基于瞬時轉速分析的柴油機氣缸壓縮性能檢測方法

喬新勇，劉春華，劉 君，靳 瑩

（1.裝甲兵工程學院機械工程系，北京 100072；2.中國空氣動力研究與發展中心，四川 綿陽 621000）

與汽油機不同，柴油機采用壓燃式工作方式，因此，氣缸壓縮性能決定著噴入氣缸內的燃油能否被壓燃，能否達到較高的燃燒質量，進而保證柴油機順利起動。通常情況下，氣缸壓縮性能用氣缸壓縮壓力來衡量。氣缸壓縮壓力是指在柴油機不工作（不加油）、用起動電機拖動柴油機曲軸旋轉的情況下，壓縮過程氣缸內的最高氣體壓力。氣缸壓縮壓力低會使壓縮行程的溫度和壓力都下降，發動機工作時著火延遲期變長，致使發動機工作粗暴，燃燒不完全，熱效率下降。一般來說，隨著柴油機使用時間的推移，氣缸壓縮壓力呈逐漸減小的變化趨勢，當其降低到一定程度時，柴油機已嚴重磨損，不能繼續使用。

對氣缸壓縮壓力進行測量有利于監測柴油機工作狀況［1－2］。但在實車上直接測量壓縮壓力，存在傳感器安裝困難、高熱條件下傳感器可靠性降低等問題，因此近年來對氣缸壓力進行間接檢測的研究日漸興起［2－5］。

本研究基于人工神經網絡強大的非線性映射能力，建立了車輛倒拖過程瞬時轉速波動與氣缸壓力的映射關系模型，實現由瞬時轉速間接計算氣缸壓縮壓力，進而實現氣缸壓縮性能的檢測。

1 人工神經網絡基本原理

人工神經網絡（Artificial Neural Networks）理論是20世紀80年代中后期在世界范圍內迅速發展起來的人工智能領域的一個重要分支，其本質是一種接近于人認識過程的計算模型，模仿大腦神經元結構而建立起來的一種非線性網絡系統。近年來，神經網絡技術得到很大的發展，其在故障診斷領域中得到廣泛應用［3－4］。

至今為止，人們己經提出了幾十種神經網絡模型，如自適應共振理論模型（ART）、誤差反向傳播模型（BP）、雙向聯想存儲器（BAM）、感知機模型（PTR）等，目前應用最為廣泛、理論最為成熟的當屬BP網絡模型和RBF網絡模型［5］。盡管BP網絡無論在理論上還是實用上都已經相當成熟，且結構簡單，易于實現，但它的突出缺點是收斂速度慢，易陷于局部極值點，需要在監督的情況下進行。

本研究提出利用徑向基神經網絡（RBF）來進行識別建模。徑向基函數網絡是在借鑒生物局部調節和交疊接受區域知識的基礎上提出的一種采用局部接受域來執行函數映射的人工神經網絡。RBF網絡結構是由一個隱含層和一個線性輸出層組成的前向網絡，隱含層采用徑向基函數作為網絡的激活函數，徑向基函數是一個高斯型函數，它是將該層權值矢量與輸入矢量之間的矢量距離與偏差相乘后作為網絡激活函數的輸入。從功能上看，RBF網絡可以用來進行函數逼近，并且更容易逼近函數的局部特性。

1.1 徑向基神經網絡結構

徑向基網絡一般是三層結構（見圖1）。φ（u，tk）是非線性函數（一般選擇高斯型函數），用于計算輸入向量u與它的中心tk間的距離。ωk表示聯接第k個隱層結點與輸出結點的權值，常量ω0代表偏差。

網絡的輸出與輸入關系見式（1）：

式中：‖u－tk‖為u和tk之間的歐幾里得距離；b為寬度；n為凈輸入。

隱含層的每個節點稱為徑向基神經元，其計算過程見圖2。

這里徑向基函數的輸入值為輸入向量u與權值向量ω的距離乘以偏差b后的結果。一般選擇高斯函數作為神經元函數，如式（2）所示。

當輸入向量u與權值向量ω的距離減小，輸出值減小；當輸入向量u與權值向量ω相同時，函數輸出為1，為最大值。因此，徑向基神經元起著一個距離檢測器的作用。偏差b可以改變神經元的敏感度。在輸入向量u與權值向量ω的距離變化一定的情況下，b增大，徑向基函數的寬度減小，函數輸出值變化較大，對距離變化敏感。

1.2 徑向基神經網絡的訓練

RBF網絡的訓練與設計分為兩步，第一步是采用非監督式的學習訓練RBF層的權值，第二步是采用監督式學習訓練線性輸出層的權值。通常RBF網絡隱含層的權值被賦予一個不同輸入矢量的轉置，以使得每個神經元都作為不同輸入矢量的探測器。一般若有q組輸入矢量，則RBF層中的神經元個數最大為q，每個偏差置為0.832 6／c（c為高斯函數的中心），以此確定輸入空間中每個神經元的響應寬度。

通過使網絡輸出與目標輸出的誤差平方和最小來求線性輸出層的權值［6］。本研究采用最小二乘法求解權值。

1.3 改進的徑向基神經網絡訓練算法

上述設計過程的缺點是：所設計出的網絡產生的隱含層具有的神經元的個數與輸入矢量組數相等。當需要許多組矢量來定義網絡時，用此方法設計的網絡可能是不可接受的。對此采用的改進思想原則是：在滿足目標誤差的前提下盡量減少隱含層中的神經元個數。做法是：從一個節點開始訓練，通過檢查誤差目標使網絡自動增加節點。每次循環使網絡產生的最大誤差所對應的輸入矢量產生一個新的隱含層節點，然后檢查新網絡的誤差，重復此過程，直到達到目標誤差或達到最大神經元數為止。

2 試驗方法及數據采集

在某型車輛上進行柴油機倒拖試驗。試驗時在切斷燃油供給的情況下，采用起動電機拖動柴油機運行3～4s，分別采用光電反射式傳感器、光電式轉速傳感器和壓力傳感器同步測量柴油機左1缸上止點信號、瞬時轉速信號及右6缸的氣體壓力信號，采樣頻率為14kHz。

利用上止點信號截取柴油機一個工作循環內的瞬時轉速信號和右6缸氣體壓力信號（見圖3）。

從圖3中可以看出，瞬時轉速信號在一個工作循環內呈現12次波動。瞬時轉速的波動與各缸內氣體壓力的作用有關。由于該型柴油機為12缸機，在各缸氣體壓力的交替作用下，導致瞬時轉速在一個工作循環內出現12次波動。

為了便于分析，假定各缸內氣體壓力完全一致，可繪制各缸內壓力曲線，如圖4中虛線所示。將各缸壓力相加后得到疊加壓力，如圖4中實線所示。各缸內氣體壓力綜合作用即構成了對轉速的影響。由此可以看出，疊加壓力在一個工作循環內存在12次波動，且在時域上與瞬時轉速波形一一對應。因此通過測量瞬時轉速，可以進一步檢測氣缸壓縮壓力或者判斷各缸的壓縮性能。

3 神經網絡建模及模型求解

考慮到缸內壓力與轉速之間呈相反的增長關系，即缸內壓力增大時，轉速降低，而當缸內壓力減小時，轉速增高，因此如果直接截取右6缸氣體壓力所對應的轉速作為網絡的輸入，會使RBF神經網絡輸入和輸出之間的非線性因素增大。因此，采用相對轉速，即截取右6缸氣體壓力所對應轉速與此轉速最大值之差的絕對值，作為網絡的輸入，對應的右6缸氣體壓力作為網絡輸出，相應地建立相對轉速與右6缸壓縮壓力之間的RBF神經網絡模型。截取轉速過程見圖3，求得的相對轉速見圖5，對應的右6缸氣體壓力見圖6。

本研究按照改進思想進行網絡設計和訓練。網絡的隱層神經元數目以及權值向量在訓練中自動確定。利用12個樣本分別建立識別模型，其中11個作為訓練樣本，剩下1個作為測試樣本。在進行神經網絡訓練之前，對訓練集和測試集進行歸一化處理，采用的歸一化映射見式（3）：

模型1：輸入歸一化后的相對轉速，神經元為25個，輸出氣體壓力，神經元也為25個。經過網絡訓練便可分別得到瞬時轉速相對轉速和氣缸壓力的非線性映射模型，隱層節點均為10個。

模型2：輸入歸一化后的相對轉速，神經元為25個，輸出氣缸壓縮壓力，神經元為1個。經過網絡訓練便可分別得到瞬時轉速相對轉速和氣缸壓縮壓力之間的非線性映射模型，隱層節點均為10個。模型1的分析結果見圖7。

由圖7可以看出，利用RBF神經網絡檢測氣缸壓力與實際測量氣缸壓力的逼近程度很高。檢測的氣缸壓縮壓力即為所檢測缸內壓力的峰值。模型2的分析結果見圖8。

由圖8可以看出，直接建立瞬時轉速相對轉速與氣缸壓縮壓力的RBF神經網絡模型，所檢測氣缸壓縮壓力的結果與實際測量的結果基本上是一致的。對12組樣本數據的檢測結果見表1。

由表1可以得知，模型1恢復氣缸壓縮壓力的平均誤差為1.082 9%，模型2恢復氣缸壓縮壓力的平均誤差為1.451 1%。兩種神經網絡模型恢復氣缸壓縮壓力的精度都較高，但是模型1的恢復結果比模型2好，誤差更小。

表1 檢測氣缸壓縮壓力與實測氣缸壓縮壓力比較

4 柴油機氣缸壓縮性能檢測

對該型柴油機進行氣缸壓縮壓力檢測時，規定了在曲軸轉速為150r／min、溫度為298K時的檢測值標準。但在實車試驗中，曲軸轉速和進氣溫度并不完全是150r／min和298K，因此需要將所有數據都修正到標準轉速和標準溫度下［7］。

式中：pN，T為150r／min，298K時的壓縮壓力 ；t為測量時的進氣溫度；T0＝298K；N＝150r／min；n為實際測得的發動機轉速；p為實際測得的氣缸壓力。

由前面的分析可知，模型1建立瞬時轉速的相對轉速與右6缸壓縮壓力之間的對應關系，求得的最大值即為氣缸壓縮壓力，誤差小于2%。利用此方法檢測氣缸壓縮壓力，并且根據式（4）把檢測結果修正到標準轉速、標準溫度狀態下。

某型柴油機運轉時間為150h，在起動平均轉速為144r／min、進氣溫度為303K時，氣缸壓縮壓力檢測結果和修正結果見表2。由該型柴油機使用標準得知，在轉速n＝150r／min，標準大氣溫度298K時，完全磨合后的發動機壓縮終了的壓力應在2.744（28kg／cm2）～2.94MPa（30kg／cm2）范圍內，最低不得小于1.764MPa（18kg／cm2），且各缸差值不大于10%。

由表2修正后壓縮壓力數據可以看出，該型柴油機各缸的壓縮壓力都在警戒線1.764MPa之上，并且各缸差值為2.148 6%，遠小于10%。因此，該柴油機氣缸壓縮性能良好，各缸比較均衡。

表3列出不同柴油機氣缸壓縮壓力修正后的檢測結果。從表3中可以看出，隨著柴油機使用時間的增加，各缸的壓縮壓力呈現減小趨勢，這反映了氣缸磨損呈現增大趨勢，尤其是6號和7號車，氣缸壓縮壓力的最小值距離警戒線值比較近，氣缸壓縮性能比較差；隨著使用時間的增加各缸差值呈現增大趨勢，這反映了氣缸密封不均衡度也呈現增大趨勢。

表2 某型柴油機氣缸壓縮壓力檢測結果和修正結果

續表2 某型柴油機氣缸壓縮壓力檢測結果和修正結果

表3 不同柴油機氣缸壓縮壓力檢測修正后的結果 MPa

5 結束語

本研究提出了一種利用柴油機倒拖過程瞬時轉速分析來間接測量氣缸壓縮壓力的方法，進而檢測氣缸的壓縮性能。通過對實際測量的瞬時轉速信號和缸壓信號的分析，利用逼近性更強的RBF神經網絡建立了瞬時轉速波動與氣缸內壓力的關系模型，實現了實車氣缸壓縮壓力的不解體檢測。結果表明，該方法檢測效果良好，能夠有效評價柴油機氣缸壓縮性能和氣缸密封不均衡度。

［1］ 邱宗敏，金洪衛.氣缸壓縮壓力的測量在發動機故障診斷中的運用［J］.裝備制造技術，2012（4）：73－74.

［2］ 喬新勇，劉建敏，劉 瑋.基于振動測量的發動機氣缸壓縮壓力檢測方法［J］.內燃機工程，2008，29（4）：63－67.

［3］ 黃加亮.RBF神經網絡在船用低速柴油機故障診斷中的應用研究［D］.大連：大連海事大學，2000.

［4］ 陳丹一，黃加亮，蔡振雄.徑向基函數網絡用于船用柴油機智能診斷的研究［J］.武漢理工大學學報：交通科學與工程版，2004，28（4）：494－497.

［5］ Martin T Hagan，Howard B Demuth，Mark Beale.Neural Network Design［M］.Boston：PWS Publishing Company，2002.

［6］ 閻平凡，張長水.人工神經網絡與模擬進化計算［M］.北京：清華大學出版社，2000：40－57.

［7］ 劉春華.基于瞬時轉速分析的坦克柴油機狀態檢測與故障診斷研究［D］.北京：裝甲兵工程學院，2012.