用于發電的電控發動機故障智能識別與監測系統

李 楠

(上海工商外國語職業學院,上海 201399)

0 引言

用于農田秸稈收割的機械設備需要提供不間斷的發電裝置,需要連續動力源保障。傳統的發動機存在消耗成本高、作業效率低等不足,故結合電子汽車的發展思路,運用電控發動機于農田秸稈收割作業,以實現其穩定收割的運行動力系統目標。為此,針對實現該發電用途的電動機的電控系統展開深入性討論,設計了智能故障檢測系統,以對常見故障進行智能識別與監測。

1 電控發動機工作原理

用于發電的電控發動機較傳統發動機不同之處在于增設了集多種傳感控制裝置于一體的ECU控制理念。結合圖1的電控發動機外形裝置與圖2的智能電控系統構架,其工作原理可描述為:ECU為中心控制環節,發動機整機在信號處理電路、模擬信號采集濾波電路、數字信號濾波電路的互相配合下將信號傳遞至驅動電路模塊開始各電動機部件的順序動作,由電源電路模塊提供電能信息;此時,通訊接口模塊實現作業正常與非正常信息的實時監測對比與故障診斷功能,各電路模塊外連接溫度傳感器、壓力傳感器及節氣門裝置等。

圖1 用于發電的電控發動機外形圖Fig.1 Contour diagram of the electronic controlled engine for power generation

圖2 發動機的智能電控系統構架框圖Fig.2 Frame diagram of the intelligent electric control system for the engine

表1為電控發動機的主要動態參數。由表1可知:電控發動機各監測點的參數信息通過相應的執行部件外部反映,內部則通過傳感器和關鍵電路信號進行識別傳輸;若外部故障出現,內部信息以錯誤故障代碼形式反饋至ECU系統,從而采取相應的故障處理動作。

表1 用于發電的電控發動機主要動態參數表Table 1 Main dynamic parameters of the electronic controlled engine for power generation

2 故障診斷系統設計

2.1 理論模型建立

針對該電控發動機的智能故障診斷系統運行原理與實現目標,融入相匹配的神經網絡控制算法的理論模型,即

(1)

式中P—輸入向量矩陣;

T—選定模型和樣本下的分類向量;

SPREAD—徑向基函數的擴展速度;

TC—實現目標分類數據索引;

ind2vec函數—實現目標分類數據型與向量型的轉換功能;

newgrnn函數—實現概率化神經網絡創建功能。

該智能故障診斷系統須具備傳感器信號的迅速采集與準確分類功能。設定(xi,xj)為變化中的電控系統信號樣本值,Cj為聚類中心轉換,故智能診斷系統識別的高效化與監控的實時多變性遵循如下控制算法,即

神經網絡核心控制算法下的電控發動機故障內部信號的核心診斷識別監測流程如圖3所示。工作時,經多功能性傳感器組合的信號識別,到達信號預處理電路,與MCU模塊互通信息后,輸送到CAN收發裝置,在CAN總線的控制下,適配器合適轉換最終到達上位機智能診斷系統。

圖3 用于發電的電控發動機故障診斷流程簡圖Fig.3 Schematic diagram of fault diagnosis for electronically controlled engine for power generation

2.2 故障診斷系統硬件設置

針對該故障診斷系統進行硬件設置,需明確電控發動機常見的故障現象及可能發生故障的部位與組件,如表2所示。其中,與ECU系統密切相關的故障現象主要為發動機的轉速瞬間過高及發動機無初始動作等。因此,針對發動機的啟動系統、進氣系統、燃油系統等均應合理選擇電路電子型號,著重對ECU控制系統的數據采集進行配置,如圖4所示。CVI數據采集系統作為該電控模塊的核心,與電源、發動機散熱、通信、信號測量、異常報警等進行信號數據的共享,同步進行信號切換、信號模擬并與電動機負載的有效管理數據連通,實現全流程的數據準確采集,為該故障診斷系統迅速做出相應的故障識別判斷提供數據流信息。

表2 電控發動機故障現象及可能故障部位Table 2 Failure phenomenon and the possible fault position on the electronically controlled engine

圖4 電控發動機ECU故障數據采集系統配置Fig.4 Configuration of ECU fault data acquisition system for the electronically controlled engine

2.3 故障診斷系統軟件控制

在MatLab軟件中進行發動機模型的多層次變換,得出發動機電控故障系統軟件設計結構簡圖,如圖5所示。

圖5 發動機電控故障系統軟件設計結構簡圖Fig.5 Schematic diagram of the software design of the engine electronic control fault system

為實現故障智能識別與實時監測,需保證各信號與數據采集傳輸環節不失真與最優化接收,將Simulink文件轉化為C代碼后存儲為DLL型文件達到LabVIEW顯示界面,此時的發動機運作控制模型與數據采集系統和用戶顯示界面三者之間進行有效數據共享,完成故障的全系統監測功能。

故障系統內部的代碼分配對于整體發動機的故障判定與診斷尤為必要,故障的傳輸流程如圖6所示。代碼描述依據前述理論模型進行合理配置,關鍵步驟在于內部數據轉換與處理,在代碼意義的指定下生成相應的代碼描述語言,通過各端子、接線口、電路通道傳遞至故障診斷中心控制裝置,從上位機將代碼轉譯后送至動作顯示的硬件描述故障界面及配備的報警裝置,快速通知至故障維修人員,實現故障智能監測識別目標任務。

圖6 發動機故障系統的代碼智能化傳輸流程Fig.6 Intelligent transmission process of the code for engine fault system

3 故障智能識別監測試驗

3.1 條件設置

以故障數據信息流理念為導向,電控發動機正常怠速條件下各監測值為參考標準,選取故障種類為進氣壓力傳感器、進氣溫度傳感器、凸輪軸位置傳感器及氧傳感器故障為分類大項,進行該電控發動機的故障智能識別監測試驗。

3.2 試驗分析

經試驗分析,對關鍵監測項目進行數據處理后,得出如表3所示的發動機怠速控制系統發生故障時的監測參數值。由表3可知,發動機轉速由正常無故障的怠速狀態下680r/min左右上升至1 160r/min左右,進氣溫度傳感器溫度升高10℃左右,點火測量角角度發生變化,噴油嘴噴油時間比無故障時延長了1倍時間,進氣壓力傳感器電壓升高1.5V,發動機負荷同步增加10%,此監測數據變化與實際應用發生故障變化值基本一致。這表明,該故障系統設計運具有可行性。

表3 發動機怠速控制故障時的監測項目數據Table 3 Monitoring project data in idling control state when the engine is in the fault state

經故障識別與監測試驗,進行深度綜合評定,發動機的系統運行狀態監控可形成標準智能化監測流程,如圖7所示。

圖7 用于發電的電控發動機故障系統智能化監測流程Fig.7 Intelligent monitoring process of electronically controlled engine fault system for power generation

識別與監測模型的評定可行性地融合了BLM機理與BF優劣分析,從而依據單一模型與復合模型判定思路分別展開,最終達到運行狀態信號傳輸與智能監測,完成診斷電控發動機故障系統設計。

選定系統故障識別準確率、故障識別時間、整體故障診斷系統的運行穩定性為對比評價指標,得出如表4所示的監測試驗對比數據。由表4可知:故障識別準確率由設計優化前的85.7%提升至90.4%,且發動機發生故障時的最快識別時間綜合縮短了1.8s,運行穩定性保持在90%以上,效果良好。

表4 電控發動機故障智能識別監測試驗對比評價數據Table 4 Comparison and evaluation data of the electronically controlled engine fault intelligent identification and monitoring test

4 結論

1) 針對電控發動機工作原理與結構組成,結合當前智能神經網絡控制算法,從硬件配置與軟件控制角度進行合理選型與優化控制組件,設計了一種用于發電的農田秸稈收割機發動機故障診斷系統。

2) 針對發動機理論模型,進行電控發動機智能故障識別與監測試驗,模擬常見類型故障,并對數據進行處理,結果表明:整機故障識別準確率由設計優化前的85.7%提升至90.4%,診斷系統的運行穩定性保持在90%以上,試驗效果良好。