基于BP神經網絡的汽油機失火故障診斷方法的研究*

胡 杰,顏伏伍

(武漢理工大學,現代汽車零部件技術湖北省重點實驗室,武漢 430070)

前言

汽油機失火是由于點火系統沒有點火、噴油器不合適、壓縮未很好完成或其它原因而造成的氣缸內未燃燒現象。根據不正常燃燒的程度,失火分為部分失火和完全失火。根據出現的頻率,失火又可以分為單次失火和連續失火。

發動機輕度失火會引起排放的惡化甚至超標,嚴重失火時可能導致三效催化轉化器燒壞,因此OBDⅡ法規及EOBD法規均對發動機失火檢測項目作了明文規定。國內外針對失火故障診斷做了大量的研究工作,提出多種有效的診斷方法:基于能量模型[1]、基于寬域型氧傳感器信號[2]、基于排氣壓力信號[3]和基于發動機瞬時轉速信號[4-6]。其中發動機瞬時轉速波動法得到了廣泛的應用,但這種方法在高轉速低負荷工況下的失火及多缸失火故障診斷時仍然存在著不足。為此文中提出了基于各缸做功時間的波動和BP神經網絡的改進算法。

1 失火診斷一般算法

失火診斷一般算法[6],以發動機工作粗暴度LU作為失火診斷的依據,即

式中Ti為各缸的做功時間。

用故障模擬裝置人為模擬發動機失火,失火模式分別為第 3缸單次失火(模式 1)、第 2缸和第 3缸連續兩缸失火(模式2)和第3缸連續失火(模式3)。正常工作和 3種失火模式下的轉速波形、LU波形和做功時間波形如圖 1～圖 3所示。

由圖1～圖3分析可知,通過發動機工作粗暴度能夠有效識別發動機失火故障,但不能有效區分是哪一種模式的失火。為了能夠有效識別不同失火模式和定位失火氣缸,將發動機連續工作循環劃分為若干診斷循環,以 25個工作循環為一個診斷循環,以每缸做功時間為一個數組,即可將做功時間分解為C1[25]、C2[25]、C3[25]、C4[25]等 4個數組,其診斷循環波形圖如圖 4所示。

2 失火診斷改進算法

2.1 信號的特征值提取

通過對比分析圖 4中不同失火模式時各缸做功時間的波動特點,發現 3種不同模式的失火對第 1缸影響程度有明顯的差異。第 3缸單次失火時會引起第 1缸的做功時間在平均值上下波動;而第 2缸和第 3缸相繼連續失火時,第 1缸做功時間會產生 2個高于平均值的雙峰;第 3缸連續失火時,第 1缸做功時間產生一個高于平均值的單峰,但波峰是由兩個點構成。3種不同模式的失火對第 3缸的影響差異不是十分明顯,從波形上和幅值上都很接近,第 3缸連續失火時,波形的波動周期要比其他兩種情況多一個工作循環,分析其原因,當發動機失火一次后,會引起發動機振動和轉速的波動,如果在一個工作循環內或相鄰兩個工作循環再發生一次失火,第2次失火對本缸的影響可能會被第 1次失火引起的振動而淹沒掉。同理可以分析不同失火模式對第 4缸和第 2缸各缸做功時間的影響。

通過上述分析可知,當某一缸發生失火時,需要綜合各缸做功時間來判定,不同失火模式對各缸做功時間的影響程度也不一樣,因此可通過分析其信號幅值域上特征參數來進行故障模式的判定和故障缸的定位。機械系統監測與診斷中常用的幅值域特征參數的具體表達式可參見文獻[7]和文獻[8]。

2.2 BP神經網絡

通過上述特征值的提取,將失火故障診斷轉化成了一個模式識別的問題。由于神經網絡具有非線性映射及自組織、自學習和自適應能力而被廣泛用于函數擬合、預測、系統辨識、模式識別和分類等不同領域[8]。在分類、模式識別和故障診斷的應用研究中,BP網絡應用最為廣泛。典型的BP網絡的結構如圖 5所示。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層,各層次之間形成全互聯連接,同一層次的神經元之間沒有連接。

BP網絡的學習包括信號的正向傳播和誤差的反向傳播兩個過程。在正向傳播過程中,輸入信號從輸入層經隱含層逐層傳向輸出層,每一層神經元的狀態只影響下一層神經元的狀態。若網絡誤差超出設置的允許誤差,則轉入誤差的反向傳播階段,即將輸出誤差按某種形式通過隱含層向輸入層逐層返回,并分配給各層的所有神經元,從而使各層神經元以獲得的誤差信號作為修改網絡權值和閾值的依據。BP學習算法采用梯度搜索算法,以使網絡的實際輸出值與期望輸出值的誤差均方值為最小。

2.3 失火診斷流程

根據各缸做功時間波動提取的波形特征值,結合BP神經網絡,提出了一種快速的失火診斷方法:首先通過數據采集系統得到各缸做功時間,由此計算發動機各缸做功時間的平穩性來判斷整機是否有失火;如果出現失火,再根據各缸做功時間的特征值和BP神經網絡來判斷發動機的失火模式和定位失火氣缸。失火故障診斷的基本流程如圖 6所示。

3 試驗研究及結果分析

3.1 試驗裝置

試驗在TU5JP4電控汽油機臺架上進行,發動機的主要性能參數見表 1。失火故障模擬使用失火故障模擬器[9],故障模擬器的連接方式如圖 7所示。將發動機的點火信號和曲軸位置傳感器信號與BOSCH ME7.4.5電控系統采用的判缸信號引入失火故障模擬器,即可實現判缸和失火控制。根據需要失火故障模擬器能實現發動機單缸均勻失火、連續失火或多缸連續失火等功能。測功機系統采用AVL PUMA OPEN1.2。

表1 TU5JP4主要性能參數

3.2 試驗結果及分析

圖8是不同模式下的轉速波動情況。

由圖可見:當發動機正常工作時,轉速波動較為平穩,當發動機第 3缸單次失火時會引起轉速較大的波動,波動的幅值在±50r/min;當第2缸和第3缸連續失火時轉速波動與第 3缸單次失火時很接近,由于第 2缸與第 3缸的做功相位相差 360°,因此由第 2缸失火引起的轉速波動的幅值和相位與第 3缸失火時相同,因此很難從轉速波動的波形上進行區分;第3缸連續失火時,由于兩次失火間隔一個工作循環,由第 1次失火引起的轉速波動在第2次失火時波動的幅值已經有所衰減,因此當第 2次失火發生時,轉速波動幅值產生了一個突變,從圖中可以看到一個非常明顯的折轉點。

圖9～圖 12是不同失火模式下一個診斷循環內的做功時間波動圖形,每個圖的 4個子圖分別對應 1缸、3缸、4缸和 2缸做功時間波動情況。

根據文中特征值的提取方法,針對 4種不同模式各缸做功時間的波形,提取各種特征值。圖 13為不同模式下提取的各缸做功時間波形的峭度指標。

通過分析可知:在正常工作時,各缸做功時間的峭度指標在 10～20之間,而在失火模式下,峭度指標集中分布在 20～70,說明在正常工作與失火時的峭度指標存在較大差異;雖然在不同失火模式下的峭度指標的值非常接近,但各缸峭度指標的變化趨勢完全不同。因此,可根據峭度指標的值與變化趨勢來判定發動機是否失火以及是何種模式的失火。限于篇幅的原因,不對每個特征值的選擇作詳細的論述,其他特征值的選取原則與峭度指標的選取相似,一是該特征值對不同模式的敏感度,二是該特征值是否能夠有效區分不同失火模式,三是該特征值是否與其他特征值有重復之處。通過分析和對比不同模式下的各缸做功時間的各種特征值,選取其中的均值μx、標準差S、峰值)、偏態指標K3和峭度指標 K46個特征值進行失火故障模式的識別,如表 2～表 5所示。減少特征值的數量有利于節省內存空間和計算時間,以滿足失火故障的實時診斷和在線監測的需求。

采用單隱層結構神經網絡,其網絡拓撲結果如圖14所示,輸入單元數為24,即以每缸做功時間波形的特征值作為輸入信號,中間隱層的神經網絡元個數為 7,輸出結果為 4種不同的工作模式,輸出結果由 0、1編碼來表示,00表示正常工作,01表示第 3缸單次失火(模式1),10表示第 2-3缸連續失火(模式2),11表示第 3缸連續失火(模式3)。為了加快訓練速度,避免陷入局部極小值,使用Levenberg-Marquardt算法和附加動量法對網絡進行訓練,允許的網絡均方誤差為0.000 1。以表 2～表5中每種模式下提取的 24個特征值作為訓練樣本,每種模式下選取30組樣本,2/3用于網絡訓練,1/3用于網絡檢測。表6為采用 BP神經網絡進行失火模式識別的結果,它表明神經網絡輸出結果與實際情況相當吻合,具有很好的故障模式識別能力。

表2 正常工作時各缸做功時間波形特征值

表3 第3缸失火時各缸做功時間波形特征值

表4 第2-3缸失火時各缸做功時間波形特征值

表5 第 3缸連續失火時各缸做功時間波形特征值

表6 BP神經網絡訓練和測試結果

4 結論

(1)通過對做功時間的處理,得到各缸做功時間的波動信號,在深入分析其波形的基礎上,提取各缸做功時間的特征值,并結合 BP神經網絡,能夠有效地進行失火故障模式的判斷和失火缸的定位。

(2)通過試驗驗證了該方法診斷發動機失火故障的有效性,為診斷發動機多缸失火提供了一種新的思路,但這種方法對其他工況是否通用,有待進一步的研究和驗證。

[1] Francisco V,Tinaut,Andres Melgar,et al.Misfire and Compression Fault Detection Through the Energy Model[J].Mechanical System and Signal Processing,2007,21:1521-1535.

[2] Chung Youngkyo,Bae Choongsik,Choi Sangm in,et al.Application of aWide Range Oxygen Sensor for the Misfire Detection[C]. SAE Paper 1999-01-1485.

[3] Massimo Ceccarani,Corrado Rebottini,Riccardo Bettini.Engine Misfire Monitoring for a V 12 Engine by Exhaust Pressure Analysis [C].SAE Paper 980518.

[4] 劉世元,杜潤生,楊叔子.利用轉速波動信號診斷內燃機失火故障的研究[J].內燃機學報,2000,18(3).

[5] MatteoMontani,Nicolo Speciale.Multiple Misfire Identification by a Wavelet-Based Analysis of Crankshaft Speed Fluctuation[C]. 2006 IEEE International Symposium on Signal Processing and Information Technology.

[6] Davide M oro,Piero Azzoni,Giorgio Minelli,et al.Misfire Pattern Recognition in High Performance SI 12-Cylinder Engine[C].SAE Paper 980521.

[7] 李國華,張永忠.機械故障診斷[M].北京:化學工業出版社, 2003.

[8] 鐘秉林,黃仁.機械故障診斷學[M].北京:機械工業出版社, 2007.

[9] 顏伏伍,胡杰,鄒斌.基于OBD失火故障模擬及診斷技術的研究[J].武漢理工大學學報(信息與管理工程版),2009,31(1).