Vergleich der Filterleistung handelsüblicher Kfz-Innenraumluftfilter gegenüber verschiedenen Luftschadstoffen Deutschland

Zeit: 2024-11-06

Abstrakt

Ansaugfilter von Automotoren sorgen für saubere Luftzufuhr zum Motor, doch mit der Zeit setzen sich diese Filter mit Verunreinigungen zu, die den freien Luftstrom behindern. Beim heutigen offenen Ansatz zur Wartung von Luftfiltern müssen die Fahrer die Elemente in festgelegten Wartungsintervallen austauschen, was zu kostspieligen und potenziell schädlichen Über- oder Unteraustauschen führt. Das Ergebnis ist, dass viele Fahrzeuge dauerhaft mit reduzierter Leistung, erhöhtem Kraftstoffverbrauch oder übermäßigem partikelbedingtem Verschleiß laufen, was den Katalysator beschädigen oder bearbeitete Motoroberflächen beschädigen kann.

Wir präsentieren eine Methode zur Erkennung der Filterverschmutzung anhand von Audiodaten, die von einem Smartphone und einem Standmikrofon erfasst wurden. Unser maschineller Lernansatz zur Filterüberwachung verwendet Mel-Cepstrum-, Fourier- und Wavelet-Merkmale als Eingabe für ein Klassifizierungsmodell und wendet eine Merkmalsrangfolge an, um die am besten differenzierenden Merkmale auszuwählen. Wir demonstrieren die Robustheit unserer Technik, indem wir ihre Wirksamkeit für zwei Fahrzeugtypen und verschiedene Mikrofone zeigen und ein bestes Ergebnis von 79.7 % Genauigkeit bei der Klassifizierung eines Filters in drei Belastungszustände erzielen.

Durch die Verbesserung dieser Technik können Fahrer ihre Filter besser überwachen und den optimalen Zeitpunkt für den Austausch bestimmen. Dies führt zu einer Verbesserung der Fahrzeugleistung, Effizienz und Zuverlässigkeit und senkt gleichzeitig die Wartungskosten für die Fahrzeugbesitzer.

Einleitung

Das Durchschnittsalter der Fahrzeuge und die jährlich gefahrenen Meilen steigen jedes Jahr (United States Department of Transportation (2016b), IHS Inc (2016)) und mit der Verlagerung hin zur gemeinsamen Mobilität wächst auch der Bedarf an effizienten, zuverlässigen und langlebigen Fahrzeugen weiter.

Die meisten der

260

Millionen Fahrzeuge der US-amerikanischen Leichtlastwagenflotte (Verkehrsministerium der Vereinigten Staaten, 2016a) werden mit Benzin betrieben (Energieinformationsbehörde der Vereinigten Staaten, 2016). Die Motoren verbrauchen Luft und Kraftstoff, zünden dieses Gemisch, um einen Kolben anzutreiben, und stoßen Verbrennungsnebenprodukte aus. Jede Ineffizienz führt zu Leistungseinbußen, wirtschaftlichen Kosten und Lebensdauer des Motors.

Das Ansaugsystem ist für optimale Leistung entscheidend. Die einströmende Luft muss frei strömen können, um eine effiziente Leistung zu erzielen, sauber zu sein und die Motoroberflächen vor Abrieb und Kälte zu schützen, sodass durch die höhere Dichte mehr Kraftstoff verbrannt werden kann und die Leistung verbessert wird.

Filter sind ein Schlüsselelement der Motoransaugung. Sie reduzieren die Schadstoffkonzentration auf ein sicheres Niveau (Jaroszczyk et al., 1993) und gewährleisten gleichzeitig einen freien Flüssigkeitsfluss, um die Erwärmung der Ansaugluft zu begrenzen. Diese Filter sind Verschleißteile und müssen gereinigt oder ausgetauscht werden, wenn sie mit Schmutz, Staub und Ablagerungen belastet sind.

Eine optimale Filterung verbessert die Partikelabscheidung und verringert die Erosion der Motorzylinder. Kleine Änderungen der Effizienz haben große Auswirkungen: Der Motorverschleiß ist

8

mal schneller für einen Filter, der

98

% gegenüber

99

% effizient (Jaroszczyk et al., 1993). Darüber hinaus reduziert eine ideale Filterung den Geräuschpegel in der Kabine und verbessert die Leistung und Reaktion des Motors. Im Gegensatz dazu begrenzen schmutzige Filter die Leistung, verursachen Lärm, verschwenden Kraftstoff (Norman et al. (2009), Toma (2016)) und können zu Ausfällen des nachgeschalteten Katalysators führen. Diese Probleme sind bei Fahrzeugen mit Vergaser (Thomas et al., 2012) am größten, da sie keine Kraftstoffregelung mit geschlossenem Regelkreis haben. Während Neuwagen Mitte der 1990er Jahre auf Kraftstoffeinspritzung umgestellt wurden, verwenden viele Autos, Motorräder und andere leichte Transportfahrzeuge auf der ganzen Welt immer noch Vergaser.

Ein frühzeitiger Wechsel der Filterelemente scheint eine naheliegende Lösung zu sein, doch ein früher Austausch kann subtile, aber schwerwiegende Probleme verursachen. Die Effizienz der Partikelabscheidung steigt mit der Beladung (Norman et al., 2009), sodass leicht verwendete Elemente den Motorverschleiß verringern und die Lebensdauer verlängern. Es gibt ein optimales Zeitfenster für den Filterwechsel – eines, in dem der Filter den Großteil der Partikel abfängt und den Durchfluss nur minimal einschränkt.

Sensoren im Fahrzeug wurden entwickelt, um das Problem des optimalen Filterwechsels zu lösen, aber die meisten neuen Fahrzeuge mit On-Board-Diagnose überwachen diesen Zustand normalerweise nicht und ältere Fahrzeuge verfügen normalerweise nicht über Sensoren. Nur wenige Fahrzeuge verfügen über vakuumbasierte Ansaugdruckabfallsensoren (Norman et al., 2009), die einen Anstieg des Druckabfalls über dem Basiswert anzeigen.

1

2.5 kPa

Toma (2016), Thomas et al. (2012). Wenn keine Sensoren vorhanden sind, sind sich die Fahrer in der Regel nicht bewusst und verlassen sich daher auf datenblindes Timing. Die meisten Fahrer wechseln die Filter in festgelegten Intervallen (oft 15,000 km (Toma, 2016)) oder wenn sie schmutzig aussehen. Diese Methoden sind ungenau, da die Fahrzeuge in unterschiedlichen Umgebungen mit unterschiedlichen Partikelbelastungen und unvorhersehbaren Luftströmungsraten eingesetzt werden (Jaroszczyk et al., 1993).

In einer Umfrage von

21

Luftfilter nach Ausbau geprüft,

15

wurden früh entfernt, während zwei gewechselt wurden, nachdem eine leistungsmindernde Okklusion begann (Toma, 2016). Dies deutet darauf hin, dass Fahrer, die Fahrzeuge zur Wartung bringen, die Filter zu früh wechseln, ist aber von Natur aus voreingenommen, da die schmutzigsten Filter in den Autos zu finden sind, die nie zur Wartung gebracht wurden. Unter der Annahme eines

2

% Kraftstoffeinsparung bei schlecht gewarteten Fahrzeugen. Ein durchschnittlicher Fahrer, der jährlich 1680 $ für Kraftstoff ausgibt, verschwendet 33.60 $, wenn er mit einem schmutzigen Filter fährt. Dies übersteigt die Kosten eines typischen Filters und zeigt die potenziellen Einsparungen bei optimalem Austauschzeitpunkt, ganz zu schweigen von den langfristigen Schäden an Motoren und Katalysatoren.

Eine optimierte Filterklassifizierung in Echtzeit könnte die Betriebskosten und Emissionen von Fahrzeugen senken und gleichzeitig die Zuverlässigkeit verbessern. Es besteht eine latente Nachfrage nach diesen Informationen – 81.4 % der Menschen würden Empfehlungen von einem datengestützten System annehmen (Toma und Bobalca, 2016).

Um die Notwendigkeit von Verhaltensänderungen zu reduzieren, können kostengünstige, allgegenwärtige Sensorfunktionen mithilfe von Smartphones genutzt werden, um vorhandene Geräte umzufunktionieren (Engelbrecht et al., 2015). In den letzten Jahren haben Hersteller von Unterhaltungselektronik die mobilen Sensorfunktionen verbessert. Diese neuen Eingaben, die von Luftdruck und Geräteausrichtung bis hin zu Temperatur, Berührung und Nähe reichen, wurden mit entsprechenden Verbesserungen bei der mobilen Datenverarbeitung, Speicherung und Konnektivität verbunden (Han und Cho, 2016). Unsere eigene Arbeit hat gezeigt, dass es möglich ist, die Motorzündung mithilfe solcher Geräte zu überwachen (Siegel et al., 2016b).

Wir möchten vom heutigen Paradigma der reaktiven Wartung zu einer proaktiven Wartung übergehen und dabei diese Ressourcen nutzen. Wir verwenden mobiles Audio, um zu beobachten, wie ein Auto „atmet“, um die Leistung des Luftfilters zu klassifizieren. Ziel ist es, einen Indikator für die „Restlebensdauer“ und einen Zustandsmonitor für Luftfilter zu entwickeln, um die Einhaltung der besten Wartungspraktiken für Kraftfahrzeuge zu verbessern. Dieses Dokument zeigt, wie mobile Audiodaten und Ensembleklassifizierung angewendet werden können, um den Zustand von Luftfiltern in mehrere Belastungszustände zu kategorisieren.

In Abschnitt 2 stellen wir die Hypothese auf, dass sich der vom Einlass ausgehende Schall mit der Partikelbelastung ändert, während Abschnitt 3 verwandte Arbeiten untersucht. Abschnitt 4 beschreibt ein experimentelles Verfahren zum Sammeln von Daten und Simulieren von Schadstoffen, die den Luftstrom behindern. Wir beschreiben unseren Ensemble-Klassifizierungsalgorithmus in Abschnitt 5 und präsentieren in Abschnitt 6 Ergebnisse, die eine hohe Genauigkeit bei der Unterscheidung zwischen neuen, wenig verwendeten, schmutzigen und verstopften Filtern zeigen. Schließlich werden in Abschnitt 7 zukünftige Verbesserungen für diesen Algorithmus und Anwendungen der Pervasive Sensing-Technik bei anderen Fahrzeugfehlern erörtert.

Abschnittsausschnitte

Problembeschreibung

Der ideale Verbrennungsmotor benötigt eine unbegrenzte Versorgung mit frei fließender, sauberer, kalter Luft. In Wirklichkeit benötigen Motoren Filter, um die Luft zu reinigen und den Verschleiß zu begrenzen. Im Neuzustand schränken diese Filter den Ansaugluftstrom ein, und wenn sich der Filter mit Verunreinigungen füllt, nehmen diese Einschränkung und der damit verbundene Druckabfall zu. Während Ansaugsysteme darauf abgestimmt sind, Lärm, Vibrationen und Rauheit zu minimieren, führen Änderungen des Durchflusses letztendlich zu wahrnehmbaren Änderungen des aus dem Ansaugsystem kommenden Klangs. Wir behaupten, dass diese Druck

Stand der Technik

Die Charakterisierung der Fahrzeugleistung, die Klassifizierung des Komponentenzustands und die Identifizierung abnormalen Verhaltens mithilfe von Zeitbereichssignalen ist kein neues Gebiet. Insbesondere die Fahrzeugsensorik wird zur Überwachung von Luftfiltern eingesetzt. Die Mehrzustandsklassifizierung und die umfassende Zustandsüberwachung sind jedoch noch wenig erforscht.

Dies liegt nicht an der mangelnden Fahrzeugdiagnose. Die Verwendung von Audiosignalen ist insbesondere in der Forschung und in industriellen Anwendungen weit verbreitet, da akustische Signale keine

Experimentelles Vorgehen und Hypothesenvalidierung

In diesem Abschnitt wird beschrieben, wie wir Audiobeispiele von einem Fahrzeug mit unterschiedlich stark verschmutztem Luftfilter generiert haben, um einen Dreizustands-Klassifikator für mehrere Fahrzeuge zu trainieren.

Wir diskutieren zunächst ein Experiment, bei dem Daten gesammelt werden, um das Konzept der Verwendung von Audiomerkmalen zur Unterscheidung alter von neuen Filtern zu beweisen. Dann präsentieren wir ein Verfahren zur Generierung kontrollierter Daten für die Klassifizierung von Kontaminationen in mehreren Zuständen und erklären, wie dieser Ansatz die Robustheit unserer Klassifikatoren gewährleistet. Hier sammeln wir Daten

Algorithmenentwicklung

Ausgehend von Abb. 5 haben wir die Hypothese abgeleitet, dass die FT-Spitzenunterschiede zur Unterscheidung zwischen drei Zuständen verwendet werden könnten, wobei zusätzliche Merkmale die Klassifizierungsgenauigkeit verbessern. In diesem Abschnitt besprechen wir, wie wir Merkmale generiert, einen Klassifikator abgestimmt und die optimalen Eingabeparameter ausgewählt haben, um die Klassifizierungsgenauigkeit der Filterladung zu maximieren und gleichzeitig die Überanpassung zu minimieren.

Out-Sample-Ergebnisse

Dieser Abschnitt zeigt die Outsample-Optimierungsergebnisse für die drei getesteten Datensätze in Tabellenform.

In Tabelle 1 sehen wir die optimale Konfiguration für jedes der drei Modelle und die 5-fach kreuzvalidierte Insample-Performance sowie die

25

% Outsample-Leistung.

Wir stellen Trends bei den optimalen Modellparametern fest. Jedes Modell tendiert dazu, kleine Bin-Größen auszuwählen, was darauf schließen lässt, dass die DFT-Elemente eine wichtige Rolle bei der Differenzierung von Zuständen spielen und dass die interessierenden Merkmale auf enge

Schlussfolgerungen

Wir haben eine Genauigkeit von 80 % bei der Erkennung der Partikelbeladung von Luftfiltern mit drei Zuständen unter Verwendung von MFCC-, DFT- und Wavelet-Funktionen sowie Bagged Decision Trees nachgewiesen und damit die Eignung von stapelweise verarbeiteten Smartphone-Audiodaten zur Filterklassifizierung unter Beweis gestellt. Die Klassifizierung mit mehreren Zuständen ist ein Schritt in Richtung Zustandsüberwachung, während die Empfindlichkeit des nachgewiesenen Klassifikators darauf hindeutet, dass eine frühzeitige Reaktion möglich ist. Eine mobile Anwendung, die diesen Ansatz verwendet, kann letztendlich die Leistung und Effizienz von Fahrzeugen verbessern.

Die Ergebnisse

PREV: DIE ENTSCHEIDENDE BEDEUTUNG DES ÖLFILTERS

WEITER: Die wahre Geschichte über Autofilter

Alle Kategorien

News