво Norman et al. (2009), Toma (2016) и може да причини повреда на каталитичния конвертор надолу по веригата. Тези предизвикателства са най-значими при превозни средства с карбуратор (Thomas et al., 2012), при които липсва затворен цикъл на управление на горивото. Докато новите автомобили преминаха към впръскване на гориво до средата на 1990-те години, много автомобили, мотоциклети и други леки транспортни средства по света все още използват карбуратори.
Ранната смяна на филтърните елементи изглежда очевидно решение, но ранната подмяна причинява фини, но сериозни проблеми. Ефективността на улавяне на частици се увеличава с натоварването (Norman et al., 2009), така че леко използваните елементи намаляват износването на двигателя и удължават експлоатационния живот. Съществува оптимален прозорец за смяна на филтър — такъв, в който филтърът улавя по-голямата част от частиците и минимално ограничава потока.
Сензорите в превозното средство са проектирани да разрешат проблема с оптималната смяна на филтъра, но повечето нови превозни средства с бордова диагностика обикновено не следят това състояние, а по-старите превозни средства обикновено нямат никакви сензори. Малко превозни средства предлагат базирани на вакуум сензори за спад на налягането на всмукателната система (Norman et al., 2009), които показват увеличение спрямо базовия спад на налягането от 1" id="MathJax-Element-5-Frame" class="MathJax_SVG" tabindex="0">1-2.5kPa" id="MathJax-Element-6-Frame" class="MathJax_SVG" tabindex="0">2.5кРа Toma (2016), Thomas et al. (2012). Когато няма сензори, водачите обикновено не са наясно и следователно разчитат на сляпо време за данни, като повечето шофьори сменят филтрите на определени интервали (често 15,000 2016 км (Toma, 1993)) или когато изглеждат мръсни. Тези методи са неточни, като превозните средства се използват в различни среди с различно натоварване от частици и непредвидими скорости на въздушния поток (Jaroszczyk et al., XNUMX).
В проучване на 21" id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0">21 въздушни филтри, тествани след отстраняване, 15" id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0">15 бяха премахнати рано, докато две бяха променени след започване на влошаваща производителността оклузия (Toma, 2016). Това показва, че шофьорите, които закарват превозни средства за сервиз, сменят филтрите твърде рано, но по своята същност е пристрастно, тъй като най-мръсните филтри се намират в тези автомобили, които никога не са занасяни за сервиз. Ако приемем a 2" id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">2% загуба на икономия на гориво в превозните средства с недостатъчно обслужване, среден шофьор, харчещ $1680 на година за гориво, губи $33.60 при шофиране с мръсен филтър. Това надвишава типичната цена на филтъра и демонстрира потенциалните спестявания за оптимално време за смяна, да не говорим за дългосрочните щети на двигателите и каталитичните конвертори.
Рационализираната класификация на филтъра в реално време може да намали експлоатационните разходи и емисиите на превозното средство, като същевременно подобри надеждността. Съществува латентно търсене на тази информация — 81.4% от хората биха приели препоръки от система, базирана на данни (Toma and Bobalca, 2016).
За да се намали нуждата от промени в поведението, евтино, широко разпространено наблюдение с помощта на смартфони може да се използва за пренасочване на съществуващи устройства (Engelbrecht et al., 2015). През последните години производителите на потребителска електроника увеличиха възможностите за мобилно наблюдение. Тези нови входни данни, вариращи от атмосферно налягане и ориентация на устройството до температура, докосване и близост, се срещнаха със съизмерими подобрения в мобилните изчисления, съхранение и свързаност (Han and Cho, 2016). Нашата собствена работа показа, че е възможно да се наблюдава запалването на двигателя с помощта на такива устройства (Siegel et al., 2016b).
Ние се стремим да преминем от днешната парадигма за реактивна поддръжка към проактивна, като се възползваме от тези ресурси. Ние прилагаме мобилно аудио, за да наблюдаваме как автомобилът „диша“, за да класифицираме ефективността на въздушния филтър с цел създаване на индикатор за „оставащ живот“ и монитор за състоянието на въздушните филтри, за да подобрим съответствието с най-добрите практики за поддръжка на автомобили. Този документ демонстрира как мобилните аудио данни и класификацията на ансамбъла могат да бъдат приложени за категоризиране на състоянието на въздушния филтър в множество заредени състояния.
В раздел 2 ние предполагаме, че звукът, излъчван от всмукването, се променя с натоварването на частици, докато раздел 3 изследва свързаната работа. Раздел 4 описва експериментална процедура за събиране на данни и симулиране на замърсители, ограничаващи въздушния поток. Ние описваме нашия алгоритъм за групова класификация в раздел 5 и представяме резултати в раздел 6, показващи висока точност при разграничаване на нови, внимателно използвани, замърсени и запушени филтри. И накрая, раздел 7 обсъжда бъдещи подобрения на този алгоритъм и приложения на широко разпознаване при други неизправности на превозното средство.

Откъси от раздели

Описание на проблема

Идеалният двигател с вътрешно горене изисква неограничено количество свободно течащ, чист и студен въздух. В действителност двигателите изискват филтри за пречистване на въздуха и ограничаване на износването. Когато са нови, тези филтри ограничават входящия въздушен поток и тъй като филтърът се натоварва със замърсители, това ограничение и свързаният с него спад на налягането се увеличават. Докато всмукателните системи са настроени да минимизират шума, вибрациите и грубостта, промените в потока в крайна сметка водят до осезаеми промени в звука, излъчван от всмукателния отвор. Ние твърдим, че този натиск

Предшестващо състояние на техниката

Характеризирането на ефективността на превозното средство, класифицирането на състоянието на компонентите и идентифицирането на необичайно поведение с помощта на сигнали във времева област не е нова област. По-специално сензорите в автомобила са приложени за наблюдение на въздушния филтър. Въпреки това класификацията с множество състояния и всепроникващият мониторинг на състоянието остават недостатъчно проучени.
Това не е поради липсата на широко разпространена диагностика на автомобила. Използването на аудио сигнали е особено разпространено в изследователските и промишлени приложения, тъй като акустичните сигнали не изискват 

Експериментална процедура и валидиране на хипотези

Този раздел описва как генерирахме аудио проби от превозно средство с различна степен на замърсяване на въздушния филтър, за да обучим класификатор с три състояния за множество превозни средства.
Първо обсъждаме експеримент за събиране на данни, за да докажем концепцията за използване на аудио функции за разграничаване на стари от нови филтри. След това представяме процедура за генериране на контролирани данни за класифициране на замърсяване с множество състояния и обясняваме как този подход гарантира надеждността на нашите класификатори. Тук събираме данни

Разработване на алгоритъм

От фиг. 5 предположихме, че пиковите разлики на FT могат да се използват за разграничаване между три състояния, с допълнителни характеристики, подобряващи точността на класификацията. В този раздел обсъждаме как генерирахме функции, настроихме класификатор и избрахме оптималните входни параметри, за да увеличим максимално точността на класификацията при зареждане на филтъра, като същевременно минимизираме прекомерното оборудване.

Резултати извън пробата

Този раздел показва извадката, оптимизирани резултати за трите тествани набора от данни в таблична форма.
В таблица 1 виждаме оптималната конфигурация за всеки от трите модела и 5-кратно кръстосано валидирана производителност в извадката, както и 25" id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">25% изпреварващо представяне.
Отбелязваме тенденции в оптималните параметри на модела. Всеки модел има тенденция да избира малки размери на контейнери, което предполага, че DFT елементите ще играят важна роля в диференцирането на състоянията и че интересните характеристики са фокусирани върху тесни

Заключения

Демонстрирахме 80% точност при откриване на натоварване с частици във въздушния филтър с три състояния, използвайки MFCC, DFT и вълнови функции и пакетирани дървета на решенията, доказвайки жизнеспособността на пакетно обработено аудио за смартфон за класифициране на филтъра. Класификацията с множество състояния е стъпка към наблюдение на състоянието, докато демонстрираната чувствителност на класификатора предполага, че е възможна ранна реакция. Мобилно приложение, използващо този подход, може в крайна сметка да подобри производителността и ефективността на автомобила.
Резултатите

PREV: ЖИЗНЕНОСТНОТО ВАЖНОСТ НА МАСЛЕНИЯ ФИЛТЪР

СЛЕДВАЩИЯ : Истинската история на автомобилните филтри