Alle categorieën

Nieuws

Home >  Nieuws

Vergelijking van de filtratieprestaties van commercieel verkrijgbare auto-interieurluchtfilters tegen verschillende luchtverontreinigende stoffen Nederland

Tijd: 2024-11-06

Vergelijking van de filtratieprestaties van commercieel verkrijgbare auto-interieurluchtfilters tegen verschillende luchtverontreinigende stoffen

       

Abstract

Inlaatfilters voor automotoren zorgen voor schone luchttoevoer naar de motor, hoewel deze filters na verloop van tijd vol raken met verontreinigingen die de vrije luchtstroom belemmeren. De huidige open-loopbenadering van luchtfilteronderhoud zorgt ervoor dat bestuurders elementen vervangen op vooraf bepaalde service-intervallen, wat leidt tot kostbare en mogelijk schadelijke over- en ondervervanging. Het resultaat is dat veel voertuigen consequent rijden met minder vermogen, een hoger brandstofverbruik of overmatige slijtage door deeltjes, wat de katalysator of bewerkte motoroppervlakken kan beschadigen.
We presenteren een methode om filterverontreinigingen te detecteren uit audiogegevens die zijn verzameld door een smartphone en een standaardmicrofoon. Onze machine learning-benadering van filtersupervisie gebruikt Mel-Cepstrum-, Fourier- en Wavelet-functies als invoer in een classificatiemodel en past functierangschikking toe om de best onderscheidende functies te selecteren. We demonstreren de robuustheid van onze techniek door de doeltreffendheid ervan te tonen voor twee voertuigtypen en verschillende microfoons, waarbij we een beste resultaat van 79.7% nauwkeurigheid vinden bij het classificeren van een filter in drie laadstatussen.
Verfijningen aan deze techniek zullen bestuurders helpen hun filters te controleren en te helpen bij het optimaal timen van hun vervanging. Dit zal resulteren in een verbetering van de voertuigprestaties, efficiëntie en betrouwbaarheid, terwijl de onderhoudskosten voor voertuigeigenaren worden verlaagd.

Inleiding

Elk jaar nemen de gemiddelde leeftijd van het voertuig en het aantal jaarlijks afgelegde kilometers toe (United States Department of Transportation (2016b)), IHS Inc (2016). Met de verschuiving naar gedeelde mobiliteit groeit ook de behoefte aan efficiënte, betrouwbare en duurzame voertuigen.
De meeste 260" id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">260-miljoen voertuigen Amerikaanse lichte vloot (United States Department of Transportation, 2016a) wordt aangedreven door benzine (US Energy Information Administration, 2016), met motoren die lucht en brandstof verbruiken, deze mix ontsteken om een ​​zuiger voort te stuwen en verbrandingsproducten uitstoten. Elke inefficiëntie zorgt ervoor dat de motorprestaties, zuinigheid en levensduur eronder lijden.
Het inlaatsysteem is cruciaal voor optimale prestaties. Inkomende lucht moet vrij stromen om efficiëntie te bereiken, schoon zijn, om motoroppervlakken te beschermen tegen slijtage en kou, zodat de verhoogde dichtheid ervoor zorgt dat er meer brandstof verbrandt, wat het vermogen verbetert.
Filters zijn een belangrijk onderdeel van motorinlaten en verlagen de concentratie van verontreinigingen tot veilige niveaus (Jaroszczyk et al., 1993) terwijl ze een vrije vloeistofstroom garanderen om de verwarming van de inlaatlucht te beperken. Deze filters zijn slijtageonderdelen die schoongemaakt of vervangen moeten worden als ze vol zitten met vuil, stof en gruis.
Optimale filtratie verbetert de insluiting van deeltjes, waardoor erosie van de motorcilinder wordt verminderd. Kleine veranderingen in de efficiëntie hebben een significante impact: motorslijtage is 8" id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0">8 keer sneller voor een filter dat is 98" id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">98% versus 99" id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">99% efficiënt (Jaroszczyk et al., 1993). Bovendien vermindert ideale filtratie het geluidsniveau in de cabine en verbetert het het motorvermogen en de respons. Daarentegen beperken vuile filters het vermogen, veroorzaken ze lawaai, verspillen ze brandstof Norman et al. (2009), Toma (2016) en kunnen ze storingen in de katalysator veroorzaken. Deze uitdagingen zijn het grootst bij voertuigen met carburateur (Thomas et al., 2012) die geen gesloten brandstofregeling hebben. Terwijl nieuwe auto's halverwege de jaren negentig overschakelden op brandstofinjectie, gebruiken veel auto's, motorfietsen en andere lichte transportvoertuigen over de hele wereld nog steeds carburateurs.
Filterelementen vroegtijdig vervangen lijkt een voor de hand liggende oplossing, maar vroegtijdige vervanging veroorzaakt subtiele maar serieuze problemen. De efficiëntie van het opvangen van deeltjes neemt toe met de belasting (Norman et al., 2009), dus licht gebruikte elementen verminderen motorslijtage en verlengen de levensduur. Er bestaat een optimaal venster waarin een filter kan worden vervangen — een venster waarin het filter de meeste deeltjes opvangt en de doorstroming minimaal beperkt.
Sensoren in voertuigen zijn ontworpen om het probleem van optimale filtervervanging op te lossen, maar de meeste nieuwe voertuigen met On-Board Diagnostics houden deze conditie doorgaans niet in de gaten en oudere voertuigen hebben doorgaans geen enkele detectie. Weinig voertuigen bieden vacuümgebaseerde inlaatdrukvalsensoren (Norman et al., 2009) die een toename van de basisdrukval van 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). Als er geen sensoren aanwezig zijn, zijn bestuurders zich daar doorgaans niet van bewust en vertrouwen ze daarom op data-blinde timing, waarbij de meeste bestuurders filters op vaste intervallen vervangen (vaak 15,000 km (Toma, 2016)) of wanneer ze er vuil uitzien. Deze methoden zijn onnauwkeurig, met voertuigen die worden gebruikt in verschillende omgevingen met verschillende deeltjesbelastingen en onvoorspelbare luchtstroomsnelheden (Jaroszczyk et al., 1993).
In een onderzoek van 21" id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0">21 luchtfilters getest na verwijdering, 15" id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0">15 werden vroegtijdig verwijderd, terwijl twee werden vervangen nadat prestatieverminderende occlusie was begonnen (Toma, 2016). Dit geeft aan dat bestuurders die voertuigen voor service wegbrengen, filters te vroeg vervangen, maar is inherent bevooroordeeld, aangezien de vuilste filters worden aangetroffen in auto's die nooit voor service zijn weggebracht. Ervan uitgaande dat een 2" id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">2% verlies in brandstofverbruik in de voertuigen die niet goed onderhouden zijn, een gemiddelde bestuurder die $ 1680 per jaar aan brandstof uitgeeft, verspilt $ 33.60 door te rijden met een vuil filter. Dit overschrijdt de kosten van een typisch filter en toont de potentiële besparingen voor optimale vervangingstiming, om nog maar te zwijgen van de schade op de lange termijn aan motoren en katalysatoren.
Gestroomlijnde, realtime filterclassificatie kan de operationele kosten en emissies van voertuigen verlagen en tegelijkertijd de betrouwbaarheid verbeteren. Er bestaat een latente vraag naar deze informatie: 81.4% van de mensen zou aanbevelingen van een data-geïnformeerd systeem aannemen (Toma en Bobalca, 2016).
Om de noodzaak voor gedragsveranderingen te verminderen, kan goedkope, alomtegenwoordige sensing met behulp van smartphones worden gebruikt om bestaande apparaten opnieuw te gebruiken (Engelbrecht et al., 2015). De afgelopen jaren hebben fabrikanten van consumentenelektronica de mobiele sensing-mogelijkheden vergroot. Deze nieuwe input, variërend van atmosferische druk en apparaatoriëntatie tot temperatuur, aanraking en nabijheid, hebben vergelijkbare verbeteringen in mobiele berekeningen, opslag en connectiviteit ontmoet (Han en Cho, 2016). Ons eigen werk heeft aangetoond dat het mogelijk is om de ontsteking van motoren te bewaken met behulp van dergelijke apparaten (Siegel et al., 2016b).
We streven ernaar om van het huidige reactieve onderhoudsparadigma over te stappen naar proactief onderhoud, door gebruik te maken van deze middelen. We passen mobiele audio toe om te observeren hoe een auto 'ademt' om de prestaties van het luchtfilter te classificeren met als doel een indicator voor de 'resterende levensduur' en conditiemonitor voor luchtfilters te creëren om de naleving van de beste onderhoudspraktijken voor auto's te verbeteren. Dit artikel laat zien hoe mobiele audiogegevens en ensembleclassificatie kunnen worden toegepast om de conditie van het luchtfilter te categoriseren in meerdere geladen toestanden.
In Sectie 2 veronderstellen we dat geluid dat uit de inlaat komt verandert met de deeltjesbelasting, terwijl Sectie 3 gerelateerd werk onderzoekt. Sectie 4 beschrijft een experimentele procedure om gegevens te verzamelen en verontreinigingen te simuleren die de luchtstroom beperken. We beschrijven ons ensemble-classificatiealgoritme in Sectie 5 en presenteren resultaten in Sectie 6, die een hoge nauwkeurigheid laten zien bij het onderscheiden van nieuwe, voorzichtig gebruikte, vuile en geblokkeerde filters. Tot slot bespreekt Sectie 7 toekomstige verbeteringen voor dit algoritme en toepassingen van alomtegenwoordige detectie voor andere voertuigfouten.

Sectiefragmenten

Probleem beschrijving

De ideale verbrandingsmotor vereist een onbeperkte toevoer van vrijstromende, schone, koude lucht. In werkelijkheid hebben motoren filters nodig om de lucht te reinigen en slijtage te beperken. Wanneer ze nieuw zijn, beperken deze filters de inlaatluchtstroom en naarmate het filter wordt geladen met verontreinigingen, nemen deze beperking en de bijbehorende drukval toe. Hoewel inlaatsystemen zijn afgestemd om geluid, trillingen en ruwheid te minimaliseren, leiden veranderingen in de stroming uiteindelijk tot waarneembare veranderingen in de audio die uit de inlaat komt. Wij beweren dat deze druk

stand van de techniek

Het karakteriseren van voertuigprestaties, het classificeren van componentcondities en het identificeren van afwijkend gedrag met behulp van tijdsdomeinsignalen is geen nieuw vakgebied. In-vehicle sensing is met name toegepast op luchtfilterbewaking. Multi-state classificatie en alomtegenwoordige conditiebewaking blijven echter onderbelicht.
Dit komt niet door een gebrek aan alomtegenwoordige voertuigdiagnostiek. Het gebruik van audiosignalen is vooral gangbaar in onderzoeks- en industriële toepassingen, omdat akoestische signalen geen 

Experimentele procedure en hypothesevalidatie

In dit gedeelte beschrijven we hoe we audiomonsters hebben gegenereerd van een voertuig met verschillende gradaties van vervuiling van het luchtfilter om een ​​drietoestandsclassificator voor meerdere voertuigen te trainen.
We bespreken eerst een experiment waarbij data wordt verzameld om het concept van het gebruik van audiofuncties om oude van nieuwe filters te onderscheiden, te bewijzen. Vervolgens presenteren we een procedure voor het genereren van gecontroleerde data voor multi-state contaminatieclassificatie en leggen we uit hoe deze aanpak de robuustheid van onze classificatoren verzekert. Hier verzamelen we data

Algoritme ontwikkeling

Uit figuur 5 hebben we de hypothese opgesteld dat de FT-piekverschillen gebruikt kunnen worden om te differentiëren tussen drie toestanden, met extra features die de classificatienauwkeurigheid verbeteren. In deze sectie bespreken we hoe we features hebben gegenereerd, een classificator hebben afgestemd en de optimale invoerparameters hebben geselecteerd om de classificatienauwkeurigheid van de filterlading te maximaliseren en overfitting te minimaliseren.

Out-Sample resultaten

In deze sectie worden de outsample- en geoptimaliseerde resultaten voor de drie geteste datasets in tabelvorm weergegeven.
In Tabel 1 zien we de optimale configuratie voor elk van de drie modellen en de 5-voudig kruisgevalideerde insample-prestaties, evenals de 25" id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">25% outsample-prestaties.
We merken trends op in optimale modelparameters. Elk model heeft de neiging om kleine bin-groottes te selecteren, wat suggereert dat de DFT-elementen een belangrijke rol zullen spelen bij het onderscheiden van toestanden en dat de interessante kenmerken gericht zijn op smalle

Conclusies

We hebben 80% nauwkeurigheid aangetoond in detectie van deeltjesbelasting in drie toestanden van luchtfilters met behulp van MFCC-, DFT- en wavelet-functies en bagged decision trees, waarmee we de levensvatbaarheid van batch-verwerkte smartphone-audio voor filterclassificatie hebben bewezen. Classificatie in meerdere toestanden is een stap in de richting van conditiebewaking, terwijl de gevoeligheid van de aangetoonde classificator suggereert dat vroege respons mogelijk is. Een mobiele applicatie die deze aanpak gebruikt, kan uiteindelijk de voertuigprestaties en -efficiëntie verbeteren.
De resultaten

PREV: HET VITAAL BELANG VAN HET OLIEFILTER

VOLGENDE: Het echte verhaal over autofilters