Ticari olarak satılan otomotiv kabin hava filtrelerinin çeşitli havadaki kirleticilere karşı filtrasyon performansının karşılaştırılması Türkiye

Her yıl, ortalama bir aracın yaşı ve yıllık kat ettiği kilometre artmaktadır (ABD Ulaştırma Bakanlığı (2016b), IHS Inc (2016) ve paylaşımlı mobiliteye doğru kaymayla birlikte, verimli, güvenilir ve dayanıklı araçlara olan ihtiyaç artmaya devam etmektedir.

Çoğu 260" id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">$260$-milyon araçlık ABD hafif hizmet filosu (ABD Ulaştırma Bakanlığı, 2016a) benzinle çalışır (ABD Enerji Bilgi İdaresi, 2016), hava ve yakıt tüketen, bu karışımı bir pistonu itmek için ateşleyen ve yanma yan ürünlerini egzoz eden motorlarla. Herhangi bir verimsizlik motor performansının, ekonomisinin ve uzun ömürlülüğünün zarar görmesine neden olur.

Emme sistemi optimum performans için kritik öneme sahiptir. Verimliliğe ulaşmak için gelen havanın serbest akışlı, temiz olması, motor yüzeylerini aşınmaya ve soğuğa karşı koruması gerekir, böylece artan yoğunluk daha fazla yakıtın yanmasına izin vererek gücü artırır.

Motor emme borularının temel bir unsuru olan filtreler, kirletici konsantrasyonunu güvenli seviyelere düşürür (Jaroszczyk ve diğerleri, 1993) ve emme havasının ısınmasını sınırlamak için serbest sıvı akışı sağlar. Bu filtreler, kir, toz ve döküntüyle yüklendiğinde temizlenmesi veya değiştirilmesi gereken aşınan parçalardır.

Optimum filtreleme, partikül sıkışmasını iyileştirerek motor silindiri erozyonunu azaltır. Verimlilikteki küçük değişikliklerin önemli etkisi vardır: motor aşınması 8" id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0">$8$ bir filtre için kat kat daha hızlı 98" id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">$98$% e karşı 99" id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">$99$% verimli (Jaroszczyk ve diğerleri, 1993). Ayrıca, ideal filtreleme kabin gürültü seviyelerini azaltır ve motor gücünü ve tepkisini iyileştirir. Buna karşılık, kirli filtreler gücü sınırlar, gürültüye neden olur, yakıt israfına neden olur Norman ve diğerleri (2009), Toma (2016) ve akış aşağısı katalitik konvertör arızalarına neden olabilir. Bu zorluklar, kapalı devre yakıt kontrolünden yoksun karbüratörlü araçlarda (Thomas ve diğerleri, 2012) en belirgindir. Yeni arabalar 1990'ların ortalarında yakıt enjeksiyonuna geçerken, dünyadaki birçok araba, motosiklet ve diğer hafif ulaşım araçları hala karbüratör kullanmaktadır.

Filtre elemanlarını erken değiştirmek bariz bir çözüm gibi görünse de, erken değiştirme ince ama ciddi sorunlara yol açar. Partikül yakalama verimliliği yüklemeyle artar (Norman ve diğerleri, 2009), bu nedenle az kullanılan elemanlar motor aşınmasını azaltır ve hizmet ömrünü uzatır. Bir filtreyi değiştirmek için en uygun zaman aralığı vardır — filtrenin partiküllerin çoğunu yakaladığı ve akışı en az düzeyde kısıtladığı zaman aralığı.

Araç içi sensörler, optimum filtre değiştirme sorununu çözmek için tasarlanmıştır, ancak Araç Üstü Tanılama özelliğine sahip çoğu yeni araç genellikle bu durumu izlemez ve eski araçlarda genellikle herhangi bir algılama yoktur. Birkaç araç, taban basınç düşüşüne göre bir artış gösteren vakum tabanlı emme basınç düşüşü sensörleri sunar (Norman ve diğerleri, 2009) 1" id="MathJax-Element-5-Frame" class="MathJax_SVG" tabindex="0">$1$-2.5kPa" id="MathJax-Element-6-Frame" class="MathJax_SVG" tabindex="0">$2.5\mathrm{kPa}$ Toma (2016), Thomas ve diğerleri (2012). Sensörlerin bulunmadığı yerlerde, sürücüler genellikle farkında olmazlar ve bu nedenle veri körü zamanlamaya güvenirler, çoğu sürücü filtreleri belirli aralıklarla (genellikle 15,000 km (Toma, 2016)) veya kirli göründüklerinde değiştirir. Bu yöntemler yanlıştır, araçlar farklı partikül yükleri ve öngörülemeyen hava akış hızlarına sahip çeşitli ortamlarda kullanılır (Jaroszczyk ve diğerleri, 1993).

Yapılan bir ankette 21" id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0">$21$ hava filtreleri çıkarıldıktan sonra test edildi, 15" id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0">$15$ erken kaldırılırken, ikisi performans düşürücü tıkanıklık başladıktan sonra değiştirildi (Toma, 2016). Bu, araçları servise götüren sürücülerin filtreleri çok erken değiştirdiğini gösterir ancak bu, en kirli filtrelerin hiç servise götürülmeyen araçlarda bulunması nedeniyle doğal olarak önyargılıdır. 2" id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">$2$Az servis görmüş araçlarda yakıt ekonomisinde % kayıp, yılda 1680 dolar yakıt harcayan ortalama bir sürücü kirli bir filtreyle araç kullanırken 33.60 dolar israf ediyor. Bu, tipik bir filtrenin maliyetini aşıyor ve optimum değiştirme zamanlaması için potansiyel tasarrufları gösteriyor, motorlara ve katalitik konvertörlere uzun vadeli zarardan bahsetmiyorum bile.

Akıcı, gerçek zamanlı filtre sınıflandırması, güvenilirliği artırırken araç işletme maliyetlerini ve emisyonları azaltabilir. Bu bilgiye yönelik gizli bir talep vardır — insanların %81.4'ü veriye dayalı bir sistemden öneriler alır (Toma ve Bobalca, 2016).

Davranış değişikliklerine olan ihtiyacı azaltmak için, akıllı telefonlar kullanılarak düşük maliyetli, yaygın algılama, mevcut cihazları yeniden kullanmak için kullanılabilir (Engelbrecht ve diğerleri, 2015). Son yıllarda, tüketici elektroniği üreticileri mobil algılama yeteneklerini artırdı. Atmosferik basınçtan ve cihaz yöneliminden sıcaklık, dokunma ve yakınlığa kadar uzanan bu yeni girdiler, mobil hesaplama, depolama ve bağlantıda orantılı iyileştirmelerle karşılaştı (Han ve Cho, 2016). Bizim kendi çalışmamız, bu tür cihazları kullanarak motor ateşlemesini izlemenin mümkün olduğunu gösterdi (Siegel ve diğerleri, 2016b).

Bugünün reaktif bakım paradigmasından proaktif bakıma geçiş yapmayı ve bu kaynaklardan yararlanmayı amaçlıyoruz. Mobil sesi, bir aracın nasıl "nefes aldığını" gözlemlemek için kullanıyoruz ve hava filtresi performansını sınıflandırıyoruz. Amacımız, otomotiv en iyi bakım uygulamalarına uyumu artırmak için hava filtreleri için bir "kalan ömür" göstergesi ve durum monitörü oluşturmak. Bu makale, mobil ses verilerinin ve toplu sınıflandırmanın hava filtresi durumunu birden fazla yüklü duruma kategorize etmek için nasıl uygulanabileceğini göstermektedir.

Bölüm 2'de, emmeden yayılan sesin partikül yüklemesiyle değiştiğini varsayıyoruz, Bölüm 3 ise ilgili çalışmaları inceliyor. Bölüm 4, veri toplamak ve hava akışını kısıtlayan kirleticileri simüle etmek için deneysel bir prosedürü açıklıyor. Bölüm 5'te topluluk sınıflandırma algoritmamızı açıklıyor ve Bölüm 6'da sonuçları sunuyoruz, yeni, nazikçe kullanılmış, kirli ve tıkalı filtreleri ayırt etmede yüksek doğruluk gösteriyoruz. Son olarak, Bölüm 7, bu algoritma için gelecekteki iyileştirmeleri ve yaygın algılamanın diğer araç arızalarına uygulamalarını tartışıyor.