Categorie

Notizie

Casa >  Notizie

Confronto delle prestazioni di filtrazione dei filtri dell'aria per abitacolo automobilistico disponibili in commercio rispetto a vari inquinanti atmosferici Italia

Tempo: 2024-11-06

Confronto delle prestazioni di filtrazione dei filtri dell'aria per abitacolo automobilistico disponibili in commercio rispetto a vari inquinanti atmosferici

       

Astratto

I filtri di aspirazione dei motori automobilistici assicurano un'erogazione di aria pulita al motore, anche se nel tempo questi filtri si caricano di contaminanti che ostacolano il libero flusso d'aria. L'attuale approccio a ciclo aperto alla manutenzione dei filtri dell'aria prevede che i conducenti sostituiscano gli elementi a intervalli di manutenzione prestabiliti, causando sostituzioni eccessive e potenzialmente dannose. Il risultato è che molti veicoli funzionano costantemente con potenza ridotta, maggiore consumo di carburante o eccessiva usura correlata al particolato che può danneggiare il catalizzatore o le superfici lavorate del motore.
Presentiamo un metodo per rilevare il carico di contaminanti del filtro da dati audio raccolti da uno smartphone e da un microfono a supporto. Il nostro approccio di apprendimento automatico alla supervisione del filtro utilizza le caratteristiche Mel-Cepstrum, Fourier e Wavelet come input in un modello di classificazione e applica la classificazione delle caratteristiche per selezionare le caratteristiche che differenziano meglio. Dimostriamo la robustezza della nostra tecnica mostrandone l'efficacia per due tipi di veicoli e diversi microfoni, trovando un risultato migliore del 79.7% di accuratezza quando si classifica un filtro in tre stati di carico.
I perfezionamenti di questa tecnica aiuteranno i conducenti a supervisionare i loro filtri e a programmare in modo ottimale la loro sostituzione. Ciò si tradurrà in un miglioramento delle prestazioni, dell'efficienza e dell'affidabilità del veicolo, riducendo al contempo i costi di manutenzione per i proprietari del veicolo.

Introduzione

Ogni anno aumentano l'età media dei veicoli e i chilometri annuali percorsi (United States Department of Transportation, 2016b), IHS Inc (2016) e, con il passaggio alla mobilità condivisa, continua a crescere la necessità di veicoli efficienti, affidabili e durevoli.
La maggior parte dei 260" id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">260-milioni di veicoli della flotta leggera statunitense (United States Department of Transportation, 2016a) sono alimentati a benzina (US Energy Information Administration, 2016), con motori che consumano aria e carburante, accendono questa miscela per far muovere un pistone ed esauriscono i sottoprodotti della combustione. Qualsiasi inefficienza compromette le prestazioni, l'economia e la longevità del motore.
Il sistema di aspirazione è fondamentale per prestazioni ottimali. L'aria in entrata deve fluire liberamente per ottenere efficienza, essere pulita, per proteggere le superfici del motore dall'abrasione e dal freddo, in modo che la densità aumentata consenta di bruciare più carburante, migliorando la potenza.
Un elemento chiave delle prese d'aria del motore, i filtri riducono la concentrazione di contaminanti a livelli sicuri (Jaroszczyk et al., 1993) garantendo al contempo il libero flusso del fluido per limitare il riscaldamento dell'aria di aspirazione. Questi filtri sono elementi soggetti a usura, che necessitano di pulizia o sostituzione una volta carichi di sporcizia, polvere e detriti.
Una filtrazione ottimale migliora l'intrappolamento del particolato, riducendo l'erosione del cilindro del motore. Piccole modifiche all'efficienza hanno un impatto significativo: l'usura del motore è 8" id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0">8 volte più veloce per un filtro che è 98" id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">98% contro 99" id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">99% efficiente (Jaroszczyk et al., 1993). Inoltre, la filtrazione ideale riduce i livelli di rumore in cabina e migliora la potenza e la risposta del motore. Al contrario, i filtri sporchi limitano la potenza, causano rumore, sprecano carburante Norman et al. (2009), Toma (2016) e possono causare guasti al convertitore catalitico a valle. Queste sfide sono più significative nei veicoli a carburatore (Thomas et al., 2012) privi di controllo del carburante a circuito chiuso. Mentre le nuove auto sono passate all'iniezione di carburante a metà degli anni '1990, molte auto, motociclette e altri veicoli di trasporto leggero in tutto il mondo utilizzano ancora i carburatori.
Cambiare gli elementi filtranti in anticipo sembra una soluzione ovvia, ma una sostituzione anticipata causa problemi sottili ma seri. L'efficienza di cattura del particolato aumenta con il carico (Norman et al., 2009), quindi gli elementi usati poco riducono l'usura del motore e prolungano la durata di servizio. Esiste una finestra ottimale in cui cambiare un filtro, una in cui il filtro cattura la maggior parte del particolato e limita minimamente il flusso.
I sensori di bordo sono stati progettati per risolvere il problema della sostituzione ottimale del filtro, ma la maggior parte dei nuovi veicoli con diagnostica di bordo in genere non monitora questa condizione e i veicoli più vecchi in genere non dispongono di alcun rilevamento. Pochi veicoli offrono sensori di caduta di pressione di aspirazione basati sul vuoto (Norman et al., 2009) che indicano un aumento rispetto alla caduta di pressione di base di 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 et al. (2012). Laddove non sono presenti sensori, i conducenti in genere non ne sono consapevoli e pertanto si affidano a tempistiche data-blind, con la maggior parte dei conducenti che sostituisce i filtri a intervalli stabiliti (spesso 15,000 km (Toma, 2016)) o quando sembrano sporchi. Questi metodi sono imprecisi, con veicoli utilizzati in ambienti diversi con diversi carichi di particolato e portate d'aria imprevedibili (Jaroszczyk et al., 1993).
In un sondaggio di 21" id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0">21 filtri aria testati dopo la rimozione, 15" id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0">15 sono stati rimossi in anticipo mentre due erano stati cambiati dopo l'inizio dell'occlusione che degradava le prestazioni (Toma, 2016). Ciò indica che i conducenti che portano i veicoli in assistenza cambiano i filtri troppo presto, ma è intrinsecamente distorto, poiché i filtri più sporchi si trovano in quelle auto che non sono mai state portate in assistenza. Supponendo che un 2" id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">2% di perdita di risparmio di carburante nei veicoli sotto-riparati, un guidatore medio che spende $ 1680 all'anno in carburante ne spreca $ 33.60 guidando con un filtro sporco. Ciò supera il costo di un filtro tipico e dimostra i potenziali risparmi per una tempistica di sostituzione ottimale, per non parlare dei danni a lungo termine a motori e convertitori catalitici.
Una classificazione semplificata e in tempo reale dei filtri potrebbe ridurre i costi operativi e le emissioni dei veicoli, migliorandone al contempo l'affidabilità. Esiste una domanda latente per queste informazioni: l'81.4% delle persone accetterebbe raccomandazioni da un sistema basato sui dati (Toma e Bobalca, 2016).
Per ridurre la necessità di cambiamenti comportamentali, si può ricorrere a un rilevamento pervasivo e a basso costo tramite smartphone per riutilizzare dispositivi esistenti (Engelbrecht et al., 2015). Negli ultimi anni, i produttori di elettronica di consumo hanno aumentato le capacità di rilevamento mobile. Questi nuovi input, che vanno dalla pressione atmosferica e dall'orientamento del dispositivo alla temperatura, al tocco e alla prossimità, hanno incontrato miglioramenti commisurati nell'elaborazione mobile, nell'archiviazione e nella connettività (Han e Cho, 2016). Il nostro lavoro ha dimostrato che è possibile monitorare l'accensione del motore utilizzando tali dispositivi (Siegel et al., 2016b).
Puntiamo a passare dall'attuale paradigma di manutenzione reattiva a quello proattivo, avvalendoci di queste risorse. Applichiamo l'audio mobile per osservare come un'auto "respira" per classificare le prestazioni del filtro dell'aria con l'obiettivo di creare un indicatore di "durata residua" e un monitor delle condizioni per i filtri dell'aria per migliorare la conformità con le migliori pratiche di manutenzione automobilistica. Questo documento dimostra come i dati audio mobili e la classificazione dell'ensemble possono essere applicati per categorizzare le condizioni del filtro dell'aria in più stati di carico.
Nella Sezione 2, ipotizziamo che il suono che emana dall'aspirazione cambi con il carico di particolato, mentre la Sezione 3 esplora il lavoro correlato. La Sezione 4 descrive una procedura sperimentale per raccogliere dati e simulare contaminanti che limitano il flusso d'aria. Descriviamo il nostro algoritmo di classificazione di ensemble nella Sezione 5 e presentiamo i risultati nella Sezione 6, che mostrano un'elevata accuratezza nel differenziare filtri nuovi, usati con cura, sporchi e ostruiti. Infine, la Sezione 7 discute dei futuri miglioramenti per questo algoritmo e delle applicazioni del rilevamento pervasivo ad altri guasti del veicolo.

Frammenti di sezione

Descrizione del problema

Il motore a combustione ideale richiede una fornitura illimitata di aria fredda, pulita e a flusso libero. In realtà, i motori richiedono filtri per pulire l'aria e limitare l'usura. Quando sono nuovi, questi filtri limitano il flusso d'aria di aspirazione e, man mano che il filtro si carica di contaminanti, questa restrizione e la relativa caduta di pressione aumentano. Mentre i sistemi di aspirazione sono regolati per ridurre al minimo rumore, vibrazioni e durezza, i cambiamenti nel flusso alla fine portano a cambiamenti percettibili nell'audio che emana dall'aspirazione. Affermiamo che queste pressioni

Arte preesistente

La caratterizzazione delle prestazioni del veicolo, la classificazione delle condizioni dei componenti e l'identificazione di comportamenti anomali mediante segnali nel dominio del tempo non sono un campo nuovo. In particolare, il rilevamento in-vehicle è stato applicato al monitoraggio del filtro dell'aria. Tuttavia, la classificazione multi-stato e il monitoraggio pervasivo delle condizioni rimangono poco esplorati.
Ciò non è dovuto alla mancanza di una diagnostica pervasiva dei veicoli. L'uso di segnali audio è particolarmente diffuso nella ricerca e nelle applicazioni industriali perché i segnali acustici non richiedono 

Procedura sperimentale e convalida delle ipotesi

Questa sezione descrive come abbiamo generato campioni audio da un veicolo con diversi gradi di contaminazione del filtro dell'aria per addestrare un classificatore a tre stati per più veicoli.
Per prima cosa, discutiamo di un esperimento che raccoglie dati per dimostrare il concetto di utilizzo di caratteristiche audio per differenziare i vecchi filtri da quelli nuovi. Quindi, presentiamo una procedura per generare dati controllati per la classificazione della contaminazione multi-stato e spieghiamo come questo approccio assicura la robustezza dei nostri classificatori. Qui, raccogliamo dati

Sviluppo dell'algoritmo

Dalla Fig. 5, abbiamo ipotizzato che le differenze di picco FT potessero essere utilizzate per differenziare tra tre stati, con caratteristiche aggiuntive che migliorano l'accuratezza della classificazione. In questa sezione discutiamo di come abbiamo generato caratteristiche, regolato un classificatore e selezionato i parametri di input ottimali per massimizzare l'accuratezza della classificazione del caricamento del filtro riducendo al minimo l'overfitting.

Risultati fuori campione

Questa sezione mostra i risultati ottimizzati e fuori campione per i tre set di dati testati in forma tabellare.
Nella Tabella 1, vediamo la configurazione ottimale per ciascuno dei tre modelli e le prestazioni del campione convalidato in modo incrociato a 5 pieghe, nonché la 25" id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">25% prestazioni di sovracampionamento.
Notiamo le tendenze nei parametri ottimali del modello. Ogni modello tende a selezionare piccole dimensioni di bin, il che suggerisce che gli elementi DFT svolgeranno un ruolo importante nella differenziazione degli stati e che le caratteristiche di interesse sono focalizzate su ristretti

Conclusioni

Abbiamo dimostrato un'accuratezza dell'80% nel rilevamento del carico di particolato del filtro dell'aria a tre stati utilizzando le funzionalità MFCC, DFT e wavelet e gli alberi decisionali in bag, dimostrando la fattibilità dell'audio degli smartphone elaborato in batch per la classificazione dei filtri. La classificazione multi-stato è un passo avanti verso il monitoraggio delle condizioni, mentre la sensibilità dimostrata del classificatore suggerisce che è possibile una risposta precoce. Un'applicazione mobile che utilizza questo approccio potrebbe in definitiva migliorare le prestazioni e l'efficienza del veicolo.
I risultati

PREV: L'IMPORTANZA VITALE DEL FILTRO DELL'OLIO

NEXT: La vera storia sui filtri per auto