Comparaison des performances de filtration des filtres à air d'habitacle automobiles disponibles dans le commerce contre divers polluants atmosphériques
Heure: 2024-11-06
Comparaison des performances de filtration des filtres à air d'habitacle automobiles disponibles dans le commerce contre divers polluants atmosphériques
Abstract
Les filtres d'admission d'air des moteurs automobiles assurent un apport d'air propre au moteur, même si au fil du temps, ces filtres se chargent de contaminants qui entravent la libre circulation de l'air. L'approche actuelle en boucle ouverte de l'entretien des filtres à air oblige les conducteurs à remplacer les éléments à des intervalles d'entretien prédéterminés, ce qui entraîne des remplacements excessifs et insuffisants coûteux et potentiellement dangereux. Le résultat est que de nombreux véhicules fonctionnent constamment avec une puissance réduite, une consommation de carburant accrue ou une usure excessive liée aux particules qui peut endommager le catalyseur ou endommager les surfaces usinées du moteur.
Nous présentons une méthode de détection de la charge de contaminants dans un filtre à partir de données audio collectées par un smartphone et un microphone sur pied. Notre approche d'apprentissage automatique pour la supervision des filtres utilise les caractéristiques Mel-Cepstrum, Fourier et Wavelet comme entrée dans un modèle de classification et applique un classement des caractéristiques pour sélectionner les caractéristiques les plus différenciantes. Nous démontrons la robustesse de notre technique en montrant son efficacité pour deux types de véhicules et différents microphones, en trouvant un meilleur résultat de précision de 79.7 % lors de la classification d'un filtre en trois états de chargement.
Les améliorations apportées à cette technique aideront les conducteurs à surveiller leurs filtres et à déterminer le moment optimal de leur remplacement. Cela se traduira par une amélioration des performances, de l'efficacité et de la fiabilité du véhicule, tout en réduisant les coûts d'entretien pour les propriétaires de véhicules.
Introduction
Chaque année, l'âge moyen des véhicules et le nombre annuel de kilomètres parcourus augmentent, selon le Département des transports des États-Unis (2016b), IHS Inc (2016) et avec l'évolution vers la mobilité partagée, le besoin de véhicules efficaces, fiables et durables continue de croître.
La plupart des 260 " id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">- Un million de véhicules légers américains (United States Department of Transportation, 2016a) fonctionnent à l'essence (US Energy Information Administration, 2016), avec des moteurs qui consomment de l'air et du carburant, enflamment ce mélange pour propulser un piston et évacuent les sous-produits de la combustion. Toute inefficacité nuit aux performances, à l'économie et à la longévité du moteur.
Le système d'admission est essentiel pour des performances optimales. L'air entrant doit circuler librement pour atteindre l'efficacité, être propre, protéger les surfaces du moteur contre l'abrasion et le froid, de sorte que la densité accrue permette de brûler plus de carburant, améliorant ainsi la puissance.
Élément clé des admissions de moteur, les filtres réduisent la concentration de contaminants à des niveaux sûrs (Jaroszczyk et al., 1993) tout en assurant la libre circulation du fluide pour limiter le réchauffement de l'air d'admission. Ces filtres sont des pièces d'usure, nécessitant un nettoyage ou un remplacement une fois chargés de saleté, de poussière et de débris.
Une filtration optimale améliore le piégeage des particules, réduisant ainsi l'érosion des cylindres du moteur. De petits changements d'efficacité ont un impact significatif : l'usure du moteur est 8 " id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0"> fois plus rapide pour un filtre qui est 98 " id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">% contre 99 " id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">% efficace (Jaroszczyk et al., 1993). De plus, une filtration idéale réduit les niveaux de bruit dans l'habitacle et améliore la puissance et la réponse du moteur. En revanche, des filtres sales limitent la puissance, provoquent du bruit, gaspillent du carburant Norman et al. (2009), Toma (2016) et peuvent provoquer des défaillances du convertisseur catalytique en aval. Ces défis sont particulièrement importants dans les véhicules à carburateur (Thomas et al., 2012) dépourvus de contrôle du carburant en boucle fermée. Alors que les nouvelles voitures sont passées à l'injection de carburant au milieu des années 1990, de nombreuses voitures, motos et autres véhicules de transport légers dans le monde utilisent encore des carburateurs.
Le remplacement précoce des éléments filtrants semble être une solution évidente, mais un remplacement précoce entraîne des problèmes subtils mais graves. L'efficacité de capture des particules augmente avec la charge (Norman et al., 2009), de sorte que les éléments peu utilisés réduisent l'usure du moteur et prolongent sa durée de vie. Il existe une fenêtre optimale pour changer un filtre, une fenêtre dans laquelle le filtre capture la majorité des particules et limite le moins possible le débit.
Des capteurs embarqués ont été conçus pour résoudre le problème du remplacement optimal du filtre, mais la plupart des nouveaux véhicules équipés de diagnostics embarqués ne surveillent généralement pas cette condition et les véhicules plus anciens n'ont généralement aucune détection. Peu de véhicules proposent des capteurs de chute de pression d'admission basés sur le vide (Norman et al., 2009) qui indiquent une augmentation de la chute de pression de base de 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). En l’absence de capteurs, les conducteurs ne sont généralement pas conscients de la situation et se fient donc à une synchronisation sans connaissance des données, la plupart des conducteurs remplaçant les filtres à intervalles réguliers (souvent tous les 15,000 2016 km (Toma, 1993)) ou lorsqu’ils semblent sales. Ces méthodes sont imprécises, les véhicules étant utilisés dans des environnements variés avec différentes charges de particules et des débits d’air imprévisibles (Jaroszczyk et al., XNUMX).
Dans une enquête de 21 " id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0"> filtres à air testés après démontage, 15 " id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0"> ont été retirés prématurément tandis que deux ont été changés après le début de l'occlusion dégradant les performances (Toma, 2016). Cela indique que les conducteurs qui amènent leur véhicule en révision changent les filtres trop tôt, mais c'est intrinsèquement biaisé, car les filtres les plus sales se trouvent dans les voitures qui n'ont jamais été amenées en révision. En supposant qu'un 2 " id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">Pourcentage de perte de consommation de carburant dans les véhicules mal entretenus : un conducteur moyen dépense 1680 33.60 $ par an en carburant et gaspille XNUMX $ en conduisant avec un filtre sale. Ce chiffre dépasse le coût d'un filtre classique et démontre les économies potentielles que permet un remplacement optimal, sans parler des dommages à long terme causés aux moteurs et aux convertisseurs catalytiques.
Une classification simplifiée et en temps réel des filtres pourrait réduire les coûts d’exploitation et les émissions des véhicules tout en améliorant la fiabilité. Il existe une demande latente pour ces informations : 81.4 % des personnes suivraient les recommandations d’un système basé sur les données (Toma et Bobalca, 2016).
Pour réduire la nécessité de changements de comportement, des capteurs omniprésents et peu coûteux utilisant des smartphones peuvent être utilisés pour réutiliser des appareils existants (Engelbrecht et al., 2015). Ces dernières années, les fabricants d’électronique grand public ont augmenté les capacités de détection mobile. Ces nouvelles entrées, allant de la pression atmosphérique et de l’orientation de l’appareil à la température, au toucher et à la proximité, ont rencontré des améliorations proportionnelles dans le calcul mobile, le stockage et la connectivité (Han et Cho, 2016). Nos propres travaux ont montré qu’il est possible de surveiller l’allumage du moteur à l’aide de tels appareils (Siegel et al., 2016b).
Nous souhaitons passer du paradigme de maintenance réactive actuel à un paradigme proactif, en nous appuyant sur ces ressources. Nous utilisons l'audio mobile pour observer la façon dont une voiture « respire » afin de classer les performances du filtre à air dans le but de créer un indicateur de « durée de vie restante » et un moniteur d'état pour les filtres à air afin d'améliorer la conformité aux meilleures pratiques de maintenance automobile. Cet article montre comment les données audio mobiles et la classification d'ensemble peuvent être appliquées à la catégorisation de l'état du filtre à air en plusieurs états de charge.
Dans la section 2, nous émettons l'hypothèse que le son émanant de l'admission change avec la charge particulaire, tandis que la section 3 explore les travaux connexes. La section 4 décrit une procédure expérimentale pour collecter des données et simuler des contaminants limitant le flux d'air. Nous décrivons notre algorithme de classification d'ensemble dans la section 5 et présentons les résultats dans la section 6, montrant une grande précision dans la différenciation des filtres neufs, légèrement usés, sales et obstrués. Enfin, la section 7 discute des améliorations futures de cet algorithme et des applications de la détection omniprésente à d'autres défauts du véhicule.
Extraits de section
Description du problème
Le moteur à combustion idéal exige un approvisionnement illimité d'air frais, propre et fluide. En réalité, les moteurs ont besoin de filtres pour purifier l'air et limiter l'usure. Lorsqu'ils sont neufs, ces filtres restreignent le débit d'air d'admission et, à mesure que le filtre se charge de contaminants, cette restriction et la chute de pression associée augmentent. Bien que les systèmes d'admission soient réglés pour minimiser le bruit, les vibrations et la dureté, les changements de débit entraînent en fin de compte des changements perceptibles dans le son émanant de l'admission. Nous affirmons que ces changements de pression
Art antérieur
La caractérisation des performances des véhicules, la classification de l'état des composants et l'identification des comportements anormaux à l'aide de signaux temporels ne sont pas un domaine nouveau. La détection embarquée a notamment été appliquée à la surveillance des filtres à air. Cependant, la classification multi-états et la surveillance omniprésente de l'état restent sous-explorées.
Ce n'est pas faute de diagnostics de véhicules omniprésents. L'utilisation de signaux audio est particulièrement répandue dans la recherche et les applications industrielles, car les signaux acoustiques ne nécessitent pas
Procédure expérimentale et validation des hypothèses
Cette section décrit comment nous avons généré des échantillons audio à partir d’un véhicule avec différents degrés de contamination du filtre à air pour former un classificateur à trois états pour plusieurs véhicules.
Nous présentons d'abord une expérience de collecte de données pour prouver le concept d'utilisation de caractéristiques audio pour différencier les anciens filtres des nouveaux. Ensuite, nous présentons une procédure de génération de données contrôlées pour la classification de la contamination multi-états et expliquons comment cette approche assure la robustesse de nos classificateurs. Ici, nous collectons des données
Développement d'algorithmes
À partir de la figure 5, nous avons émis l'hypothèse que les différences de pics FT pourraient être utilisées pour différencier trois états, avec des caractéristiques supplémentaires améliorant la précision de la classification. Dans cette section, nous expliquons comment nous avons généré des caractéristiques, réglé un classificateur et sélectionné les paramètres d'entrée optimaux pour maximiser la précision de la classification du chargement du filtre tout en minimisant le surajustement.
Résultats de l'échantillon externe
Cette section présente les résultats optimisés pour les trois ensembles de données testés sous forme de tableau.
Dans le tableau 1, nous voyons la configuration optimale pour chacun des trois modèles et les performances croisées dans l'échantillon à 5 fois ainsi que les 25 " id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">% de performance de suréchantillonnage.
Nous notons des tendances dans les paramètres optimaux du modèle. Chaque modèle a tendance à sélectionner des tailles de bacs de petite taille, ce qui suggère que les éléments DFT joueront un rôle important dans la différenciation des états et que les caractéristiques d'intérêt sont concentrées sur des tailles de bacs étroites.
Conclusions
Nous avons démontré une précision de 80 % dans la détection de la charge particulaire des filtres à air à trois états à l'aide des caractéristiques MFCC, DFT et ondelettes et des arbres de décision ensachés, prouvant la viabilité de l'audio des smartphones traité par lots pour la classification des filtres. La classification multi-états est une étape vers la surveillance de l'état, tandis que la sensibilité du classificateur démontré suggère qu'une réponse précoce est possible. Une application mobile utilisant cette approche pourrait à terme améliorer les performances et l'efficacité du véhicule.
Les résultats