基于神經(jīng)網(wǎng)絡和瞬時轉(zhuǎn)速的發(fā)動機失火故障研究*

王維琨，江志農(nóng)，張進杰

(北京化工大學診斷與自愈工程研究中心，北京100029)

0 引 言

燃氣發(fā)動機在工業(yè)、農(nóng)業(yè)、能源和交通運輸?shù)阮I域都有廣泛應用，是現(xiàn)代動力設備的主要成分，其運行狀態(tài)直接關系到生產(chǎn)安全性和生產(chǎn)效率。但是由于發(fā)動機運動部件較多，內(nèi)部結(jié)構(gòu)又相對復雜，而且經(jīng)常在高溫、高壓等惡劣條件下工作，所以故障率較高［1］。因此對發(fā)動機的故障進行診斷是十分必要的。

對發(fā)動機的診斷方法主要有性能參數(shù)分析法、油液分析法、振動監(jiān)測法和瞬時轉(zhuǎn)速分析法［2-5］。每種方法都有各自的優(yōu)缺點，如振動監(jiān)測法雖然診斷速度快、準確率高、定位性強，能夠?qū)崿F(xiàn)早期報警，但是由于發(fā)動機結(jié)構(gòu)的復雜性和狀態(tài)的不確定性，振動的激勵源眾多且相互之間存在干擾，這種方法只能適用于當前機器，可移植性較差。神經(jīng)網(wǎng)絡在故障診斷中的應用起源于上世紀80年代末，經(jīng)過長時間的發(fā)展和國內(nèi)外眾多學者的深入研究，其在故障診斷領域已經(jīng)有了廣泛應用［6-7］。

本研究通過把曲軸的瞬時轉(zhuǎn)速與BP神經(jīng)網(wǎng)絡結(jié)合起來，提出一種對發(fā)動機氣缸故障診斷的方法。

1 曲軸瞬時轉(zhuǎn)速與氣缸失火故障之間的理論研究

1.1 氣缸受力理論研究

發(fā)動機工作時曲軸受力(矩)是周期性變化的，這個力矩與氣缸的氣體壓力、往復慣性力之間存在一定的關系，當發(fā)動機某個氣缸發(fā)生失火故障時，其氣體壓力的變化會帶動力矩的變化，同時會使得曲軸的瞬時轉(zhuǎn)速發(fā)生改變。

由文獻［8］可知，所有氣缸的動力扭矩為:

式中:TX—有氣缸的動力扭矩，TL—總的阻力扭矩，λ—曲軸半徑與連桿長度之比，n—氣缸個數(shù)，φi—第i個氣缸的點火角度。

曲軸的瞬時轉(zhuǎn)速:

它表示曲軸角速度在一個較小的轉(zhuǎn)角內(nèi)的平均值。對于一般情況，ω和TL是常量，所以瞬時轉(zhuǎn)速是曲軸轉(zhuǎn)角θ的函數(shù)，是周期函數(shù)。再定義ε為瞬時轉(zhuǎn)速波動率，ε=f(θ)/ω，可以得出ε也是隨曲軸轉(zhuǎn)角θ做周期性變化的，且與切向力成正比，根據(jù)公式(1，2)，可以認為瞬時轉(zhuǎn)速波動率是正弦信號的疊加，可以用這個波形對氣缸故障進行診斷。

1.2 特征參數(shù)的選取

對發(fā)動機氣缸進行故障診斷，就必須選取某些特征參數(shù)。以一個四沖程的四缸V型發(fā)動機為對象，點火順序是:2#缸－1#缸－4#缸－3#缸，各個物理參數(shù)已知，在4個氣缸上安裝動態(tài)壓力傳感器，以測量整個周期的壓力數(shù)據(jù)。用Matlab對公式(1)進行仿真，得出波形圖如圖1所示。

可以看到瞬時轉(zhuǎn)速波動率在一個周期內(nèi)的波形圖，參照文獻［8］中的方法，本研究選取的特征參數(shù)為瞬時轉(zhuǎn)速的峰值和谷值，分別對應圖中標出的8個點，即:

參數(shù)1(瞬時轉(zhuǎn)速峰值):

參數(shù)2(瞬時轉(zhuǎn)速谷值):

圖1 正常瞬時轉(zhuǎn)速波動率隨曲軸角變化曲線及特征參數(shù)的選取

2 BP神經(jīng)網(wǎng)絡

2.1 BP神經(jīng)網(wǎng)絡故障診斷原理

BP網(wǎng)絡(誤差反向傳播神經(jīng)網(wǎng)絡)應用極為廣泛，是一種多層向前型神經(jīng)網(wǎng)絡，采用S型函數(shù)作為傳遞函數(shù)，能實現(xiàn)從輸入到輸出的任意非線性映射［9-10］。BP神經(jīng)網(wǎng)絡從結(jié)構(gòu)上分為輸入層、隱層、輸出層3部分，層與層之間是全連接的形式，同一層之間無連接。BP網(wǎng)絡在進行故障分類時，不需要建立故障模式的數(shù)學模型，并且具有自學習、自適應的能力，通過學習的網(wǎng)絡還具有自動提取故障特征的能力，所以適合于故障診斷。

2.2 BP神經(jīng)網(wǎng)絡的局限性

隨著BP神經(jīng)網(wǎng)絡應用范圍的擴大，國內(nèi)外不少專家學者都對其進行了大量研究，同時也暴露了一些缺點和不足，主要有以下幾個方面［11］:

(1)訓練時間長。如果碰到復雜的問題，BP網(wǎng)絡的訓練時間可能達到幾小時甚至更長，其主要原因是由于學習速率小。但是，可以通過改變學習速率來達到提高訓練效率的目的。

(2)完全不能訓練。在訓練網(wǎng)絡的過程中，如果權(quán)值調(diào)的過大，會出現(xiàn)網(wǎng)絡麻痹現(xiàn)象，使得訓練停頓下來。不過可以通過選取較小的初始權(quán)值或者較小的學習速率避免這種現(xiàn)象的發(fā)生，但這又使得訓練時間變長。

(3)局部極小值。BP網(wǎng)絡可以得到一個收斂的解，但不能完全保證這個解是全局最小解，也可能是一個局部極小解。這是由采用的梯度下降算法自身的局限性導致的。

雖然BP網(wǎng)絡存在一些不足之處，但這并不能完全否定BP神經(jīng)網(wǎng)絡在故障診斷中的應用，只要合理地對網(wǎng)絡進行改進，將其應用于對故障進行診斷的方法還是有效的、可行的。

3 故障情況模擬

正常工作時，氣體壓力扭矩是有規(guī)律的周期性變化，當單缸故障產(chǎn)生時，氣體壓力扭矩圖形會有差別，從而對波形周期產(chǎn)生影響，使曲線發(fā)生畸變，而且當不同缸發(fā)生故障時，根據(jù)點火順序，會在不同的曲軸轉(zhuǎn)角處產(chǎn)生波形畸變，從而可以據(jù)此判斷出故障缸號。

以1#缸停止點火為例，根據(jù)公式(1)得到的故障曲線和正常曲線如圖2所示。

可以看到，正常時和單缸停止點火時瞬時轉(zhuǎn)速波動率曲線是有明顯差別的，而產(chǎn)生差別的位置就處在不點火氣缸(1#缸)的點火角度上。這種差別為下一步根據(jù)特征參數(shù)進行故障診斷提供了理論依據(jù)。

圖2 1#缸停止點火故障與正常瞬時轉(zhuǎn)速波動率曲線

4 利用BP神經(jīng)網(wǎng)絡的數(shù)據(jù)處理

4.1 樣本的獲取

由上文可知，發(fā)動機正常工作時和某一氣缸不點火時這兩種狀態(tài)下瞬時轉(zhuǎn)速波動率曲線是有明顯差別的，并且發(fā)動機氣缸不點火故障是典型的、最常見的故障之一。本研究用Matlab編程分別提取出正常工作、1#缸不點火、2#缸不點火、3#缸不點火、4#缸不點火時的特征參數(shù)，每種情況下提取100組，共500組，作為網(wǎng)絡的訓練樣本，再重新提取5種狀態(tài)下各20組作為測試樣本。故障模式分類及故障、測試樣本部分數(shù)據(jù)如表1～3所示。

表1 故障模式分類

表2 故障樣本數(shù)據(jù)

表3 測試樣本數(shù)據(jù)

4.2 BP神經(jīng)網(wǎng)絡的訓練

神經(jīng)網(wǎng)絡訓練過程實際上就是得到權(quán)值跟閾值的過程。本研究通過對輸入樣本進行訓練，建立預期的網(wǎng)絡。根據(jù)已有的數(shù)據(jù)和經(jīng)驗積累，形成大量的輸入與輸出組，通過網(wǎng)絡自學習來建立權(quán)值和閾值并不斷對其進行調(diào)整，最終使網(wǎng)絡的實際輸出與目標向量盡可能接近。本研究采用的BP神經(jīng)網(wǎng)絡，輸入層神經(jīng)元個數(shù)為8個，輸出層神經(jīng)元個數(shù)為5個，隱層神經(jīng)元個數(shù)為17個。隱層和輸出層神經(jīng)元的激勵函數(shù)取“tansig”和“l(fā)ogsig”，網(wǎng)絡訓練函數(shù)取“trainlm”，系統(tǒng)總誤差為0.01。網(wǎng)絡的訓練情況如圖3所示。

圖3 網(wǎng)絡的訓練情況

4.3 BP神經(jīng)網(wǎng)絡診斷結(jié)果

通過給定在正常、1#、2#、3#、4#缸失火每種情況下20組測試樣本，系統(tǒng)得到結(jié)果的準確率分別為100%、95%、100%、95%、100%。在實際應用中，還要通過增加訓練樣本數(shù)目或者對網(wǎng)絡算法進行改進的方法，使得診斷結(jié)果更為準確，系統(tǒng)誤差更小。

5 實驗驗證

在實際實驗中，本研究對發(fā)動機3號氣缸點火線圈進行破壞，使其在工作中不點火，得到瞬時轉(zhuǎn)速波動率曲線如圖4所示。本研究用Matlab程序提取出曲線的特征參數(shù)分別為:－9.213 6，28.484 3，－13.131 2，214.830 5，－ 200.635 6，－ 165.022 4，－ 253.570 9，－118.067 2。

圖4 3#缸不點火時瞬時轉(zhuǎn)速波動率曲線

本研究把特征參數(shù)代入到已經(jīng)訓練好的神經(jīng)網(wǎng)絡程序中，最后系統(tǒng)給出的響應為:3。這說明是3#氣缸失火，與研究人員診斷的結(jié)果一致，證明了利用瞬時轉(zhuǎn)速和神經(jīng)網(wǎng)絡診斷發(fā)動機氣缸失火故障的可行性。

6 結(jié)束語

筆者研究了基于瞬時轉(zhuǎn)速和BP神經(jīng)網(wǎng)絡技術在發(fā)動機氣缸故障診斷中的應用，并得出如下結(jié)論:

(1)發(fā)動機曲軸瞬時轉(zhuǎn)速信號能夠反映發(fā)動機氣缸的失火故障，提取的特征參數(shù)能用于發(fā)動機的故障診斷;

(2)BP神經(jīng)網(wǎng)絡結(jié)構(gòu)簡單、方法容易，對發(fā)動機故障診斷的準確度比較高，能用于對發(fā)動機失火故障的早起預警;

(3)在實際應用中，應通過大量的樣本對網(wǎng)絡進行訓練，這樣才能使得系統(tǒng)的準確性更高。

［1］范志勇.基于曲軸轉(zhuǎn)速波動分析的內(nèi)燃機故障診斷研究［D］.大連:大連海事大學輪機工程學院，2006.

［2］任云鵬.基于曲軸角加速度的柴油機故障診斷研究［D］.成都:電子科技大學機械電子工程學院，2006.

［3］鄭 勁，丁雪興.柴油發(fā)動機故障診斷技術研究與應用［J］.機械，2012，39(6):67-70.

［4］閆 兵，董大偉，秦 萍.利用曲軸扭振相位特性診斷內(nèi)燃機故障缸的新方法［J］.精密制造與自動化，2003(s1):97-100.

［5］汪 海.基于神經(jīng)網(wǎng)絡技術的汽車發(fā)動機故障診斷研究［D］.西安:陜西科技大學電氣與信息工程學院，2006.

［6］王秋勤.基于概率神經(jīng)網(wǎng)絡的發(fā)動機故障診斷研究［D］.昆明:西南林業(yè)大學機械與交通學院，2010:20-31.

［7］郭 濤.人工神經(jīng)網(wǎng)絡在汽車發(fā)動機故障診斷中的比較研究［D］.沈陽:東北大學信息科學與工程學院，2008.

［8］馬 晉，江志農(nóng)，高金吉.基于瞬時轉(zhuǎn)速波動率的內(nèi)燃機故障診斷方法研究［J］.振動與沖擊，2012，31(13):119-124.

［9］楊旭志，廖中文.基于虛擬儀器和神經(jīng)網(wǎng)絡的汽車發(fā)動機故障診斷方法的研究［J］.內(nèi)燃機與配件，2011(4):10-12.

［10］賴祥生.基于神經(jīng)網(wǎng)絡的發(fā)動機故障診斷分析［J］.重慶工商大學學報:自然科學版，2008，25(5):533-540.

［11］張德豐.Matlab神經(jīng)網(wǎng)絡應用設計［M］.北京:機械工業(yè)出版社，2011.