Đang chuẩn bị liên kết để tải về tài liệu:
Chẩn đoán trạng thái kĩ thuật động cơ ô tô bằng dữ liệu đáp ứng về nhiên liệu của động cơ và thuật toán K-nearest Neighbor

Với sự phát triển của khoa học công nghệ, các hệ thống trên ô tô hiện nay đang được nâng cấp và ngày một trở lên phức tạp. Cùng với đó, việc chẩn đoán các sai lệch và hư hỏng của động cơ cũng như các hệ thống trên ô tô đòi hỏi các phương pháp chẩn đoán mới thay vì dựa vào kinh nghiệm của các kỹ thuật viên. | Chẩn đoán trạng thái kĩ thuật động cơ ô tô bằng dữ liệu đáp ứng về nhiên liệu của động cơ và thuật toán K-nearest Neighbor CHÀO MỪNG KỶ NIỆM NGÀY NHÀ GIÁO VIỆT NAM 20/11 CHẨN ĐOÁN TRẠNG THÁI KĨ THUẬT ĐỘNG CƠ Ô TÔ BẰNG DỮ LIỆU ĐÁP ỨNG VỀ NHIÊN LIỆU CỦA ĐỘNG CƠ VÀ THUẬT TOÁN K-NEAREST NEIGHBOR AUTOMOTIVE ENGINE DIAGNOSTICS USING FUEL TRIM DATA AND K-NEAREST NEIGHBOR ALGORITHM TRẦN XUÂN THẾ Viện Cơ khí, Trường Đại học Hàng hải Việt Nam Email liên hệ: thetx.vck@vimaru.edu.vn Tóm tắt Với sự phát triển của khoa học công nghệ, các hệ thống trên ô tô hiện nay đang được nâng cấp và ngày một trở lên phức tạp. Cùng với đó, việc chẩn đoán các sai lệch và hư hỏng của động cơ cũng như các hệ thống trên ô tô đòi hỏi các phương pháp chẩn đoán mới thay vì dựa vào kinh nghiệm của các kỹ thuật viên. Bài báo đi xây dựng mô hình chẩn đoán trạng thái kĩ thuật của động cơ ô tô bằng dữ liệu Fuel Trims của 300 mẫu dữ liệu xe thu thập được, dựa trên thuật toán K-nearest Neighbor (KNN). Bài báo đã xây dựng được mô hình và tiến hành kiểm nghiệm trên tệp dữ liệu kiểm tra và đạt độ chính xác cao nhất là 87%. Căn cứ vào kết quả mô hình đã thể hiện được mối quan hệ giữa các thông số đầu vào bao gồm độ tuổi, giới tính người điều khiển chính, khu vực xe hoạt động chính, quãng đường xe chạy với chỉ số LTFT, giá trị để đánh giá trạng thái kỹ thuật của động cơ. Từ khóa: Chẩn đoán ô tô, fuel trim, học có giám sát, K-nearest neighbor. Abstract Technology and science have been revolutionized recently. As a result, the systems on the car are increasingly complicated than it were the past. Thus, it requires new methods to diagnostic the engine and automotive systems’ technical status, rather than depending on the experience of technicans. In this article, I aim to build a model to diagnostic engine status based on Fuel Trims data collected from 300 car samples and using K-nearest Neighbor (KNN) to train this data. The model was successfully .