توسط دن کارول ، دانشگاه کارنگی ملون ، گروه مهندسی عمران و محیط زیست13 آگوست 2020
در سراسر ایالات متحده آمریکا انتقاداتی مبنی بر میزان هزینه و کارآیی برنامه های بازرسی و پایش از انتشار آلاینده ها در سطح ایالتی منتشر شده است. در پاسخ به این امر ، دانشجو ی دکتری مهندسی و سیاست های عمومی Prithvi Acharya و مشاور او ، Scott Matthews ، مهندسی عمران و محیط زیست ، با پل Fischbeck EPP با یکدیگر در EPP همکاری کردند. آنها روش جدیدی را برای شناسایی وسایل نقلیه دارای انتشار بیش از حد با استفاده از انتقال داده های از راه دور و یادگیری ماشینی ایجاد کرده اند که هم بهتر و هم از برنامه های فعلی I / M ارزان تر است.
اکثر ایالت های آمریکا نیاز به وسایل نقلیه مسافربری دارند تا با حفظ اطمینان از میزان انتشار گازهای خروجی یک وسیله نقلیه ،با معیارهای تعیین شده در زمان تولید وسیله نقلیه ، معاینه های مربوط به انتشار گازهای گلخانه ای را انجام دهند. آنچه ممکن است برخی از آن ندانند اینست که معیارهایی که امروزه میزان انتشار آنها از طریق آن سنجیده می شود ، معمولاً توسط خود خودرو از طریق سیستم های تشخیص هوایی (OBD) که توسط آن تمام داده های وسیله نقلیه پردازش و اندازه گیری می شود. از نظر مؤثربودن وضعیت انتشار می توانند “چراغ موتور” یک وسیله نقلیه را روشن کنند. این در حالی است که انتشار بیش از حد مشخص شده توسط این سیستم با 87 درصد اطمینان احتمالاً صحیح است ، اما در مقایسه با تست میزان انتشار واقعی ، خطای 50 درصدی میزان عبور کاذب بالاتری از انتشار دهنده ها را نیز دارد.
با توجه به اینکه وسایل نقلیه هوشمند به طور فزاینده ای با اینترنت اشیا (IoT) یکپارچه می شوند ، دیگر دلیلی برای ادارات ایالتی و ایالت ها وجود ندارد که رانندگان را وادار کنند که وقتی تمام اطلاعات لازم در OBD وسیله نقلیه آنها ذخیره می شود ، وارد معاینات منظم I / M شوند. . در تلاش برای از بین بردن این هزینه های غیر ضروری و بهبود اثربخشی برنامه های I / M ، Acharya ، Matthews و Fischbeck مطالعه اخیر خود را در نشریه IEEE در سیستم های حمل و نقل هوشمند منتشر کردند.
روش جدید آنها مستلزم ارسال اطلاعات به طور مستقیم از وسیله نقلیه به سرور ابری است که توسط ایالتی که راننده در آن زندگی می کند ، کنترل شده و نیاز به ورود آنها برای بازرسی های منظم است. در عوض ، داده ها از طریق الگوریتم های یادگیری ماشینی اجرا می شوند که روند داده ها و کدهای موجود در بین وسایل نقلیه بدون انتشار را شناسایی می کنند. این بدان معنی است که اکثر رانندگان هرگز نیازی به گزارش به محل بازرسی ندارند ، مگر اینکه اطلاعات وسیله نقلیه آنها نشان دهنده احتمال انتشار زیاد باشد ، در این مرحله با آنها تماس گرفته می شود تا برای بازرسی و نگهداری بیشتر به محل آزمایش بیایند.
کار تیم نه تنها نشان داده است که می توان مقدار قابل توجهی از زمان و هزینه را از طریق برنامه های دقیق تر برای بازرسی از میزان انتشار گاز صرفه جویی کرد ، بلکه مطالعه آنها همچنین نشان داده است که چگونه این روش ها موثرتر هستند. مدل آنها برای شناسایی وسایل نقلیه که احتمالاً بیش از حد کاز های آلاینده خارج می شوند 24 درصد دقیق تر از سیستم های OBD فعلی بود. این امر باعث می شود در کنترل کاهش انتشار ، ارزانتر ، با تقاضای کمتر و کارآمدتر شود.
این مطالعه می تواند پیامدهای اصلی برای رهبران و ساکنان در 31 ایالت که برنامه های I / M در حال حاضر در آن قرار دارند ، داشته باشد. از آنجا که این ابتکارات با انتقاد طرفداران مقررات زدایی در برابر محیط زیست و هم مقررات ریاضت مالی روبرو هستند ، این تیم سیستم جدیدی ارائه داده است که نویدبخش کاهش قابل توجهی در هزینه و همچنین اثربخشی بهبود در کاهش انتشارآلاینده های خودرو است. مطالعه آنها ممکن است پارادایم آزمایش را برای چگونگی تنظیم و کاهش تولید گازهای گلخانه ای وسایل نقلیه در آمریکا باز تعریف کند. https://techxplore.com
