基于振動基頻的一種發(fā)動機轉速測量新方法

丁 柏 （荊州市南湖機械總廠，湖北 荊州434007）

宋 翔 （東南大學儀器科學與工程學院，江蘇 南京210096）

發(fā)動機的轉速是對發(fā)動機運行狀況的一個綜合體現(xiàn)，其測量技術是發(fā)動機測量技術的基礎，如何準確獲取發(fā)動機的瞬時轉速對汽車試驗、檢測和維修行業(yè)有著重大的現(xiàn)實意義。傳統(tǒng)的發(fā)動機轉速檢測方法［1］如機械式、光電式［2］、電磁式、霍爾式、頻閃法［3］等，這些方法都已經(jīng)十分成熟，也具備相當?shù)臏y量精度，但在實際使用時一般都需要在發(fā)動機內部器件上安裝傳感器，費時費力，不符合快速實時的檢測要求。研究表明，發(fā)動機的振動信號的基頻與發(fā)動機的轉速之間存在一定的函數(shù)關系［4］，而利用現(xiàn)代的數(shù)據(jù)采集技術，發(fā)動機的振動信號可以方便快速的提取，這為開發(fā)一種基于發(fā)動機振動信號的發(fā)動機瞬時轉速測量技術奠定了基礎。

1 基頻提取的難點

振動信號是一種非平穩(wěn)的時變信號［5］，其頻譜特性及各種物理特征均隨著時間的變化而變化，同時由于噪聲、共振的影響，其基頻難以準確提取。而傳統(tǒng)的針對平穩(wěn)信號的分析處理方法都是整體的變換，無法反應信號隨時間變化的頻譜特征，無法有效的提取所需要的振動基頻信號。

雖然振動信號具有時變特性，但是通過對其產(chǎn)生機理和信號特征的研究分析，可以認為在一個相當短的時間范圍內，其特性以及表征其本質特征的參數(shù)基本保持不變即相對穩(wěn)定，因此可以將其看作一個準穩(wěn)態(tài)的過程，即振動信號具有短時平穩(wěn)的特性。基于這樣的考慮，對于振動信號的分析和處理必須建立在 “短時”的基礎上，進行 “短時分析”，即通過加窗分段截取，將振動信號分成一段一段較短的時間范圍內信號來提取出其基頻，每個截取的短時振動信號段稱為一個分析幀。這樣，對于整體的振動信號而言，分析出的是由每一幀的基頻所組成的基頻序列，可以近似的反應出在車輛運行過程中發(fā)動機振動狀態(tài)不斷變化的過程。同時，由于作用在曲軸上的扭矩呈周期性變化，即振動信號的激勵源具有周期性，根據(jù)其信號形成機理，可以認為振動信號具有準周期性，這種準周期性也就決定了只能采取短時平均的方法估計其基頻。

振動信號基頻的提取具有眾多難點，其主要表現(xiàn)為：①振動信號的變化十分復雜，并非標準的周期信號，即使在理想狀況下，也僅是準周期信號，并且在實際應用中，車輛行駛過程中背景噪聲嚴重影響著基頻檢測的性能；②振動信號波形的峰受共振影響很大，車輛自身的共振有時會嚴重影響諧波結構，要從信號中去除這種影響并非易事；③基頻的變化范圍很大，從車輛怠速時的幾十赫茲一直到到高速時的幾百赫茲，這給基頻的檢測帶來了一定的困難。另外，振動信號中往往包含有三四十次的諧波分量，而基頻分量往往不是最強的分量，豐富的諧波成分使振動信號的波形變得很復雜，給基頻的檢測帶來困難，經(jīng)常發(fā)生估計基頻是實際基頻二三次倍頻或者半頻的情況。

從理論上來看，可以采用短時傅里葉變換、短時自相關分析以及小波分析等相關時頻分析方法［6］來提取振動信號的基頻，可是由于振動信號的復雜性以及車輛行進過程中噪聲和共振的影響，采取這些傳統(tǒng)信號處理方法時，總有著這樣或那樣的缺陷，例如短時傅里葉變換會出現(xiàn)嚴重的倍頻或半頻誤差，短時自相關分析方法在抗噪性能上有所欠缺，而小波分析方法則準確性不足。因此，克服這些基頻提取中的難點，提出一種準確性和魯棒性都較好的基頻提取算法成為研究的關鍵。

2 基頻提取算法

基于對振動信號基頻提取難點的分析，筆者結合了短時傅里葉變換、小波分析［7］和短時自相關分析［8］這些常用的時頻分析方法各自的優(yōu)點，提出了一種基頻提取算法，如圖1所示。其基本思想是：對每一幀振動信號做多級小波變換，利用小波變換帶通性和去噪性，濾除共振峰和噪聲的影響；然后對較高幾個層次上的逼近信號進行加權求和，進行信號重構，得到含豐富基頻信息、周期性十分明顯的合成信號，將該合成信號作為待處理信號，計算其自相關函數(shù)，由于自相關函數(shù)與原信號有著相同的周期性，對應有相同的基頻值，并且周期特性更為明顯。對自相關函數(shù)進行傅里葉變換，由于基頻處蘊含有最大能量，傅里葉譜圖上除直流分量外最大幅值的頻率處即為基頻。

圖1 基頻提取算法流程

3 試 驗

3.1 信號采集

利用普通桑塔納轎車作為試驗對象，采用NI公司的PXI－6025數(shù)據(jù)采集卡進行振動信號和真實轉速信號的同步采集。振動信號利用江蘇聯(lián)能公司的CA－YD－188型IC壓電式加速度傳感器采集，真實轉速信號利用小野測器的SE－152型轉速計采集，采樣率為2000Hz。

采集程序利用LabVIEW軟件編寫，首先對表現(xiàn)發(fā)動機振動最敏感的位置——發(fā)動機機蓋進行測量，并同步采集真實轉速信號，如圖2所示；采集的振動信號共200s，如圖3所示；圖4為對應的實際轉速信號。為了進一步驗證算法，對車蓋側部、車頭側部、車門、車頂4個位置的振動信號也進行了測量，圖5為測量車頂處振動信號。

圖2 發(fā)動機機蓋振動信號采集

圖3 發(fā)動機機蓋處200s振動信號

圖4 對應的真實轉速信號 （共200s）

圖5 車頂處振動信號采集

3.2 算法驗證

表1 分階段理論轉速與實際轉速對比

圖6 理論轉速與實際轉速比較

信號的采集完成之后，應用所提出的算法，在LabVIEW框架下調用MATLAB編寫算法程序完成基頻提取工作。分別選取30s，80s，125s，145s處代表其怠速、加速、高速與減速階段進行分析。對于真實轉速，筆者對每幀內轉速值取均方根值來代替發(fā)動機真實轉速，對于理論轉速，桑塔納轎車的發(fā)動機沖程τ＝4，發(fā)動機缸數(shù)i＝4，可計算出理論轉速為發(fā)動機振動基頻的30倍。計算比較結果如表1所示。可見誤差率均控制在1%之內，準確性很好。

為了得到更直觀的比較，將計算出的理論轉速曲線圖與實際轉速圖放在同一張圖內進行比較，如圖6所示。可見實際和理論轉速曲線有很好的吻合，具有很高的準確性。

在發(fā)動機剛開始工作階段，有較大的噪聲影響，信噪比非常低，采用短時自相關分析的方法提取基頻時噪聲淹沒了振動信號，產(chǎn)生了嚴重的誤差 （圖7），而且由于共振峰的影響，采取短時傅里葉變換的方法提取基頻時有嚴重的半頻誤差（圖8）。而筆者所提出的算法利用小波變換濾除其噪聲和共振的影響，利用自相關分析凸現(xiàn)其周期性，很好的改善了這個問題，在魯棒性上有了很大的提高。

圖7 短時自相關法理論與實際轉速比較

圖8 短時傅里葉變換法理論與實際轉速比較

3.3 車身其他位置的進一步驗證

僅僅是發(fā)動機的頂部，并不能滿足實際的需要，實際應用中理想的快速測量應當是將傳感器安置在車身任何位置都可以準確的檢測出發(fā)動機轉速，因此筆者對所采集得來的車體其他位置振動信號也進行了分析處理和基頻提取，并計算出理論轉速與實際轉速相比較。圖9～圖12分別對發(fā)動機側面、車身側面、車門和車頂這4個在實際應用中便于測量的位置提取振動信號基頻，從而計算出理論轉速并與實際轉速進行比較。可見，在發(fā)動機側面、車身側面、車門和車頂這4個位置，應用筆者所提出的算法提取振動信號基頻后所計算得出的理論轉速與實際轉速也吻合的較好，具有相當?shù)臏蚀_性和魯棒性，可以很好的應用于實際測量當中。

圖9 發(fā)動機側面實際轉速和理論轉速比較

圖10 車身側面實際轉速和理論轉速比較圖

圖11 車門處實際轉速和理論轉速比較圖

圖12 車頂處實際轉速和理論轉速比較圖

4 結 語

介紹了一種基于振動信號基頻的發(fā)動機轉速測量方法，這種方法的核心和難點是準確的提取出振動信號的基頻，結合小波變換、自相關分析和傅里葉變換，采用短時分析的方法，提出了一種提取振動信號基頻的改進算法，并進一步通過大量試驗的驗證，證明了該算法在準確性和魯棒性上均能滿足測量要求。

［1］吳克剛，曹建明 .發(fā)動機測試技術 ［M］.北京：人民交通出版社，2002.

［2］蘇海青，金長星，劉皓宇，等 .汽油機轉速測量方法研究 ［J］.小型內燃機與摩托車，2001，30（6）：26－28.

［3］劉衛(wèi)國，張立梅 .內燃機瞬時轉速的測量 ［J］.內燃機學報，1999，17（4）：388－390.

［4］呂平，薛知行，張學敏，等 .基于振動的內燃機轉速測量研究 ［J］.車輛與動力技術，2005（4）：22－25.

［5］孔令來，肖云魁，蔣國平，等 .發(fā)動機穩(wěn)態(tài)與非穩(wěn)態(tài)振動信號分析比較 ［J］.內燃機學報，2006（1）：72－77.

［6］Thomas F Q.Discrete－Time Speech Signal Processing：Principles and Practice［M? ＼.London：Prentice Hall PTR，2001.

［7］王濟，胡曉.MATLAB在振動信號處理中的應用 ［M］.北京：中國水利水電出版社，知識產(chǎn)權出版社，2006.

［8］Shimamura T，Kobayashi H.Weighted autocorrelation for pitch extraction of noisy speech ［J］.IEEE Trans on Speech Audio Processing，2001，9（7）：727－730 .