Vermindering van voertuigemissies en inspecties via IoT

Overal in de VS is enige kritiek geuit op de kosten en doeltreffendheid van emissie-inspectie- en onderhoudsprogramma’s (I / M) die op staats- en provinciaal niveau worden beheerd. In reactie daarop, Engineering and Public Policy (EPP) Ph.D. student Prithvi Acharya en zijn adviseur, Civil and Environmental Engineering’s Scott Matthews, werkten samen met EPP’s Paul Fischbeck. Ze hebben een nieuwe methode ontwikkeld om voertuigen met overmatige emissie te identificeren met behulp van datatransmissie op afstand en machine learning, die zowel goedkoper als effectiever zou zijn dan de huidige I / M-programma’s.

De meeste staten in Amerika eisen dat passagiersvoertuigen periodieke emissie-inspecties ondergaan om de luchtkwaliteit te behouden door ervoor te zorgen dat de uitlaatemissies van een voertuig de normen die waren vastgesteld op het moment dat het voertuig werd vervaardigd, niet overschrijden. Wat sommigen misschien niet weten, is dat de meetwaarden waarmee de emissies tegenwoordig worden gemeten, meestal door de auto zelf worden gemeten via boorddiagnosesystemen (OBD-systemen) die alle gegevens van het voertuig verwerken. Deze emissietests controleren in feite of het “controlelampje” van een voertuig brandt. Hoewel overemissie die door dit systeem wordt geïdentificeerd waarschijnlijk voor 87 procent waar is, heeft het ook een foutief doorlaatpercentage van 50 procent van overemitters in vergelijking met uitlaatpijptests van werkelijke emissies.

Met auto’s als slimme apparaten die steeds meer worden geïntegreerd in het Internet of Things (IoT), is er geen reden meer voor staats- en provinciale overheden om bestuurders te dwingen om regelmatig I / M-controles te laten uitvoeren wanneer alle benodigde gegevens zijn opgeslagen in de OBD van hun voertuig . In een poging om deze onnodige kosten te elimineren en de effectiviteit van I / M-programma’s te verbeteren, publiceerden Acharya, Matthews en Fischbeck hun recente studie in IEEE-transacties op intelligente transportsystemen.

Hun nieuwe methode houdt in dat gegevens rechtstreeks van het voertuig naar een cloudserver worden gestuurd die wordt beheerd door de staat of provincie waarin de bestuurder woont, waardoor ze niet meer voor regelmatige inspecties hoeven te komen. In plaats daarvan zouden de gegevens worden doorlopen via machine learning-algoritmen die trends identificeren in de gegevens en codes die veel voorkomen bij voertuigen met overmatige emissie. Dit betekent dat de meeste chauffeurs zich nooit bij een inspectielocatie hoeven te melden, tenzij uit de gegevens van hun voertuig blijkt dat deze waarschijnlijk te veel uitstoten, waarna contact met hen kan worden opgenomen voor verdere inspectie en onderhoud.

Het werk van het team heeft niet alleen aangetoond dat een aanzienlijke hoeveelheid tijd en kosten kunnen worden bespaard door slimmere emissie-inspectieprogramma’s, maar hun onderzoek heeft ook aangetoond hoe deze methoden effectiever zijn. Hun model voor het identificeren van voertuigen die waarschijnlijk te veel uitstoten, was 24 procent nauwkeuriger dan de huidige OBD-systemen. Dit maakt het goedkoper, minder veeleisend en efficiënter in het verminderen van voertuigemissies.

Deze studie zou grote gevolgen kunnen hebben voor leiders en inwoners van de 31 staten en talloze provincies in de VS waar momenteel I / M-programma’s lopen. Aangezien deze initiatieven kritiek krijgen van voorstanders van zowel milieuregulering als fiscale bezuinigingen, heeft dit team een ​​nieuw systeem gepresenteerd dat zowel aanzienlijke kostenbesparingen belooft als een aantoonbaar verbeterde effectiviteit bij het verminderen van de voertuigemissies. Hun studie zou het testparadigma kunnen herdefiniëren voor hoe voertuigemissies in Amerika worden gereguleerd en verminderd.