Publisher

SEANINSTITUTESEANINSTITUTE

Journal INFOKUMINFOKUM Abstract

Sistem EFI modern telah menjadi tulang punggung kontrol kinerja mesin, namun mendiagnosis kerusakan di dalamnya tetap menjadi tantangan ketika Kode Masalah Diagnostik (DTC) belum terpicu. Studi ini menyelidiki potensi diagnostik dari bentuk gelombang sensor oksigen (O₂) dan aliran data Short Term Fuel Trim (STFT) yang diperoleh melalui protokol OBD-II pada Toyota Innova 1TR-FE. Enam kondisi eksperimen diuji—idle normal, normal pada sekitar 2.500 rpm, kerusakan injektor saat idle, kerusakan injektor pada 2.500 rpm, kebocoran vakum saat idle, dan kebocoran vakum pada 2.500 rpm—menggunakan Toyota Global TechStream (GTS ) sebagai antarmuka akuisisi data. Analisis ini menggunakan pendekatan pembangkitan residual dikombinasikan dengan fusi data tingkat keputusan berbasis aturan untuk membedakan antara tiga kondisi operasi. Hasil penelitian mengungkapkan bahwa kebocoran vakum menghasilkan peningkatan STFT yang khas hingga 19,70%, sementara kerusakan injektor menyebabkan tegangan sensor O₂ turun ke level yang sangat rendah (0,011–0,042 V) dengan penghentian total aktivitas switching (0 Hz). Pengintegrasian kedua parameter melalui fusi data tingkat keputusan memungkinkan diferensiasi yang jelas antara kondisi normal, kebocoran vakum, dan kerusakan injektor di semua skenario yang diuji. Metode yang diusulkan mencapai akurasi klasifikasi 100%, melampaui target minimum 85%. Temuan ini menunjukkan bahwa kombinasi aliran data sensor O₂ dan STFT menawarkan dasar yang praktis dan efektif untuk diagnosis dini kerusakan berbasis OBD-II pada kendaraan EFI.

Conclusion

Studi ini menunjukkan bahwa kombinasi aliran data sensor O₂ dan STFT, yang diperoleh melalui protokol OBD-II, menyediakan dasar yang andal dan praktis untuk mendeteksi kerusakan sistem injeksi tahap awal pada kendaraan EFI.Ditemukan bahwa kebocoran vakum menghasilkan pola STFT yang sangat tinggi (sekitar 20%) disertai bias O₂ yang cenderung miskin, sementara kerusakan injektor ditandai oleh tegangan O₂ yang sangat rendah, tidak adanya aktivitas switching, dan pembacaan STFT yang stagnan.Metode yang diusulkan, yang menggunakan pembangkitan residual dan fusi data tingkat keputusan berbasis aturan, berhasil mengklasifikasikan semua kondisi yang diuji dengan akurasi 100%, menjadikannya alat diagnostik dini yang efektif untuk kendaraan EFI yang dilengkapi OBD-II.

Future Research

Untuk penelitian selanjutnya, sangat menarik untuk menyelidiki bagaimana metode diagnostik yang mengandalkan aliran data sensor oksigen dan Short Term Fuel Trim (STFT) ini dapat diuji lebih lanjut. Salah satu arah studi yang krusial adalah mengevaluasi ketangguhan dan kemampuan generalisasi metode ini dengan mengaplikasikannya pada beragam jenis kendaraan dari berbagai merek dan tahun produksi, bukan hanya satu model seperti dalam penelitian ini. Pertanyaan kunci yang bisa diajukan adalah: bagaimana performa sistem ini jika dihadapkan pada variasi tingkat keparahan kerusakan injektor atau kebocoran vakum yang berbeda-beda, atau bahkan pada skenario di mana beberapa kerusakan terjadi secara bersamaan di bawah kondisi operasional kendaraan yang lebih luas dan dinamis, seperti berkendara di perkotaan atau jalan tol? Selain itu, ada potensi besar untuk meningkatkan akurasi diagnostik dengan mengintegrasikan parameter data OBD-II lainnya yang relevan, misalnya Long Term Fuel Trim (LTFT), Mass Air Flow (MAF), Manifold Absolute Pressure (MAP), dan Beban Mesin. Penelitian dapat mencari tahu sejauh mana penambahan data ini akan memperbaiki kemampuan sistem untuk membedakan antara jenis kerusakan yang serupa atau lebih kompleks, sekaligus meninjau dampak integrasi tersebut terhadap efisiensi komputasi sistem diagnostik secara keseluruhan. Terakhir, pengembangan model klasifikasi berbasis pembelajaran mesin, seperti Jaringan Saraf Tiruan atau Support Vector Machine, merupakan langkah maju yang menjanjikan. Dengan memanfaatkan kumpulan data yang lebih besar dan komprehensif, penelitian dapat menggali potensi algoritma ini untuk secara otomatis mendeteksi dan mengklasifikasikan kerusakan sistem injeksi dengan presisi yang lebih tinggi dan kemampuan beradaptasi yang lebih baik terhadap anomali di dunia nyata, melampaui keterbatasan sistem berbasis aturan yang ada saat ini.

References

1. Patient Monitoring using Internet of Things – IJERT. patient monitoring internet things ijert skip... doi.org/10.17577/IJERTV9IS070043Patient Monitoring using Internet of Things Ae IJERT patient monitoring internet things ijert skip doi 10 17577 IJERTV9IS070043

Metadata

File size	402.31 KB
Pages	13
DMCA	Report