Všechny kategorie

Novinky

Domů >  Novinky

Porovnání filtračního výkonu komerčně dostupných automobilových kabinových vzduchových filtrů proti různým polutantům ve vzduchu Česká republika

Čas: 2024-11-06

Porovnání filtračního výkonu komerčně dostupných automobilových kabinových vzduchových filtrů proti různým polutantům ve vzduchu

       

Abstraktní

Sací filtry automobilového motoru zajišťují přívod čistého vzduchu do motoru, i když se časem tyto filtry zatíží nečistotami, které brání volnému proudění vzduchu. Dnešní přístup k údržbě vzduchového filtru s otevřenou smyčkou nutí řidiče vyměňovat prvky v předem stanovených servisních intervalech, což způsobuje nákladné a potenciálně škodlivé nadměrné a nedostatečné výměny. Výsledkem je, že mnoho vozidel trvale pracuje se sníženým výkonem, zvýšenou spotřebou paliva nebo nadměrným opotřebením souvisejícím s částicemi, které může poškodit katalyzátor nebo poškodit obrobené povrchy motoru.
Představujeme metodu detekce zatížení filtru kontaminantem ze zvukových dat shromážděných chytrým telefonem a stojanovým mikrofonem. Náš přístup strojového učení k dohledu nad filtry využívá funkce Mel-Cepstrum, Fourier a Wavelet jako vstup do klasifikačního modelu a používá hodnocení funkcí pro výběr nejlépe rozlišujících funkcí. Robustnost naší techniky prokazujeme tím, že ukazujeme její účinnost pro dva typy vozidel a různé mikrofony, přičemž jsme našli nejlepší výsledek s přesností 79.7 % při klasifikaci filtru do tří stavů zatížení.
Zdokonalení této techniky pomůže řidičům dohlížet na jejich filtry a pomůže jim optimální načasování jejich výměny. To povede ke zlepšení výkonu, účinnosti a spolehlivosti vozidla a zároveň ke snížení nákladů na údržbu pro majitele vozidel.

Úvod

Každý rok se průměrné stáří vozidla a roční ujeté míle zvyšují Ministerstvem dopravy Spojených států amerických (2016b), IHS Inc (2016) a s posunem ke sdílené mobilitě stále roste potřeba účinných, spolehlivých a odolných vozidel.
Většina z 260" id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">260-milionová lehká užitková flotila USA (United States Department of Transportation, 2016a) je poháněna benzínem (US Energy Information Administration, 2016), s motory, které spotřebovávají vzduch a palivo, zapalují tuto směs, aby poháněly píst, a výfukové spaliny. Jakákoli neefektivita způsobuje, že výkon motoru, hospodárnost a životnost trpí.
Sací systém je rozhodující pro optimální výkon. Přiváděný vzduch musí být volně proudící, aby se dosáhlo účinnosti, čistý, aby chránil povrch motoru před otěrem a chladem, aby zvýšená hustota umožnila spálit více paliva, čímž se zvýší výkon.
Klíčový prvek sání motoru, filtry snižují koncentraci nečistot na bezpečnou úroveň (Jaroszczyk et al., 1993) a zároveň zajišťují volné proudění kapaliny, aby se omezilo zahřívání nasávaného vzduchu. Tyto filtry jsou opotřebitelné položky, které vyžadují čištění nebo výměnu, jakmile jsou naplněny nečistotami, prachem a nečistotami.
Optimální filtrace zlepšuje zachycování částic a snižuje erozi válců motoru. Malé změny účinnosti mají významný dopad: opotřebení motoru je 8" id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0">8 krát rychlejší pro filtr, který je 98" id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">98% proti 99" id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">99% účinnosti (Jaroszczyk et al., 1993). Ideální filtrace dále snižuje hladinu hluku v kabině a zlepšuje výkon a odezvu motoru. Naproti tomu špinavé filtry omezují výkon, způsobují hluk, plýtvají palivem Norman a spol. (2009), Toma (2016) a mohou způsobit poruchy navazujících katalyzátorů. Tyto problémy jsou nejvýznamnější u vozidel s karburátorem (Thomas et al., 2012), kterým chybí regulace paliva v uzavřené smyčce. Zatímco nová auta přešla na vstřikování paliva v polovině 1990. let, mnoho automobilů, motocyklů a dalších lehkých dopravních vozidel po celém světě stále používá karburátory.
Včasná výměna filtračních vložek se zdá jako samozřejmé řešení, ale včasná výměna způsobuje jemné, ale vážné problémy. Účinnost zachycování částic se zvyšuje se zatížením (Norman et al., 2009), takže málo používané prvky snižují opotřebení motoru a prodlužují životnost. Existuje optimální okno pro výměnu filtru – takové, ve kterém filtr zachytí většinu částic a minimálně omezí průtok.
Senzory ve vozidle byly navrženy tak, aby vyřešily problém optimální výměny filtru, ale většina nových vozidel s palubní diagnostikou tento stav obvykle nemonitoruje a starší vozidla obvykle postrádají jakékoli snímání. Jen málo vozidel nabízí podtlakové snímače poklesu tlaku v sání (Norman et al., 2009), které indikují nárůst oproti základnímu poklesu tlaku o 1" id="MathJax-Element-5-Frame" class="MathJax_SVG" tabindex="0">1-2.5kPa" id="MathJax-Element-6-Frame" class="MathJax_SVG" tabindex="0">2.5KPa Toma (2016), Thomas a kol. (2012). Tam, kde senzory nejsou přítomny, si řidiči obvykle neuvědomují, a proto se spoléhají na načasování bez dat, přičemž většina řidičů vyměňuje filtry v nastavených intervalech (často 15,000 2016 km (Toma, 1993)) nebo když vypadají špinavě. Tyto metody jsou nepřesné, vozidla se používají v různých prostředích s různým zatížením částicemi a nepředvídatelnými rychlostmi proudění vzduchu (Jaroszczyk et al., XNUMX).
V průzkumu o 21" id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0">21 vzduchové filtry testovány po demontáži, 15" id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0">15 byly odstraněny brzy, zatímco dva byly změněny poté, co začala okluze snižující výkon (Toma, 2016). To naznačuje, že řidiči, kteří přijímají vozidla do servisu, vyměňují filtry příliš brzy, ale jsou ve své podstatě zaujatí, protože nejšpinavější filtry se nacházejí v těch autech, která nikdy nebyla do servisu přijata. Za předpokladu a 2" id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">2% ztráty spotřeby paliva u vozidel s nedostatečnou údržbou, průměrný řidič, který utratí 1680 USD ročně za palivo, vyplýtvá 33.60 USD při jízdě se špinavým filtrem. To převyšuje náklady na typický filtr a ukazuje potenciální úspory pro optimální načasování výměny, nemluvě o dlouhodobém poškození motorů a katalyzátorů.
Zjednodušená klasifikace filtrů v reálném čase by mohla snížit provozní náklady vozidla a emise a zároveň zlepšit spolehlivost. Po těchto informacích existuje latentní poptávka – 81.4 % lidí by přijalo doporučení ze systému založeného na datech (Toma a Bobalca, 2016).
Aby se snížila potřeba změn chování, může být k přepracování stávajících zařízení použito levné, všudypřítomné snímání pomocí chytrých telefonů (Engelbrecht et al., 2015). V posledních letech výrobci spotřební elektroniky zvýšili možnosti mobilního snímání. Tyto nové vstupy, od atmosférického tlaku a orientace zařízení po teplotu, dotyk a blízkost, se setkaly s odpovídajícími vylepšeními v oblasti mobilních výpočtů, ukládání a konektivity (Han a Cho, 2016). Naše vlastní práce ukázala, že pomocí takových zařízení je možné sledovat zapalování motoru (Siegel et al., 2016b).
Naším cílem je přejít od dnešního paradigmatu reaktivní údržby k proaktivnímu využívání těchto zdrojů. Používáme mobilní audio, abychom mohli sledovat, jak auto „dýchá“, abychom klasifikovali výkon vzduchového filtru s cílem vytvořit indikátor „zbývající životnosti“ a monitor stavu vzduchových filtrů, abychom zlepšili soulad s nejlepšími postupy údržby automobilů. Tento článek ukazuje, jak lze mobilní zvuková data a klasifikaci souboru použít ke kategorizaci stavu vzduchového filtru do více načtených stavů.
V části 2 předpokládáme, že zvuk vycházející ze sání se mění se zatížením částicemi, zatímco část 3 zkoumá související práci. Část 4 popisuje experimentální postup pro sběr dat a simulaci kontaminantů omezujících proudění vzduchu. Náš algoritmus klasifikace souboru popisujeme v části 5 a výsledky prezentujeme v části 6, které ukazují vysokou přesnost při rozlišování nových, šetrně používaných, špinavých a ucpaných filtrů. Nakonec část 7 pojednává o budoucích vylepšeních tohoto algoritmu a aplikacích pervazivního snímání na jiné závady vozidla.

Úryvky oddílů

Popis problému

Ideální spalovací motor vyžaduje neomezený přísun volně proudícího, čistého a studeného vzduchu. Ve skutečnosti motory vyžadují filtry k čištění vzduchu a omezení opotřebení. Když jsou nové, tyto filtry omezují proudění nasávaného vzduchu, a když je filtr zatěžován nečistotami, toto omezení a související pokles tlaku se zvyšují. Zatímco systémy sání jsou vyladěny tak, aby minimalizovaly hluk, vibrace a drsnost, změny proudění nakonec vedou ke znatelným změnám ve zvuku vycházejícím ze sání. Tvrdíme, že tyto tlaky

Předchozí umění

Charakterizace výkonu vozidla, klasifikace stavu komponent a identifikace abnormálního chování pomocí signálů v časové doméně není novou oblastí. Při monitorování vzduchového filtru bylo použito zejména snímání ve vozidle. Vícestavová klasifikace a pervazivní sledování stavu však zůstávají nedostatečně prozkoumány.
Není to kvůli nedostatku všudypřítomné diagnostiky vozidel. Použití zvukových signálů je zvláště rozšířené ve výzkumu a průmyslových aplikacích, protože akustické signály nevyžadují 

Experimentální postup a validace hypotéz

Tato část popisuje, jak jsme generovali zvukové vzorky z vozidla s různým stupněm znečištění vzduchového filtru, abychom trénovali třístavový klasifikátor pro více vozidel.
Nejprve diskutujeme o experimentu shromažďujícím data, abychom dokázali koncept použití zvukových funkcí k odlišení starých filtrů od nových. Poté představujeme postup pro generování kontrolovaných dat pro klasifikaci vícestavové kontaminace a vysvětlujeme, jak tento přístup zajišťuje robustnost našich klasifikátorů. Zde shromažďujeme data

Algoritmový vývoj

Z obr. 5 jsme předpokládali, že rozdíly vrcholů FT by mohly být použity k rozlišení mezi třemi stavy s dalšími znaky zlepšujícími přesnost klasifikace. V této části pojednáváme o tom, jak jsme generovali vlastnosti, ladili klasifikátor a vybrali optimální vstupní parametry, abychom maximalizovali přesnost klasifikace zatížení filtru a zároveň minimalizovali přesazení.

Výsledky mimo vzorek

Tato část ukazuje nadvzorkové optimalizované výsledky pro tři testované soubory dat ve formě tabulky.
V tabulce 1 vidíme optimální konfiguraci pro každý ze tří modelů a 5krát křížově ověřený výkon vzorku, stejně jako 25" id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">25% lepšího výkonu.
Zaznamenáváme trendy v optimálních parametrech modelu. Každý model má tendenci vybírat malé velikosti přihrádek, což naznačuje, že prvky DFT budou hrát důležitou roli při rozlišování stavů a ​​že vlastnosti, které nás zajímají, jsou zaměřeny na úzké

Závěry

Prokázali jsme 80% přesnost v třístavové detekci zatížení částicemi vzduchového filtru pomocí funkcí MFCC, DFT a wavelet a balených rozhodovacích stromů, což dokazuje životaschopnost dávkově zpracovávaného zvuku smartphonu pro klasifikaci filtrů. Vícestavová klasifikace je krokem ke sledování stavu, zatímco prokázaná citlivost klasifikátoru naznačuje, že je možná včasná reakce. Mobilní aplikace využívající tento přístup může v konečném důsledku zlepšit výkon a efektivitu vozidla.
Výsledky

PREV: VITÁLNÍ VÝZNAM OLEJOVÉHO FILTRU

DALŠÍ : Skutečný příběh o automobilových filtrech