კომერციულად ხელმისაწვდომი ავტომობილების სალონის ჰაერის ფილტრების ფილტრაციის შედარება სხვადასხვა ჰაერის დამაბინძურებლების წინააღმდეგ საქართველო

დრო: 2024-11-06

აბსტრაქტული

საავტომობილო ძრავის ფილტრები უზრუნველყოფს სუფთა ჰაერის მიწოდებას ძრავში, თუმცა დროთა განმავლობაში ეს ფილტრები იტვირთება დამაბინძურებლებით, რაც ხელს უშლის ჰაერის თავისუფალ ნაკადს. ჰაერის ფილტრის შენარჩუნების დღევანდელი ღია მიდგომა დრაივერებს ცვლის ელემენტებს წინასწარ განსაზღვრული სერვისის ინტერვალებით, რაც იწვევს ძვირადღირებულ და პოტენციურად საზიანო ზედმეტ და ნაკლებ ჩანაცვლებას. შედეგი არის ის, რომ ბევრი მანქანა მუდმივად მუშაობს შემცირებული სიმძლავრის, გაზრდილი საწვავის მოხმარებით ან ნაწილაკებთან დაკავშირებული ზედმეტი ცვეთით, რამაც შეიძლება დააზიანოს კატალიზატორი ან დაზიანდეს დამუშავებული ძრავის ზედაპირები.

ჩვენ წარმოგიდგენთ ფილტრის დამაბინძურებლების დატვირთვის გამოვლენის მეთოდს სმარტფონისა და სადგამის მიკროფონის მიერ შეგროვებული აუდიო მონაცემებიდან. ჩვენი მანქანური სწავლების მიდგომა ზედამხედველობის ფილტრაციისთვის იყენებს Mel-Cepstrum, Fourier და Wavelet ფუნქციებს, როგორც შესატანს კლასიფიკაციის მოდელში და იყენებს ფუნქციების რანჟირებას საუკეთესო დიფერენცირების ფუნქციების შესარჩევად. ჩვენ ვაჩვენებთ ჩვენი ტექნიკის სიმტკიცეს მისი ეფექტურობის ჩვენებით ორი ტიპის ავტომობილისთვის და სხვადასხვა მიკროფონისთვის, ვპოულობთ საუკეთესო შედეგს 79.7% სიზუსტით, როდესაც ფილტრი იყოფა სამ დატვირთვის მდგომარეობად.

ამ ტექნიკის დახვეწა დაეხმარება მძღოლებს მათი ფილტრების ზედამხედველობა და მათი ჩანაცვლების ოპტიმალური დრო. ეს გამოიწვევს ავტომობილის მუშაობის, ეფექტურობისა და საიმედოობის გაუმჯობესებას, ხოლო მანქანის მფლობელებისთვის ტექნიკური მომსახურების ხარჯების შემცირებას.

შესავალი

ყოველწლიურად, ავტომობილის საშუალო ასაკი და წლიური გავლილი მილი იზრდება შეერთებული შტატების ტრანსპორტის დეპარტამენტი (2016b), IHS Inc (2016) და საერთო მობილურობაზე გადასვლასთან ერთად, ეფექტური, საიმედო და გამძლე მანქანების საჭიროება კვლავ იზრდება.

უმრავლესობა

260

-მილიონიანი ავტომობილი აშშ-ს მსუბუქი ფლოტი (აშშ-ს ტრანსპორტის დეპარტამენტი, 2016ა) ბენზინზე მომუშავეა (აშშ-ის ენერგეტიკული ინფორმაციის ადმინისტრაცია, 2016), ძრავებით, რომლებიც მოიხმარენ ჰაერს და საწვავს, ანთებენ ამ ნარევს დგუშის გასაყვანად და გამონაბოლქვის წვის ქვეპროდუქტებს. ნებისმიერი არაეფექტურობა იწვევს ძრავის მუშაობას, ეკონომიურობას და ხანგრძლივობას.

შეყვანის სისტემა გადამწყვეტია ოპტიმალური მუშაობისთვის. შემომავალი ჰაერი უნდა იყოს თავისუფლად მიედინება ეფექტურობის მისაღწევად, სუფთა, ძრავის ზედაპირების დასაცავად აბრაზიისგან და სიცივისგან, ისე რომ გაზრდილი სიმკვრივე საშუალებას მისცემს მეტი საწვავის დაწვას, რაც აუმჯობესებს სიმძლავრეს.

ძრავის მიმღების მთავარი ელემენტი, ფილტრები ამცირებს დამაბინძურებლების კონცენტრაციას უსაფრთხო დონემდე (Jaroszczyk et al., 1993), ხოლო უზრუნველყოფს სითხის თავისუფალ ნაკადს შემავალი ჰაერის გათბობის შეზღუდვის მიზნით. ეს ფილტრები არის აცვიათ ნივთები, რომლებიც საჭიროებენ გაწმენდას ან შეცვლას ჭუჭყით, მტვრით და ნამსხვრევებით დატვირთული.

ოპტიმალური ფილტრაცია აუმჯობესებს ნაწილაკების ჩაკეტვას, ამცირებს ძრავის ცილინდრის ეროზიას. ეფექტურობის მცირე ცვლილებები მნიშვნელოვან გავლენას ახდენს: ძრავის ცვეთაა

8

ჯერ უფრო სწრაფი ფილტრისთვის

98

% წინააღმდეგ

99

% ეფექტური (Jaroszczyk et al., 1993). გარდა ამისა, იდეალური ფილტრაცია ამცირებს სალონის ხმაურის დონეს და აუმჯობესებს ძრავის სიმძლავრეს და რეაგირებას. ამის საპირისპიროდ, ჭუჭყიანი ფილტრები ზღუდავს სიმძლავრეს, იწვევს ხმაურს, ნარჩენებს საწვავს ნორმან და სხვ. (2009), ტომა (2016) და შეიძლება გამოიწვიოს კატალიზატორის უკმარისობა. ეს გამოწვევები ყველაზე მნიშვნელოვანია კარბუტერიან მანქანებში (Thomas et al., 2012), რომლებსაც არ აქვთ საწვავის დახურული მარყუჟის კონტროლი. მიუხედავად იმისა, რომ ახალი მანქანები გადავიდა საწვავის ინექციზე 1990-იანი წლების შუა პერიოდისთვის, ბევრი მანქანა, მოტოციკლი და სხვა მსუბუქი სატრანსპორტო სატრანსპორტო საშუალება მთელს მსოფლიოში კვლავ იყენებს კარბუტერებს.

ფილტრის ელემენტების ადრეული შეცვლა აშკარა გამოსავალად ჩანს, მაგრამ ადრეული ჩანაცვლება იწვევს დახვეწილ, მაგრამ სერიოზულ პრობლემებს. ნაწილაკების დაჭერის ეფექტურობა იზრდება დატვირთვასთან ერთად (Norman et al., 2009), ამიტომ მსუბუქად გამოყენებული ელემენტები ამცირებს ძრავის ცვეთას და ახანგრძლივებს ექსპლუატაციას. არსებობს ოპტიმალური ფანჯარა, რომელშიც უნდა შეიცვალოს ფილტრი - ის, რომელშიც ფილტრი იჭერს ნაწილაკების უმრავლესობას და მინიმალურად ზღუდავს დინებას.

მანქანაში არსებული სენსორები შექმნილია ფილტრის ოპტიმალური ჩანაცვლების პრობლემის გადასაჭრელად, მაგრამ ბორტ დიაგნოსტიკის მქონე ახალი მანქანების უმეტესობა, როგორც წესი, არ აკონტროლებს ამ მდგომარეობას და ძველ მანქანებს, როგორც წესი, არ აქვთ რაიმე სენსიტი. რამდენიმე მანქანა გვთავაზობს ვაკუუმზე დაფუძნებულ შეწოვის წნევის ვარდნის სენსორებს (Norman et al., 2009), რომლებიც მიუთითებენ საბაზისო წნევის ვარდნაზე ზრდაზე.

1

2.5 kPa

ტომა (2016), თომას და სხვ. (2012). იქ, სადაც სენსორები არ არის, მძღოლები, როგორც წესი, არ იციან და, შესაბამისად, ეყრდნობიან მონაცემთა ბრმა დროს, მძღოლების უმეტესობა ცვლის ფილტრებს დადგენილ ინტერვალებში (ხშირად 15,000 კმ (Toma, 2016)) ან როცა ისინი ჭუჭყიანად გამოიყურებიან. ეს მეთოდები არაზუსტია, მანქანები გამოიყენება სხვადასხვა გარემოში სხვადასხვა ნაწილაკების დატვირთვით და ჰაერის არაპროგნოზირებადი სიჩქარით (Jaroszczyk et al., 1993).

გამოკითხვაში

21

ჰაერის ფილტრები ტესტირება მოხსნის შემდეგ,

15

ამოღებულ იქნა ადრე, ხოლო ორი შეიცვალა შესრულების დამამცირებელი ოკლუზიის დაწყების შემდეგ (თომა, 2016). ეს იმაზე მეტყველებს, რომ მძღოლები, რომლებიც სამსახურში ატარებენ მანქანებს, ცვლიან ფილტრებს ნაადრევად, მაგრამ არსებითად მიკერძოებულნი არიან, რადგან ყველაზე ჭუჭყიანი ფილტრები გვხვდება იმ მანქანებში, რომლებიც არასოდეს მიიღეს სამსახურში. ვივარაუდოთ ა

2

საწვავის ეკონომიის % დანაკარგი არასაკმარის მომსახურე მანქანებში, საშუალო მძღოლი, რომელიც ხარჯავს 1680 აშშ დოლარს წელიწადში საწვავში, ხარჯავს 33.60 აშშ დოლარს ჭუჭყიანი ფილტრით მგზავრობისას. ეს აღემატება ტიპიური ფილტრის ღირებულებას და აჩვენებს პოტენციურ დანაზოგს ოპტიმალური ჩანაცვლების დროისთვის, რომ აღარაფერი ვთქვათ ძრავებისა და კატალიზატორის გრძელვადიან დაზიანებაზე.

გამარტივებულმა, რეალურ დროში ფილტრების კლასიფიკაციამ შეიძლება შეამციროს ავტომობილის საოპერაციო ხარჯები და გამონაბოლქვი, ხოლო საიმედოობა გააუმჯობესოს. ამ ინფორმაციაზე ლატენტური მოთხოვნა არსებობს - ადამიანების 81.4% მიიღებს რეკომენდაციებს მონაცემთა ინფორმირებული სისტემიდან (ტომა და ბობალკა, 2016).

ქცევითი ცვლილებების საჭიროების შესამცირებლად, სმარტფონების გამოყენებით დაბალფასიანი, ყოვლისმომცველი სენსორების გამოყენება შესაძლებელია არსებული მოწყობილობების ხელახლა გამოყენებისთვის (Engelbrecht et al., 2015). ბოლო წლების განმავლობაში, სამომხმარებლო ელექტრონიკის მწარმოებლებმა გაზარდეს მობილური სენსორული შესაძლებლობები. ეს ახალი შენატანები, დაწყებული ატმოსფერული წნევით და მოწყობილობის ორიენტირებიდან ტემპერატურამდე, შეხებამდე და სიახლოვემდე, შეხვდა შესაბამის გაუმჯობესებებს მობილური გამოთვლების, შენახვისა და დაკავშირების სფეროში (Han and Cho, 2016). ჩვენმა ნაშრომმა აჩვენა, რომ შესაძლებელია ძრავის აალების მონიტორინგი ასეთი მოწყობილობების გამოყენებით (Siegel et al., 2016b).

ჩვენი მიზანია გადავიდეთ დღევანდელი რეაქტიული მოვლის პარადიგმიდან პროაქტიულზე, ამ რესურსებით ვისარგებლოთ. ჩვენ ვიყენებთ მობილურ აუდიოს, რათა დავაკვირდეთ, თუ როგორ „სუნთქავს“ მანქანა ჰაერის ფილტრის მუშაობის კლასიფიკაციისთვის, რათა შევქმნათ „დარჩენილი სიცოცხლის“ ინდიკატორი და ჰაერის ფილტრების მდგომარეობის მონიტორი, რათა გაზარდოს შესაბამისობა ავტომობილის საუკეთესო ტექნიკური პრაქტიკასთან. ეს ნაშრომი გვიჩვენებს, თუ როგორ შეიძლება გამოყენებულ იქნას მობილური აუდიო მონაცემები და ანსამბლის კლასიფიკაცია ჰაერის ფილტრის მდგომარეობის მრავალ დატვირთულ მდგომარეობებად დაყოფისთვის.

მე-2 სექციაში, ჩვენ ვარაუდობთ, რომ მიღებიდან გამოსული ხმა იცვლება ნაწილაკების დატვირთვით, ხოლო მე-3 სექცია იკვლევს დაკავშირებულ სამუშაოს. მე-4 ნაწილი აღწერს ექსპერიმენტულ პროცედურას მონაცემების შეგროვებისა და ჰაერის ნაკადის შეზღუდვის დამაბინძურებლების სიმულაციისთვის. ჩვენ აღვწერთ ჩვენი ანსამბლის კლასიფიკაციის ალგორითმს მე-5 სექციაში და წარმოგიდგენთ შედეგებს მე-6 ნაწილში, რომელიც აჩვენებს მაღალ სიზუსტეს ახალი, ნაზად გამოყენებული, ჭუჭყიანი და დაბრკოლებული ფილტრების დიფერენცირებაში. და ბოლოს, მე-7 სექცია განიხილავს ამ ალგორითმის სამომავლო გაუმჯობესებებს და ყოვლისმომცველი ზონდირების გამოყენებას ავტომობილის სხვა ხარვეზებზე.

განყოფილების ნაწყვეტები

Პრობლემის აღწერა

იდეალური წვის ძრავა მოითხოვს თავისუფალი, სუფთა, ცივი ჰაერის უსაზღვრო მიწოდებას. სინამდვილეში, ძრავებს სჭირდებათ ფილტრები ჰაერის გასაწმენდად და ცვეთის შესაზღუდად. როდესაც ახალია, ეს ფილტრები ზღუდავს შემომავალი ჰაერის ნაკადს და როგორც ფილტრი იტვირთება დამაბინძურებლებით, ეს შეზღუდვა და მასთან დაკავშირებული წნევის ვარდნა იზრდება. მიუხედავად იმისა, რომ მიმღები სისტემები მორგებულია ხმაურის, ვიბრაციისა და სიმკაცრის შესამცირებლად, ნაკადის ცვლილებები საბოლოოდ იწვევს აუდიოში შესამჩნევ ცვლილებებს, რომელიც წარმოიქმნება მიმღებიდან. ჩვენ ვამტკიცებთ, რომ ეს ზეწოლა

წინა ხელოვნება

ავტომობილის მუშაობის დახასიათება, კომპონენტის მდგომარეობის კლასიფიკაცია და არანორმალური ქცევის იდენტიფიცირება დროის დომენის სიგნალების გამოყენებით ახალი ველი არ არის. ჰაერის ფილტრის მონიტორინგზე განსაკუთრებით გამოყენებულია ავტომობილის ზონდირება. თუმცა, მრავალსახელმწიფოებრივი კლასიფიკაცია და ყოვლისმომცველი მდგომარეობის მონიტორინგი ჯერ კიდევ არ არის შესწავლილი.

ეს არ არის მანქანების ფართო დიაგნოსტიკის არარსებობის გამო. აუდიო სიგნალების გამოყენება განსაკუთრებით გავრცელებულია კვლევით და სამრეწველო პროგრამებში, რადგან აკუსტიკური სიგნალები არ საჭიროებს

ექსპერიმენტული პროცედურა და ჰიპოთეზის დადასტურება

ეს განყოფილება აღწერს, თუ როგორ შევქმენით აუდიო ნიმუშები მანქანიდან ჰაერის ფილტრის დაბინძურების სხვადასხვა ხარისხით, რათა მოვამზადოთ სამი მდგომარეობის კლასიფიკატორი მრავალი მანქანისთვის.

ჩვენ პირველად განვიხილავთ ექსპერიმენტს, რომელიც აგროვებს მონაცემებს, რათა დავამტკიცოთ აუდიო ფუნქციების გამოყენების კონცეფცია ძველი ფილტრების დიფერენცირებისთვის. შემდეგ, ჩვენ წარმოგიდგენთ პროცედურას კონტროლირებადი მონაცემების გენერირებისთვის მრავალსახელმწიფოებრივი დაბინძურების კლასიფიკაციისთვის და განვმარტავთ, თუ როგორ უზრუნველყოფს ეს მიდგომა ჩვენი კლასიფიკატორების სიმტკიცეს. აქ ჩვენ ვაგროვებთ მონაცემებს

ალგორითმის შემუშავება

ნახ. 5-დან, ჩვენ გამოვთქვით ჰიპოთეზა, რომ FT პიკის განსხვავებები შეიძლება გამოყენებულ იქნას სამ მდგომარეობას შორის დიფერენცირებისთვის, დამატებითი ფუნქციებით, რომლებიც აუმჯობესებენ კლასიფიკაციის სიზუსტეს. ამ განყოფილებაში განვიხილავთ, თუ როგორ შევქმენით ფუნქციები, დავარეგულირეთ კლასიფიკატორი და შევარჩიეთ ოპტიმალური შეყვანის პარამეტრები, რათა მაქსიმალურად გაზარდოთ ფილტრის დატვირთვის კლასიფიკაციის სიზუსტე და შემცირდეს ზედმეტი მორგება.

სანიმუშო შედეგები

ეს განყოფილება გვიჩვენებს ოპტიმიზებულ შედეგებს სამი შემოწმებული მონაცემთა ნაკრებისთვის ცხრილის სახით.

ცხრილში 1, ჩვენ ვხედავთ ოპტიმალურ კონფიგურაციას სამი მოდელიდან თითოეულისთვის და 5-ჯერ ჯვარედინი დამოწმებული ნიმუშის შესრულებას, ისევე როგორც

25

% აჭარბებს ნიმუშს.

ჩვენ აღვნიშნავთ ტენდენციებს მოდელის ოპტიმალურ პარამეტრებში. თითოეული მოდელი ირჩევს მცირე ზომის ურნას, რაც ვარაუდობს, რომ DFT ელემენტები მნიშვნელოვან როლს შეასრულებენ მდგომარეობების დიფერენცირებაში და რომ ინტერესის მახასიათებლები ორიენტირებულია ვიწროზე.

დასკვნები

ჩვენ ვაჩვენეთ 80% სიზუსტე ჰაერის ფილტრის ნაწილაკების ჩატვირთვის სამი მდგომარეობის გამოვლენაში MFCC, DFT და ტალღის ფუნქციების და შეფუთული გადაწყვეტილების ხეების გამოყენებით, რაც ადასტურებს სმარტფონის სმარტფონის აუდიოს სიცოცხლისუნარიანობას ფილტრის კლასიფიკაციისთვის. მრავალმდგომარეობის კლასიფიკაცია არის ნაბიჯი მდგომარეობის მონიტორინგისკენ, ხოლო დემონსტრირებული კლასიფიკატორის მგრძნობელობა ვარაუდობს, რომ ადრეული რეაგირება შესაძლებელია. მობილურმა აპლიკაციამ ამ მიდგომის გამოყენებით შეიძლება საბოლოოდ გააუმჯობესოს ავტომობილის მუშაობა და ეფექტურობა.

შედეგები

PREV: ზეთის ფილტრის სასიცოცხლო მნიშვნელობა

შემდეგი: რეალური ამბავი ავტომობილების ფილტრებზე

ყველა კატეგორია

ახალი ამბები