Sammenligning af filtreringsydelse af kommercielt tilgængelige luftfiltre til bilkabiner med forskellige luftbårne forurenende stoffer Danmark

Tid: 2024-11-06

Abstrakt

Indsugningsfiltre til biler sikrer ren lufttilførsel til motoren, selvom disse filtre over tid belastes med forurenende stoffer, der hindrer fri luftstrøm. Dagens open-loop tilgang til luftfiltervedligeholdelse får drivere til at udskifte elementer med forudbestemte serviceintervaller, hvilket forårsager kostbar og potentielt skadelig over- og underudskiftning. Resultatet er, at mange køretøjer konsekvent kører med reduceret effekt, øget brændstofforbrug eller overdreven partikelrelateret slid, som kan skade katalysatoren eller beskadige bearbejdede motoroverflader.

Vi præsenterer en metode til at detektere filterforureningsbelastning fra lyddata indsamlet af en smartphone og en stativmikrofon. Vores maskinlæringstilgang til filterovervågning bruger Mel-Cepstrum-, Fourier- og Wavelet-funktioner som input til en klassifikationsmodel og anvender funktionsrangering til at vælge de bedst differentierende funktioner. Vi demonstrerer robustheden af vores teknik ved at vise dens effektivitet for to køretøjstyper og forskellige mikrofoner, og finder det bedste resultat på 79.7 % nøjagtighed, når vi klassificerer et filter i tre belastningstilstande.

Forbedring af denne teknik vil hjælpe chauffører med at overvåge deres filtre og hjælpe med optimal timing af deres udskiftning. Dette vil resultere i en forbedring af køretøjets ydeevne, effektivitet og pålidelighed, samtidig med at omkostningerne til vedligeholdelse for køretøjsejere reduceres.

Introduktion

Hvert år stiger det gennemsnitlige køretøjs alder og årlige tilbagelagte kilometer United States Department of Transportation (2016b), IHS Inc (2016), og med skiftet mod delt mobilitet fortsætter behovet for effektive, pålidelige og holdbare køretøjer med at vokse.

Det meste af

260

-million køretøjer US let-duty flåde (United States Department of Transportation, 2016a) er benzindrevet (US Energy Information Administration, 2016), med motorer, der forbruger luft og brændstof, antænder denne blanding for at drive et stempel, og udstødningsforbrændingsbiprodukter. Enhver ineffektivitet får motorens ydeevne, økonomi og lang levetid til at lide.

Indsugningssystemet er afgørende for optimal ydeevne. Indgående luft skal være fritflydende for at opnå effektivitet, ren, for at beskytte motoroverflader mod slid og kulde, så den øgede tæthed tillader mere brændstof at blive forbrændt, hvilket forbedrer kraften.

Et nøgleelement i motorindtag, filtre reducerer forureningskoncentrationen til sikre niveauer (Jaroszczyk et al., 1993), mens de sikrer fri væskestrøm for at begrænse opvarmning af indsugningsluften. Disse filtre er sliddele, der skal renses eller udskiftes, når de er fyldt med snavs, støv og snavs.

Optimal filtrering forbedrer partikelindfangningen, hvilket reducerer motorcylindererosion. Små ændringer i effektiviteten har betydelig indflydelse: motorslid er

8

gange hurtigere for et filter, dvs

98

% kontra

99

% effektiv (Jaroszczyk et al., 1993). Ydermere reducerer den ideelle filtrering støjniveauet i kabinen og forbedrer motorkraften og responsen. I modsætning hertil begrænser snavsede filtre effekt, forårsager støj, spilder brændstof Norman et al. (2009), Toma (2016) og kan forårsage nedstrøms katalysatorfejl. Disse udfordringer er mest betydningsfulde i karburerede køretøjer (Thomas et al., 2012), der mangler brændstofkontrol med lukket sløjfe. Mens nye biler skiftede til brændstofindsprøjtning i midten af 1990'erne, bruger mange biler, motorcykler og andre lette transportkøretøjer rundt om i verden stadig karburatorer.

At skifte filterelementer tidligt synes at være en oplagt løsning, men tidlig udskiftning forårsager subtile, men alvorlige problemer. Partikelopsamlingseffektiviteten øges med belastning (Norman et al., 2009), så let brugte elementer reducerer motorslid og forlænger levetiden. Der findes et optimalt vindue til at udskifte et filter - et, hvor filteret fanger størstedelen af partikler og minimalt begrænser flowet.

Køretøjssensorer er designet til at løse problemet med optimal filterudskiftning, men de fleste nye køretøjer med On-Board Diagnostics overvåger typisk ikke denne tilstand, og ældre køretøjer mangler typisk nogen sensing. Få køretøjer tilbyder vakuum-baserede indsugningstrykfaldssensorer (Norman et al., 2009), der indikerer en stigning i forhold til baseline trykfald på

1

2.5 kPa

Toma (2016), Thomas et al. (2012). Hvor sensorer ikke er til stede, er bilisterne typisk uvidende og er derfor afhængige af data-blind timing, hvor de fleste bilister udskifter filtre med faste intervaller (ofte 15,000 km (Toma, 2016)), eller når de ser snavsede ud. Disse metoder er unøjagtige, med køretøjer, der anvendes i forskellige miljøer med forskellige partikelbelastninger og uforudsigelige luftstrømningshastigheder (Jaroszczyk et al., 1993).

I en undersøgelse af

21

luftfiltre testet efter fjernelse,

15

blev fjernet tidligt, mens to var blevet ændret efter præstationsnedsættende okklusion begyndte (Toma, 2016). Dette indikerer, at chauffører, der tager biler til service, skifter filtre for tidligt, men er i sagens natur partiske, da de mest snavsede filtre findes i de biler, der aldrig er taget til service. Forudsat en

2

% tab i brændstoføkonomi i underservicerede køretøjer, en gennemsnitlig chauffør, der bruger $1680 om året i brændstofspild, spilder $33.60 ved at køre med et snavset filter. Dette overstiger et typisk filters omkostninger og viser de potentielle besparelser for optimal udskiftningstid, for ikke at nævne den langsigtede skade på motorer og katalysatorer.

Strømlinet filterklassificering i realtid kunne reducere køretøjets driftsomkostninger og emissioner og samtidig forbedre pålideligheden. Der eksisterer latent efterspørgsel efter denne information - 81.4 % af mennesker ville tage henstillinger fra et data-informeret system (Toma og Bobalca, 2016).

For at reducere behovet for adfærdsændringer kan lavpris, gennemgribende sansning ved hjælp af smartphones bruges til at genbruge eksisterende enheder (Engelbrecht et al., 2015). I de senere år har producenter af forbrugerelektronik øget mobil sansningskapacitet. Disse nye input, der spænder fra atmosfærisk tryk og enhedsorientering til temperatur, berøring og nærhed, er blevet mødt med tilsvarende forbedringer i mobil beregning, lagring og tilslutningsmuligheder (Han og Cho, 2016). Vores eget arbejde har vist, at det er muligt at overvåge motorens tænding ved hjælp af sådanne enheder (Siegel et al., 2016b).

Vi sigter efter at gå fra nutidens reaktive vedligeholdelsesparadigme til proaktivt, idet vi benytter os af disse ressourcer. Vi anvender mobillyd til at observere, hvordan en bil "ånder" for at klassificere luftfilterets ydeevne med det mål at skabe en "resterende levetid"-indikator og tilstandsmonitor for luftfiltre for at forbedre overensstemmelsen med bilindustriens bedste vedligeholdelsespraksis. Dette papir viser, hvordan mobile lyddata og ensembleklassificering kan anvendes til at kategorisere luftfilterets tilstand i flere indlæste tilstande.

I afsnit 2 antager vi en hypotese om, at lyd, der kommer fra indtaget, ændres med partikelbelastning, mens afsnit 3 udforsker relateret arbejde. Afsnit 4 beskriver en eksperimentel procedure til at indsamle data og simulere forurenende stoffer, der begrænser luftstrømmen. Vi beskriver vores ensembleklassificeringsalgoritme i afsnit 5 og præsenterer resultater i afsnit 6, der viser høj nøjagtighed i at differentiere nye, skånsomt brugte, snavsede og blokerede filtre. Til sidst diskuterer afsnit 7 fremtidige forbedringer af denne algoritme og anvendelser af pervasiv sensing på andre køretøjsfejl.

Sektionsuddrag

Problem Beskrivelse

Den ideelle forbrændingsmotor kræver en ubegrænset forsyning af fritflydende, ren, kold luft. I virkeligheden kræver motorer filtre for at rense luften og begrænse slid. Når de er nye, begrænser disse filtre indsugningsluftstrømmen, og efterhånden som filteret fyldes med forurenende stoffer, stiger denne begrænsning og det tilhørende trykfald. Mens indsugningssystemer er indstillet til at minimere støj, vibrationer og hårdhed, fører ændringer i flow i sidste ende til mærkbare ændringer i lyden, der kommer fra indtaget. Vi hævder, at disse pres

Kendt teknik

Karakterisering af køretøjets ydeevne, klassificering af komponenttilstand og identifikation af unormal adfærd ved hjælp af tidsdomænesignaler er ikke et nyt felt. Især registrering i køretøjer er blevet anvendt til overvågning af luftfilter. Imidlertid er multi-state klassificering og pervasiv tilstandsovervågning fortsat underudforsket.

Dette er ikke på grund af mangel på gennemgående køretøjsdiagnostik. Brugen af lydsignaler er især udbredt i forskning og industrielle applikationer, fordi akustiske signaler ikke kræver

Eksperimentel procedure og hypotesevalidering

Dette afsnit beskriver, hvordan vi genererede lydprøver fra et køretøj med varierende grader af luftfilterkontamination for at træne en tre-stats klassificeringsanordning til flere køretøjer.

Vi diskuterer først et eksperiment, der indsamler data for at bevise konceptet med at bruge lydfunktioner til at skelne gamle fra nye filtre. Derefter præsenterer vi en procedure til generering af kontrollerede data til multi-state kontamineringsklassificering og forklarer, hvordan denne tilgang sikrer vores klassifikatorers robusthed. Her indsamler vi data

Algoritmeudvikling

Fra fig. 5 antog vi, at FT-spidsforskellene kunne bruges til at differentiere mellem tre tilstande, med yderligere funktioner, der forbedrer klassificeringsnøjagtigheden. I dette afsnit diskuterer vi, hvordan vi genererede funktioner, tunede en klassifikator og valgte de optimale inputparametre for at maksimere filterbelastningsklassificeringsnøjagtigheden og samtidig minimere overfitting.

Out-Sample resultater

Dette afsnit viser outsample, optimerede resultater for de tre testede datasæt i tabelform.

I tabel 1 ser vi den optimale konfiguration for hver af de tre modeller og den 5-fold krydsvaliderede insample ydeevne samt

25

% outsample ydeevne.

Vi noterer tendenser i optimale modelparametre. Hver model har en tendens til at vælge små beholderstørrelser, hvilket tyder på, at DFT-elementerne vil spille en vigtig rolle i at differentiere tilstande, og at funktionerne af interesse er fokuseret på snævre

konklusioner

Vi demonstrerede 80 % nøjagtighed i tre-stats luftfilterpartikelbelastningsdetektion ved hjælp af MFCC, DFT og wavelet-funktioner og posede beslutningstræer, hvilket beviser levedygtigheden af batchforarbejdet smartphone-lyd til filterklassificering. Multi-state klassificering er et skridt i retning af tilstandsovervågning, mens den påviste klassificeringsfølsomhed tyder på, at tidlig respons er mulig. En mobilapplikation, der bruger denne tilgang, kan i sidste ende forbedre køretøjets ydeevne og effektivitet.

Resultaterne

PREV: DEN VITALE VIGTIGHED AF OLIEFILTERET

NÆSTE : Den virkelige historie om bilfiltre

alle kategorier

Nyheder