汽車發動機故障診斷理論及方法研究

勞庭

摘 要：當前，科學技術水平不斷提升，汽車制造工藝得到優化，現代汽車逐漸呈現出使用功能多元化、電子化發展趨勢，為駕駛員提供了更為舒適的駕駛體驗。但與此同時，由于現代汽車的發動機結構較為復雜，對汽車故障診斷水平提出了更高的要求，傳統故障診斷模式難以滿足實際工作需求。因此，本文對汽車發動機故障診斷理論及方法進行研究，旨在構建規范、標準的故障診斷體系。

關鍵詞：汽車發動機;故障診斷;理論方法

1 汽車發動機故障診斷理論

現階段，汽車發動機故障診斷主要是對汽車發動機運行參數、監測數據進行采集分析，在其基礎上準確評估發動機運行工況，考慮到發動機結構特征、使用年限、歷史檢修數據等問題，對汽車發動機情況進行綜合性判斷，發現各項潛伏故障、或是已經出現的故障問題，綜合性判斷報告即為汽車發動機故障診斷報告。目前來看，在汽車發動機故障診斷工作中，常用診斷方法分為信號處理故障診斷法、解析模型故障診斷法、知識處理狀態故障診斷法三種，不同方法的故障診斷理論存在差異。

其中，信號處理故障診斷法是對汽車在行駛、檢修過程中產生的信號進行采集，從中提取出故障特征信號，構建信號模型，運行各項信號處理分析技術開展一系列操作，如剔除異常數據、算法分析等，來完成發動機故障檢測工作。解析模型故障診斷法指，導入特定數學公式，在已知汽車發動機運行監測參數、數據信息基礎上構建診斷對象數學模型，對汽車發動機數據對象開展診斷處理作業，有效發揮數學模型對未知故障問題的敏感性特征。知識處理狀態故障診斷法的基本理論為，構建專家知識庫，基于模糊理論將汽車發動機狀態監測數據進行分析，確定故障問題大體范圍，隨后與知識庫中其他數據進行對照分析，在不構建診斷對象數學模型的前提下，快速判定汽車發動機故障類型及產生原因。

2 汽車發動機故障診斷方法

2.1 信號處理故障診斷法

2.1.1 小波分析法

這項故障診斷法主要被用于開展視頻分析作業，方法具有多辯多分析特點，在信號不穩定狀態下可以起到良好診斷效果，發動機故障診斷效率、診斷精度較高。例如，在汽車發動機故障診斷過程中，工作人員可選擇運用小波分析法將波形分析、汽車發動機加以連接，保持采集波形系統、發動機運行二者之間的緊密聯系。如此，在汽車發動機處于運行狀態時，波形系統將持續對轉速、噴油脈寬等多項參數進行采集，將其轉換為信號，根據波形變動情況來幫助工作人員辨別汽車發動機運行工況、評估故障類型。例如，在故障診斷過程中，如若汽車發動機在常規速度運行狀態下出現相關油耗、轉速值、點火角等參數保持穩定狀態，但噴油脈寬度明顯增加的異常現象時，表明發動機有可能出現油缸斷油故障。

2.1.2 主元分析法

在故障診斷過程中，對所采集相關數據信息開展壓縮、分析等處理工作，剔除異常與無用信息、提取關鍵數據。隨后，在關鍵數據、汽車發動機歷史故障數據的基礎上構建原始分析模型，持續向模型中導入所采集的實測信號。如原始分析模型中出現實測信號、主元信號二者沖突現象時，則表明汽車發動機存在故障特征，工作人員采取特定方式對故障數據進行提取分離，根據數據處理結果來判定故障類型、分析出現成因。

2.2 解析模型故障診斷法

2.2.1 參數估計法

這項故障診斷方法指，采取機理分析方式，幫助工作人員掌握汽車發動機物理元器件參數、所構建診斷對象數學模型二者內在關系，導入特定方程式來計算實際模型參數、物理元器件參數。隨后，對各項標稱值進行對比分析，根據分析結果來辨別汽車發動機是否存在故障問題。但根據實際應用情況來看，所導入關系方程式不具備雙射特征，很難準確計算物理參數值，存在故障診斷局限性。因此，工作人員可選擇同步采取參數估計法與其他解析模型故障診斷法，以此來突破技術屏障，保證汽車發動機故障檢測結果真實準確。

2.2.2 狀態估計法

在運用這項故障診斷方法時，需要對汽車發動機的實時運行參數進行監測采集，將所采集數據與相對應額定值進行對照分析，在其基礎上構建數學模型。如若可測變量與額定值二者差值過大時，則表明汽車發動機處于異常運行狀態。工作人員結合實際情況采取適當的統計檢驗方法，構建殘差序列，從序列中提取故障數據進行分析即可。目前來看，常用的統計檢驗方法包括故障檢測濾波器法、一致性空間法、Kalman濾波器陣列法。

2.3 知識處理狀態故障診斷法

2.3.1 專家系統故障診斷法

工作人員將所采集汽車發動機運行監測數據、或是所提取故障碼導入至專家系統，系統基于知識規則庫程序運行準則對各項數據參數進行分析處理，將分析結果輸入至推理機中，再將推理機分析結果、數據庫分析結果進行對比驗證，幫助工作人員準確、快速辨別汽車發動機故障問題。

2.3.2 神經網絡故障診斷法

在汽車發動機傳統故障診斷模式中，由于部分故障問題的出現成因較為復雜，工作人員很難在短時間內完成故障診斷工作，且診斷結果真實性缺乏保障。而對神經網絡故障法的應用，通過模仿人類大腦神經元結構而構建的神經網絡，可以替代人工快速處理大量的數據信息，其具有良好的數學模擬分析能力，幫助工作人員掌握超越自身處理極限的數據信息，從龐大數據量中提取關鍵數據，準確判定故障類型與出現成因。

2.3.3 模糊故障診斷法

在采取解析模型故障診斷法時，如若汽車發動機故障問題較為復雜時，很難通過構建數學模型來準確表達發動機故障、所出現征兆之間的內在關系。這時，可選擇運用模糊故障診斷法，基于模糊邏輯建立汽車發動機故障成因、征兆的模糊關系矩陣，在已知數據信息中提取特征參數向量，根據相應判斷準則來獲取診斷結果，幫助工作人員掌握汽車發動機故障、征兆二者關系，分析各類故障問題的可能性、鎖定大體故障范圍。

3 結語

綜上所述，在汽車制造水平不斷提高的同時，汽車發動機故障問題出現率、故障診斷工作難度有所提升，存在一定的安全隱患，對車輛行駛安全的提高，是當前我國汽車行業的一項重要課題。因此，企業必須提高對發動機故障診斷理論、各項具體故障診斷方法的研究力度，持續完善理論體系，根據實際情況科學制定故障診斷方案，全面提高汽車發動機故障診斷質量。

參考文獻：

[1]王寧，張清魯.汽車發動機故障診斷研究的理論與方法[J].時代汽車，2019（03）.

[2]陳修禹.汽車發動機故障診斷研究的理論與方法[J].科技資訊，2016，14（04）.