• 한국자동차공학회논문집
• /
• 제24권2호
• /
• pp.144-151
• /
• 2016

This study effect of engine oils on regulated fuel economy and emissions including particulate matter (PM) to provide basic data for management of engine oil in vehicles. Three engine oils (Group III base oil, Group III genuine oil with additive package and synthetic oil with poly alpha olefins (PAOs)) were used in one gasoline, one LPG(liquefied petroleum gas) and two diesel vehicles. In the case of diesel vehicles, one is a diesel vehicle without DPF (diesel particulate filter) other is a diesel vehicle with DPF. In this study, the US EPA emission test cycle FTP-75, representing city driving, was used. HORIBA, PIERBURG, and AVL gas analyzers were used to measure the fuel economy and regulated emissions such as CO, NOx, and THC. The number of PM was measured using a PPS (pegasor particle sensor). And, the shape of PMs was analyzed by SEM (scanning electron microscope). The effects of oil type on fuel economy, exhaust gas, and PM were not significant because engine oil consumption by evaporation and combustion in the cylinder is very tiny. Fuel and vehicle type were dominant factors in fuel economy and emissions. HC emission from gasoline vehicles was higher than that from other vehicles and NOx emission from diesel vehicles was higher than that from other vehicles. The number of PM was not affected by the engine oil, but by the driving pattern and fuel. The shapes of the PM, sampled from each vehicle using any test engine oil, were similar.

• 정보처리학회논문지B
• /
• 제18B권3호
• /
• pp.147-156
• /
• 2011

본 논문에서는 유도전동기 고장 검출 및 분류를 위한 3-단계 (고장 신호의 전 처리, 고장 신호의 특징 추출, 고장 신호의 고장 유형별 분류) 알고리즘을 제안한다. 먼저 전 처리 단계에서는 저역 통과 필터를 통해 취득한 신호의 고주파 대역에 영향을 미칠 수 있는 잡음 성분을 제거하며, 다음으로는 이산 코사인 변환(discrete cosine transform)과 통계적 방법을 이용하여 고장 유형별 신호의 특징을 추출하고, 마지막 단계에서는 추출된 특징을 입력으로 하는 역 전파 신경 회로망(back propagation neural network)를 이용하여 신호를 고장 유형별로 분류한다. 시스템의 성능을 평가하기 위해 모의실험에 사용된 신호는 유도전동기의 진동 신호로, 정상 및 각종 이상 상태에 대해 8kHz의 샘플링율을 갖는 1초 길이의 데이터를 사용하였다. 모의실험 결과, 제안한 알고리즘은 학습된 상황의 고장 분류에서는 100%의 정확도를 보였으며, 기존의 공분산을 이용한 고장 검출 및 분류 알고리즘과 비교하여 약 50%의 정확도 향상을 보였다. 또한 고장 신호 취득 시 사용하는 센서의 종류나 주변 환경으로 인해 잡음이 추가될 수 있는 상황을 고려하여 취득한 데이터에 백색 가우시안 잡음을 인위적으로 추가한 모의실험에서도 98%이상의 고장 분류 정확도를 보였다. 더불어, 본 논문에서는 TI사의 TMS320F2812 디지털 신호 처리기에 제안한 고장 검출 및 분류 알고리즘을 탑재하여 실제 산업현장에서의 사용여부를 검증하였다.