Ngabandingkeun kinerja filtrasi saringan hawa kabin otomotif sadia komersil ngalawan rupa polutan hawa.
Waktos: 2024-11-06
Ngabandingkeun kinerja filtrasi saringan hawa kabin otomotif sadia komersil ngalawan rupa polutan hawa.
abstrak
Saringan asupan mesin otomotif mastikeun pangiriman hawa bersih ka mesin, sanaos kana waktosna saringan ieu dimuat ku rereged ngahalangan aliran hawa gratis. Pendekatan open-loop dinten ieu pikeun pangropéa saringan hawa ngagaduhan supir ngagentos elemen dina interval jasa anu tos ditangtukeun, nyababkeun panggantian anu mahal sareng berpotensi ngabahayakeun. Hasilna nyaéta seueur kandaraan anu terus-terusan beroperasi kalayan kakuatan anu ngirangan, konsumsi bahan bakar ningkat, atanapi pamakean partikulat anu kaleuleuwihan anu tiasa ngabahayakeun katalis atanapi ngarusak permukaan mesin mesin.
Kami nampilkeun metodeu pikeun ngadeteksi muatan kontaminasi saringan tina data audio anu dikumpulkeun ku smartphone sareng mikropon nangtung. Pendekatan pembelajaran mesin kami pikeun nyaring pangawasan ngagunakeun fitur Mel-Cepstrum, Fourier sareng Wavelet salaku input kana modél klasifikasi sareng nerapkeun peringkat fitur pikeun milih fitur anu ngabédakeun pangsaéna. Kami nunjukkeun kateguhan téknik kami ku nunjukkeun khasiatna pikeun dua jinis kendaraan sareng mikropon anu béda, mendakan hasil anu pangsaéna tina akurasi 79.7% nalika ngagolongkeun saringan kana tilu kaayaan beban.
Perbaikan kana téknik ieu bakal ngabantosan supir ngawaskeun saringanna sareng ngabantosan dina waktos panggantian sacara optimal. Ieu bakal nyababkeun paningkatan kinerja kendaraan, efisiensi, sareng reliabilitas, bari ngirangan biaya pangropéa ka pamilik kendaraan.
perkenalan
Unggal taun, umur rata-rata kendaraan sareng mil taunan anu dijalanan ningkatkeun Dinas Perhubungan Amérika Serikat (2016b), IHS Inc (2016) sareng kalayan peralihan ka arah mobilitas anu dibagi, kabutuhan kendaraan anu efisien, dipercaya sareng awét terus ningkat.
Kalolobaan 260 " id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">-juta kandaraan armada tugas ringan AS (Amérika Serikat Dinas Perhubungan, 2016a) nyaéta béngsin Powered (AS Énergi Émbaran Administrasi, 2016), kalawan mesin nu meakeun hawa jeung bahan bakar, hurung campuran ieu propel piston a, sarta knalpot durukan produk samping. Sagala inefficiency ngabalukarkeun kinerja mesin, ékonomi jeung umur panjang sangsara.
Sistem asupan penting pikeun pagelaran optimal. Hawa asup kudu bébas-ngalir pikeun attain efisiensi, bersih, ngajaga surfaces mesin ngalawan abrasion jeung tiis, jadi dénsitas ngaronjat ngamungkinkeun leuwih suluh bisa combusted, ngaronjatkeun daya.
Unsur konci asupan mesin, saringan ngirangan konsentrasi kontaminan ka tingkat anu aman (Jaroszczyk et al., 1993) bari mastikeun aliran cairan gratis pikeun ngawatesan pemanasan hawa asupan. Saringan ieu mangrupikeun barang-barang anu ngagem, peryogi beberesih atanapi ngagantian sakali dieusian ku kokotor, lebu, sareng lebu.
filtration optimal ngaronjatkeun entrapment particulate, ngurangan erosi silinder engine. Parobahan leutik kana efisiensi boga dampak signifikan: maké mesin téh 8 " id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0"> kali leuwih gancang pikeun filter anu 98 " id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">% lawan 99 " id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">% éfisién (Jaroszczyk et al., 1993). Salajengna, filtrasi idéal ngirangan tingkat bising kabin sareng ningkatkeun kakuatan mesin sareng réspon. Kontras, saringan kotor ngawatesan kakuatan, ngabalukarkeun noise, runtah suluh Norman dkk. (2009), Toma (2016) sareng tiasa nyababkeun gagal konverter katalitik hilir. Tantangan ieu paling signifikan dina kandaraan carbureted (Thomas et al., 2012) kurang kontrol bahan bakar loop-tutup. Nalika mobil anyar dialihkeun kana suntikan bahan bakar dina pertengahan taun 1990-an, seueur mobil, motor sareng kendaraan angkutan ringan sanés di sakumna dunya masih nganggo karburator.
Ngarobah elemen filter mimiti sigana hiji solusi atra, tapi ngagantian mimiti ngabalukarkeun masalah halus tapi serius. Efisiensi newak partikulat naek kalawan loading (Norman et al., 2009), jadi elemen enteng dipaké ngurangan maké engine sarta manjangkeun umur layanan. Aya jandela anu optimal pikeun ngarobih saringan - saringan dimana saringan nangkep seuseueurna partikel sareng ngabatesan aliran minimal.
Sensor di-kandaraan parantos dirarancang pikeun ngabéréskeun masalah ngagantian saringan anu optimal, tapi kalolobaan kendaraan énggal kalayan Diagnostik On-Board biasana henteu ngawas kaayaan ieu sareng kandaraan anu langkung lami biasana henteu gaduh sensing. Sababaraha kendaraan nawiskeun sensor serelek tekanan asupan dumasar vakum (Norman et al., 2009) anu nunjukkeun paningkatan tina serelek tekanan dasar tina 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). Dimana sensor henteu hadir, drivers ilaharna unaware sahingga ngandelkeun timing data-buta, kalawan paling drivers ngaganti saringan dina interval set (sering 15,000 km (Toma, 2016)) atawa lamun maranéhanana kasampak kotor. Métode ieu henteu akurat, kalayan kendaraan anu dianggo dina lingkungan anu béda-béda kalayan beban partikulat anu béda-béda sareng laju aliran hawa anu teu kaduga (Jaroszczyk et al., 1993).
Dina survey ngeunaan 21 " id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0"> saringan hawa diuji saatos dicabut, 15 " id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0"> dikaluarkeun awal bari dua parantos dirobih saatos oklusi anu ngahinakeun kinerja dimimitian (Toma, 2016). Ieu nunjukkeun yén supir nyandak kandaraan pikeun ngarobah saringan layanan teuing mimiti tapi inherently bias, sabab dirtiest saringan kapanggih dina eta mobil pernah dicokot pikeun layanan. Nganggap a 2 " id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">% leungitna ékonomi suluh dina kandaraan under-serviced, hiji supir rata belanja $1680 per taun wastes suluh $33.60 nyetir kalayan filter kotor. Ieu ngaleuwihan biaya saringan khas sareng nunjukkeun poténsi tabungan pikeun waktos panggantian anu optimal, sanés deui karusakan jangka panjang pikeun mesin sareng konvérsi katalitik.
Klasifikasi saringan anu disederhanakeun, waktos nyata tiasa ngirangan biaya operasi kendaraan sareng émisi bari ningkatkeun réliabilitas. Aya paménta laten pikeun inpormasi ieu - 81.4% jalma bakal nyandak saran ti sistem inpormasi data (Toma sareng Bobalca, 2016).
Pikeun ngirangan kabutuhan parobihan paripolah, béaya rendah, sensing pervasive nganggo smartphone tiasa dianggo pikeun ngémutan deui alat anu tos aya (Engelbrecht et al., 2015). Dina taun-taun ayeuna, produsén éléktronika konsumen parantos ningkatkeun kamampuan sensing mobile. Input anyar ieu, mimitian ti tekanan atmosfir sareng orientasi alat pikeun suhu, rampa, sareng jarakna, parantos nyumponan paningkatan anu saimbang dina komputasi mobile, neundeun, sareng konektipitas (Han and Cho, 2016). Karya urang sorangan geus ditémbongkeun yén kasebut nyaéta dimungkinkeun pikeun ngawas engine ignition ngagunakeun alat sapertos (Siegel et al., 2016b).
Kami tujuanana pikeun transisi tina paradigma pangropéa réaktif ayeuna ka proaktif, ngamangpaatkeun sumber daya ieu. Urang nerapkeun audio mobile pikeun niténan kumaha mobil "ngambekan" pikeun mengklasifikasikan kinerja filter hawa kalawan tujuan nyieun indikator "hirup sésana" jeung monitor kaayaan pikeun saringan hawa pikeun ngaronjatkeun patuh kana prakték pangropéa pangalusna otomotif. Tulisan ieu nunjukkeun kumaha data audio sélulér sareng klasifikasi ensemble tiasa diterapkeun pikeun ngagolongkeun kaayaan saringan hawa kana sababaraha kaayaan anu dimuat.
Dina Bagéan 2, urang hipotésis yén sora anu kaluar tina parobahan asupan kalayan beban partikel, sedengkeun Bagéan 3 ngajalajah padamelan anu aya hubunganana. Bagian 4 ngajelaskeun prosedur ékspérimén pikeun ngumpulkeun data sareng nyontokeun kontaminan anu ngawatesan aliran hawa. Kami ngajelaskeun algoritma klasifikasi ensemble kami dina Bagéan 5 sareng hasil nampilkeun dina Bagéan 6, nunjukkeun akurasi anu luhur dina ngabédakeun saringan anu énggal, dianggo lembut, kotor sareng ngahalangan. Tungtungna, Bagéan 7 ngabahas ngeunaan perbaikan kahareup pikeun algoritma ieu sareng aplikasi sensing pervasive kana kasalahan kendaraan anu sanés.
Potongan bagian
masalah pedaran
Mesin durukan idéal nungtut suplai tanpa wates of free-ngalir, bersih, hawa tiis. Kanyataanna, mesin merlukeun saringan pikeun ngabersihan hawa sarta ngawatesan maké. Nalika anyar, saringan ieu ngabatesan aliran hawa asupan, sareng nalika saringan dimuat ku kontaminan, larangan ieu sareng turunna tekanan anu aya hubunganana. Nalika sistem asupan disetel pikeun ngaminimalkeun bising, geter sareng karasa, parobahan aliran pamustunganana nyababkeun parobihan anu katingali dina audio anu kaluar tina asupan. Urang negeskeun yén tekanan ieu
Seni saméméhna
Cirian kinerja kendaraan, ngagolongkeun kaayaan komponén sareng ngaidentipikasi paripolah anu teu normal nganggo sinyal domain waktos sanés mangrupikeun lapangan anu énggal. In-vehicle sensing hususna geus dilarapkeun ka monitoring filter hawa. Sanajan kitu, klasifikasi multi-nagara golongan sarta ngawas kaayaan pervasive tetep underexplored.
Ieu sanés kusabab kurangna diagnostik kendaraan anu pervasive. Pamakéan sinyal audio utamana kaprah dina panalungtikan sarta aplikasi industri sabab sinyal akustik teu merlukeun
Prosedur ékspérimén jeung validasi hipotésis
Bagian ieu ngajelaskeun kumaha urang ngahasilkeun sampel audio tina kandaraan kalayan tingkat kontaminasi saringan hawa anu béda-béda pikeun ngalatih klasifikasi tilu-nagara pikeun sababaraha kendaraan.
Urang bahas heula hiji percobaan ngumpulkeun data ngabuktikeun konsép ngagunakeun fitur audio keur ngabedakeun heubeul ti saringan anyar. Teras, kami nampilkeun prosedur pikeun ngahasilkeun data anu dikontrol pikeun klasifikasi kontaminasi multi-nagara sareng ngajelaskeun kumaha pendekatan ieu ngajamin kateguhan klasifikasi urang. Di dieu, urang ngumpulkeun data
Pangwangunan algoritma
Ti Gbr. 5, urang hipotésis yén béda puncak FT bisa dipaké pikeun ngabedakeun antara tilu nagara bagian, kalawan fitur tambahan ngaronjatkeun akurasi klasifikasi. Dina bagian ieu urang ngabahas kumaha urang dihasilkeun fitur, disetel classifier a, sarta milih parameter input optimal pikeun maksimalkeun pungsi filter loading akurasi klasifikasi bari ngaminimalkeun overfitting.
Hasil kaluar-Sampel
Bagian ieu nunjukkeun outsample, hasil anu dioptimalkeun pikeun tilu set data anu diuji dina bentuk tabular.
Dina Tabel 1, urang ningali konfigurasi optimal pikeun tiap tina tilu model jeung kinerja insample cross-validated 5-melu ogé 25 " id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">% kinerja outsample.
Urang catetan tren dina parameter model optimal. Unggal modél condong milih ukuran bin leutik, nunjukkeun yén elemen DFT bakal maénkeun peran anu penting dina ngabédakeun nagara sareng yén fitur anu dipikaresep museurkeun kana sempit.
conclusions
Kami nunjukkeun akurasi 80% dina deteksi muatan partikulat saringan hawa tilu kaayaan nganggo fitur MFCC, DFT sareng wavelet sareng tangkal kaputusan kantong, ngabuktikeun daya tahan audio smartphone olahan angkatan pikeun klasifikasi saringan. Klasifikasi multi-nagara nyaéta léngkah pikeun ngawaskeun kaayaan, sedengkeun sensitipitas klasifikasi anu nunjukkeun nunjukkeun kamungkinan réspon awal. Aplikasi mobile anu nganggo pendekatan ieu pamustunganana tiasa ningkatkeun kinerja sareng efisiensi kendaraan.
Hasilna