বিভিন্ন বায়ুবাহিত দূষণকারীর বিরুদ্ধে বাণিজ্যিকভাবে উপলব্ধ স্বয়ংচালিত কেবিন এয়ার ফিল্টারগুলির পরিস্রাবণ কার্যক্ষমতার তুলনা
সময়: 2024-11-06
বিভিন্ন বায়ুবাহিত দূষণকারীর বিরুদ্ধে বাণিজ্যিকভাবে উপলব্ধ স্বয়ংচালিত কেবিন এয়ার ফিল্টারগুলির পরিস্রাবণ কার্যক্ষমতার তুলনা
বিমূর্ত
স্বয়ংচালিত ইঞ্জিন গ্রহণের ফিল্টারগুলি ইঞ্জিনে পরিষ্কার বায়ু সরবরাহ নিশ্চিত করে, যদিও সময়ের সাথে সাথে এই ফিল্টারগুলি মুক্ত বায়ুপ্রবাহকে বাধাগ্রস্ত করে দূষক দ্বারা লোড হয়। এয়ার ফিল্টার রক্ষণাবেক্ষণের জন্য আজকের ওপেন-লুপ পদ্ধতিতে ড্রাইভারগুলি পূর্বনির্ধারিত পরিষেবার ব্যবধানে উপাদানগুলিকে প্রতিস্থাপন করে, যা ব্যয়বহুল এবং সম্ভাব্য ক্ষতিকারক অতিরিক্ত এবং কম প্রতিস্থাপনের কারণ হয়। ফলাফল হল যে অনেক যানবাহন ক্রমাগতভাবে কম শক্তি, বর্ধিত জ্বালানী খরচ, বা অত্যধিক কণা-সম্পর্কিত পরিধানের সাথে কাজ করে যা অনুঘটককে ক্ষতি করতে পারে বা মেশিনযুক্ত ইঞ্জিন পৃষ্ঠের ক্ষতি করতে পারে।
আমরা একটি স্মার্টফোন এবং একটি স্ট্যান্ড মাইক্রোফোন দ্বারা সংগৃহীত অডিও ডেটা থেকে ফিল্টার দূষক লোডিং সনাক্ত করার একটি পদ্ধতি উপস্থাপন করি৷ ফিল্টার তত্ত্বাবধানে আমাদের মেশিন লার্নিং পদ্ধতি মেল-সেপস্ট্রাম, ফুরিয়ার এবং ওয়েভলেট বৈশিষ্ট্যগুলিকে একটি শ্রেণিবিন্যাস মডেলে ইনপুট হিসাবে ব্যবহার করে এবং সেরা-বিভেদকারী বৈশিষ্ট্যগুলি নির্বাচন করতে বৈশিষ্ট্য র্যাঙ্কিং প্রয়োগ করে। একটি ফিল্টারকে তিনটি লোডিং অবস্থায় শ্রেণীবদ্ধ করার সময় আমরা 79.7% নির্ভুলতার সেরা ফলাফল খুঁজে বের করে দুটি গাড়ির ধরন এবং বিভিন্ন মাইক্রোফোনের জন্য এর কার্যকারিতা দেখিয়ে আমাদের কৌশলটির দৃঢ়তা প্রদর্শন করি।
এই কৌশলের পরিমার্জন চালকদের তাদের ফিল্টার তদারকি করতে এবং তাদের প্রতিস্থাপনের সর্বোত্তম সময় নির্ধারণে সহায়তা করবে। এর ফলে গাড়ির কর্মক্ষমতা, দক্ষতা এবং নির্ভরযোগ্যতার উন্নতি ঘটবে, যেখানে যানবাহন মালিকদের রক্ষণাবেক্ষণের খরচ কমবে।
ভূমিকা
প্রতি বছর, গড় যানবাহনের বয়স এবং বার্ষিক মাইল ভ্রমণ ইউনাইটেড স্টেটস ডিপার্টমেন্ট অফ ট্রান্সপোর্টেশন (2016b), IHS Inc (2016) এবং শেয়ার্ড মোবিলিটির দিকে পরিবর্তনের সাথে সাথে দক্ষ, নির্ভরযোগ্য এবং টেকসই যানবাহনের প্রয়োজনীয়তা বাড়তে থাকে।
অধিকাংশ 260 " id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">-মিলিয়ন যানবাহন ইউএস লাইট-ডিউটি ফ্লিট (ইউনাইটেড স্টেটস ডিপার্টমেন্ট অফ ট্রান্সপোর্টেশন, 2016a) পেট্রল চালিত (ইউএস এনার্জি ইনফরমেশন অ্যাডমিনিস্ট্রেশন, 2016), ইঞ্জিন যা বায়ু এবং জ্বালানী গ্রহণ করে, একটি পিস্টনকে চালিত করতে এই মিশ্রণটি জ্বালায়, এবং দহন উপজাত নির্গত করে৷ যেকোনো অদক্ষতার কারণে ইঞ্জিনের কর্মক্ষমতা, অর্থনীতি এবং দীর্ঘায়ু ক্ষতিগ্রস্ত হয়।
গ্রহণ ব্যবস্থা সর্বোত্তম কর্মক্ষমতা জন্য গুরুত্বপূর্ণ. ইনকামিং বাতাস অবশ্যই মুক্ত-প্রবাহিত হতে হবে দক্ষতা অর্জন করতে, পরিষ্কার করতে, ঘর্ষণ এবং ঠান্ডা থেকে ইঞ্জিনের পৃষ্ঠকে রক্ষা করতে, যাতে বর্ধিত ঘনত্ব আরও জ্বালানীকে দহন করতে দেয়, শক্তির উন্নতি করে।
ইঞ্জিন গ্রহণের একটি মূল উপাদান, ফিল্টারগুলি দূষক ঘনত্বকে নিরাপদ মাত্রায় কমিয়ে দেয় (Jaroszczyk et al., 1993) যখন ভোজনের বায়ু উত্তাপকে সীমিত করতে বিনামূল্যে তরল প্রবাহ নিশ্চিত করে। এই ফিল্টারগুলি পরিধানের আইটেম, ময়লা, ধুলো এবং ধ্বংসাবশেষে লোড হয়ে গেলে পরিষ্কার বা প্রতিস্থাপনের প্রয়োজন।
সর্বোত্তম পরিস্রাবণ ইঞ্জিন সিলিন্ডারের ক্ষয় হ্রাস করে, কণার প্রবেশকে উন্নত করে। দক্ষতার ছোট পরিবর্তনগুলি উল্লেখযোগ্য প্রভাব ফেলে: ইঞ্জিন পরিধান হয় 8 " id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0"> যে একটি ফিল্টার জন্য বার দ্রুত 98 " id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">% বনাম 99 " id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">% দক্ষ (Jaroszczyk et al., 1993)। আরও, আদর্শ পরিস্রাবণ কেবিনের শব্দের মাত্রা হ্রাস করে এবং ইঞ্জিনের শক্তি এবং প্রতিক্রিয়া উন্নত করে। বিপরীতে, নোংরা ফিল্টার শক্তি সীমিত করে, গোলমাল সৃষ্টি করে, বর্জ্য জ্বালানী নরম্যান এট আল। (2009), Toma (2016) এবং ডাউনস্ট্রিম ক্যাটালিটিক কনভার্টার ব্যর্থতার কারণ হতে পারে। এই চ্যালেঞ্জগুলি কার্বুরেটেড যানবাহনগুলিতে সবচেয়ে গুরুত্বপূর্ণ (থমাস এট আল।, 2012) বন্ধ-লুপ জ্বালানী নিয়ন্ত্রণের অভাব। 1990-এর দশকের মাঝামাঝি নতুন গাড়িগুলি ফুয়েল ইনজেকশনে স্যুইচ করার সময়, বিশ্বজুড়ে অনেক গাড়ি, মোটরসাইকেল এবং অন্যান্য হালকা পরিবহন যান এখনও কার্বুরেটর ব্যবহার করে।
ফিল্টার উপাদানগুলিকে তাড়াতাড়ি পরিবর্তন করা একটি সুস্পষ্ট সমাধান বলে মনে হয়, তবে তাড়াতাড়ি প্রতিস্থাপন সূক্ষ্ম কিন্তু গুরুতর সমস্যা সৃষ্টি করে। লোড করার সাথে সাথে পার্টিকুলেট ক্যাপচারের দক্ষতা বৃদ্ধি পায় (Norman et al., 2009), তাই হালকাভাবে ব্যবহৃত উপাদানগুলি ইঞ্জিনের পরিধান কমায় এবং পরিষেবার আয়ু বাড়ায়। একটি ফিল্টার পরিবর্তন করার জন্য একটি সর্বোত্তম উইন্ডো রয়েছে - যেটিতে ফিল্টারটি বেশিরভাগ কণা ক্যাপচার করে এবং প্রবাহকে ন্যূনতমভাবে সীমাবদ্ধ করে।
গাড়ির মধ্যে সেন্সরগুলি সর্বোত্তম ফিল্টার প্রতিস্থাপনের সমস্যা সমাধানের জন্য ডিজাইন করা হয়েছে, কিন্তু অন-বোর্ড ডায়াগনস্টিক সহ বেশিরভাগ নতুন যানবাহন সাধারণত এই অবস্থার নিরীক্ষণ করে না এবং পুরানো যানবাহনে সাধারণত কোনও সেন্সিংয়ের অভাব থাকে। কিছু যানবাহন ভ্যাকুয়াম-ভিত্তিক গ্রহণের চাপ ড্রপ সেন্সর (Norman et al., 2009) অফার করে যা বেসলাইন প্রেসার ড্রপের চেয়ে বৃদ্ধি নির্দেশ করে 1 " id="MathJax-Element-5-Frame" class="MathJax_SVG" tabindex="0">-2 . 5 kPa " id="MathJax-Element-6-Frame" class="MathJax_SVG" tabindex="0"> Toma (2016), Thomas et al. (2012)। যেখানে সেন্সর থাকে না, ড্রাইভাররা সাধারণত অসচেতন থাকে এবং তাই ডেটা-ব্লাইন্ড টাইমিং এর উপর নির্ভর করে, বেশিরভাগ ড্রাইভার ফিল্টারগুলিকে নির্দিষ্ট ব্যবধানে প্রতিস্থাপন করে (প্রায়শই 15,000 কিমি (Toma, 2016)) বা যখন তারা নোংরা দেখায়। এই পদ্ধতিগুলি ভুল, বিভিন্ন পরিবেশে ব্যবহৃত যানবাহনগুলি বিভিন্ন কণা লোড এবং অপ্রত্যাশিত বায়ুপ্রবাহের হার সহ (Jaroszczyk et al., 1993)।
একটি জরিপে 21 " id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0"> এয়ার ফিল্টার অপসারণের পর পরীক্ষিত, 15 " id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0"> প্রথম দিকে সরানো হয়েছিল যখন কার্যক্ষমতা-অবক্ষয়কারী বাধা শুরু হওয়ার পরে দুটি পরিবর্তন করা হয়েছিল (Toma, 2016)। এটি ইঙ্গিত দেয় যে চালকরা পরিষেবার জন্য যানবাহনগুলিকে খুব তাড়াতাড়ি পরিবর্তন করে তবে এটি সহজাতভাবে পক্ষপাতদুষ্ট, কারণ সেই গাড়িগুলিতে সবচেয়ে নোংরা ফিল্টারগুলি পাওয়া যায় যেগুলি পরিষেবার জন্য কখনও নেওয়া হয়নি৷ অনুমান a 2 " id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">কম-পরিষেধিত যানবাহনে জ্বালানী অর্থনীতির % ক্ষতি, একজন গড় চালক প্রতি বছর $1680 জ্বালানি অপচয় করে $33.60 একটি নোংরা ফিল্টার দিয়ে গাড়ি চালাতে। এটি একটি সাধারণ ফিল্টারের খরচকে ছাড়িয়ে যায় এবং ইঞ্জিন এবং অনুঘটক রূপান্তরকারীদের দীর্ঘমেয়াদী ক্ষতির কথা উল্লেখ না করে, সর্বোত্তম প্রতিস্থাপনের জন্য সম্ভাব্য সঞ্চয় প্রদর্শন করে।
স্ট্রীমলাইনড, রিয়েলটাইম ফিল্টার শ্রেণীবিভাগ নির্ভরযোগ্যতা উন্নত করার সময় গাড়ির অপারেটিং খরচ এবং নির্গমন কমাতে পারে। এই তথ্যের জন্য সুপ্ত চাহিদা রয়েছে — 81.4% মানুষ একটি ডেটা-ইনফর্মড সিস্টেম থেকে সুপারিশ নেবে (Toma and Bobalca, 2016)।
আচরণগত পরিবর্তনের প্রয়োজনীয়তা কমাতে, কম খরচে, স্মার্টফোন ব্যবহার করে ব্যাপক সেন্সিং ব্যবহার করা যেতে পারে বিদ্যমান ডিভাইসগুলিকে পুনরায় ব্যবহার করতে (Engelbrecht et al., 2015)। সাম্প্রতিক বছরগুলিতে, ভোক্তা ইলেকট্রনিক্স নির্মাতারা মোবাইল সেন্সিং ক্ষমতা বাড়িয়েছে। এই নতুন ইনপুটগুলি, বায়ুমণ্ডলীয় চাপ এবং ডিভাইসের অভিযোজন থেকে শুরু করে তাপমাত্রা, স্পর্শ এবং নৈকট্য পর্যন্ত, মোবাইল গণনা, সঞ্চয়স্থান এবং সংযোগের ক্ষেত্রে সামঞ্জস্যপূর্ণ উন্নতির সাথে মিলিত হয়েছে (Han and Cho, 2016)। আমাদের নিজস্ব কাজ দেখিয়েছে যে এই ধরনের ডিভাইস ব্যবহার করে ইঞ্জিন ইগনিশন নিরীক্ষণ করা সম্ভব (Siegel et al., 2016b)।
আমরা আজকের প্রতিক্রিয়াশীল রক্ষণাবেক্ষণের দৃষ্টান্ত থেকে সক্রিয়ভাবে রূপান্তর করার লক্ষ্য রাখি, এই সংস্থানগুলি নিজেদেরকে কাজে লাগিয়ে। স্বয়ংচালিত সর্বোত্তম রক্ষণাবেক্ষণ অনুশীলনের সাথে সম্মতি বাড়াতে এয়ার ফিল্টারগুলির জন্য একটি "বাকি জীবন" নির্দেশক এবং অবস্থার মনিটর তৈরির লক্ষ্যে একটি গাড়ি কীভাবে "শ্বাস নেয়" তা পর্যবেক্ষণ করতে আমরা মোবাইল অডিও প্রয়োগ করি। এই কাগজটি দেখায় কিভাবে মোবাইল অডিও ডেটা এবং এনসেম্বল শ্রেণীবিভাগ এয়ার ফিল্টার অবস্থাকে একাধিক লোড অবস্থায় শ্রেণীবদ্ধ করতে প্রয়োগ করা যেতে পারে।
বিভাগ 2-এ, আমরা অনুমান করি যে ভোজন থেকে নির্গত শব্দটি কণা লোডিংয়ের সাথে পরিবর্তিত হয়, যখন বিভাগ 3 সম্পর্কিত কাজগুলি অন্বেষণ করে। বিভাগ 4 ডেটা সংগ্রহ করার জন্য একটি পরীক্ষামূলক পদ্ধতি বর্ণনা করে এবং বায়ুপ্রবাহকে সীমাবদ্ধকারী দূষকদের অনুকরণ করে। আমরা সেকশন 5-এ আমাদের এনসেম্বল শ্রেণীবিভাগ অ্যালগরিদম বর্ণনা করি এবং ধারা 6-এ বর্তমান ফলাফলগুলি, নতুন, মৃদুভাবে ব্যবহৃত, নোংরা এবং বাধাযুক্ত ফিল্টারগুলিকে আলাদা করার ক্ষেত্রে উচ্চ নির্ভুলতা দেখায়। পরিশেষে, বিভাগ 7 এই অ্যালগরিদমের ভবিষ্যতের উন্নতি এবং গাড়ির অন্যান্য ত্রুটির জন্য ব্যাপক সংবেদন প্রয়োগের বিষয়ে আলোচনা করে।
বিভাগ স্নিপেট
সমস্যা বর্ণনা
আদর্শ দহন ইঞ্জিন মুক্ত-প্রবাহিত, পরিষ্কার, ঠান্ডা বাতাসের সীমাহীন সরবরাহের দাবি করে। বাস্তবে, ইঞ্জিনে বাতাস পরিষ্কার করতে এবং পরিধান সীমিত করতে ফিল্টারের প্রয়োজন হয়। নতুন হলে, এই ফিল্টারগুলি গ্রহণের বায়ুপ্রবাহকে সীমাবদ্ধ করে এবং ফিল্টারটি দূষিত পদার্থের সাথে লোড হওয়ার সাথে সাথে এই সীমাবদ্ধতা এবং সম্পর্কিত চাপ হ্রাস বৃদ্ধি পায়। যদিও ভোজনের সিস্টেমগুলি শব্দ, কম্পন এবং কঠোরতা কমানোর জন্য টিউন করা হয়েছে, প্রবাহের পরিবর্তনগুলি শেষ পর্যন্ত গ্রহণ থেকে নির্গত অডিওতে উপলব্ধিযোগ্য পরিবর্তনের দিকে নিয়ে যায়। আমরা এই চাপ জোর দিয়ে
পূর্বের শিল্প
গাড়ির কর্মক্ষমতা বৈশিষ্ট্যযুক্ত করা, উপাদানের অবস্থার শ্রেণীবিভাগ করা এবং সময়-ডোমেন সংকেত ব্যবহার করে অস্বাভাবিক আচরণ সনাক্ত করা একটি নতুন ক্ষেত্র নয়। বিশেষ করে এয়ার ফিল্টার পর্যবেক্ষণে গাড়ির মধ্যে সেন্সিং প্রয়োগ করা হয়েছে। যাইহোক, মাল্টি-স্টেট শ্রেণীবিভাগ এবং বিস্তৃত অবস্থা পর্যবেক্ষণ অন্বেষণ করা রয়ে গেছে।
এটি ব্যাপক যানবাহন ডায়াগনস্টিকসের অভাবের জন্য নয়। অডিও সিগন্যাল ব্যবহার বিশেষ করে গবেষণা এবং শিল্প অ্যাপ্লিকেশনে প্রচলিত কারণ শাব্দ সংকেত প্রয়োজন হয় না
পরীক্ষামূলক পদ্ধতি এবং হাইপোথিসিস বৈধতা
এই বিভাগটি বর্ণনা করে যে কিভাবে আমরা একাধিক যানবাহনের জন্য একটি থ্রি-স্টেট ক্লাসিফায়ারকে প্রশিক্ষণ দেওয়ার জন্য বিভিন্ন মাত্রার এয়ার ফিল্টার দূষণ সহ একটি গাড়ি থেকে অডিও নমুনা তৈরি করেছি।
আমরা প্রথমে নতুন ফিল্টার থেকে পুরানোকে আলাদা করতে অডিও বৈশিষ্ট্যগুলি ব্যবহার করার ধারণাটি প্রমাণ করার জন্য ডেটা সংগ্রহের একটি পরীক্ষা নিয়ে আলোচনা করি। তারপরে, আমরা মাল্টি-স্টেট দূষণ শ্রেণীবিভাগের জন্য নিয়ন্ত্রিত ডেটা তৈরি করার জন্য একটি পদ্ধতি উপস্থাপন করি এবং ব্যাখ্যা করি যে এই পদ্ধতিটি কীভাবে আমাদের শ্রেণীবদ্ধকারীর দৃঢ়তা নিশ্চিত করে। এখানে, আমরা ডেটা সংগ্রহ করি
অ্যালগরিদম উন্নয়ন
চিত্র 5 থেকে, আমরা অনুমান করেছি যে এফটি শিখর পার্থক্য তিনটি রাজ্যের মধ্যে পার্থক্য করতে ব্যবহার করা যেতে পারে, অতিরিক্ত বৈশিষ্ট্যগুলি শ্রেণীবিভাগের সঠিকতা উন্নত করে। এই বিভাগে আমরা আলোচনা করি যে কীভাবে আমরা বৈশিষ্ট্যগুলি তৈরি করেছি, একটি শ্রেণীবিভাগকে টিউন করেছি এবং ওভারফিটিং কম করার সময় ফিল্টার লোডিং শ্রেণীবিভাগের নির্ভুলতা সর্বাধিক করার জন্য সর্বোত্তম ইনপুট প্যারামিটার নির্বাচন করেছি।
আউট-নমুনা ফলাফল
এই বিভাগটি সারণী আকারে তিনটি পরীক্ষিত ডেটা সেটের আউট নমুনা, অপ্টিমাইজ করা ফলাফল দেখায়।
সারণি 1-এ, আমরা তিনটি মডেলের প্রতিটির জন্য সর্বোত্তম কনফিগারেশন এবং 5-গুণ ক্রস-ভ্যালিডেটেড নমুনা পারফরম্যান্সের পাশাপাশি 25 " id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">% নমুনা কর্মক্ষমতা.
আমরা সর্বোত্তম মডেল পরামিতি প্রবণতা নোট. প্রতিটি মডেল ছোট বিনের আকার নির্বাচন করার প্রবণতা রাখে, পরামর্শ দেয় যে ডিএফটি উপাদানগুলি রাজ্যগুলিকে আলাদা করার ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করবে এবং আগ্রহের বৈশিষ্ট্যগুলি সংকীর্ণের উপর দৃষ্টি নিবদ্ধ করে
উপসংহার
আমরা MFCC, DFT এবং ওয়েভলেট বৈশিষ্ট্য এবং ব্যাগড ডিসিশন ট্রি ব্যবহার করে থ্রি-স্টেট এয়ার ফিল্টার পার্টিকুলেট লোডিং সনাক্তকরণে 80% নির্ভুলতা প্রদর্শন করেছি, ফিল্টার শ্রেণিবিন্যাসের জন্য ব্যাচ প্রক্রিয়াকৃত স্মার্টফোন অডিওর কার্যকারিতা প্রমাণ করে। মাল্টি-স্টেট শ্রেণীবিভাগ অবস্থা পর্যবেক্ষণের দিকে একটি পদক্ষেপ, যখন প্রদর্শিত শ্রেণীবিভাগের সংবেদনশীলতা প্রাথমিক প্রতিক্রিয়া সম্ভব বলে পরামর্শ দেয়। এই পদ্ধতি ব্যবহার করে একটি মোবাইল অ্যাপ্লিকেশন শেষ পর্যন্ত গাড়ির কর্মক্ষমতা এবং দক্ষতা উন্নত করতে পারে।
ফলাফলগুলো