基于BP神经网络的汽油机失火故障诊断方法的研究*

胡 杰,颜伏伍

(武汉理工大学,现代汽车零部件技术湖北省重点实验室,武汉 430070)

前言

汽油机失火是由于点火系统没有点火、喷油器不合适、压缩未很好完成或其它原因而造成的气缸内未燃烧现象。根据不正常燃烧的程度,失火分为部分失火和完全失火。根据出现的频率,失火又可以分为单次失火和连续失火。

发动机轻度失火会引起排放的恶化甚至超标,严重失火时可能导致三效催化转化器烧坏,因此OBDⅡ法规及EOBD法规均对发动机失火检测项目作了明文规定。国内外针对失火故障诊断做了大量的研究工作,提出多种有效的诊断方法:基于能量模型[1]、基于宽域型氧传感器信号[2]、基于排气压力信号[3]和基于发动机瞬时转速信号[4-6]。其中发动机瞬时转速波动法得到了广泛的应用,但这种方法在高转速低负荷工况下的失火及多缸失火故障诊断时仍然存在着不足。为此文中提出了基于各缸做功时间的波动和BP神经网络的改进算法。

1 失火诊断一般算法

失火诊断一般算法[6],以发动机工作粗暴度LU作为失火诊断的依据,即

式中Ti为各缸的做功时间。

用故障模拟装置人为模拟发动机失火,失火模式分别为第 3缸单次失火(模式 1)、第 2缸和第 3缸连续两缸失火(模式2)和第3缸连续失火(模式3)。正常工作和 3种失火模式下的转速波形、LU波形和做功时间波形如图 1～图 3所示。

由图1～图3分析可知,通过发动机工作粗暴度能够有效识别发动机失火故障,但不能有效区分是哪一种模式的失火。为了能够有效识别不同失火模式和定位失火气缸,将发动机连续工作循环划分为若干诊断循环,以 25个工作循环为一个诊断循环,以每缸做功时间为一个数组,即可将做功时间分解为C1[25]、C2[25]、C3[25]、C4[25]等 4个数组,其诊断循环波形图如图 4所示。

2 失火诊断改进算法

2.1 信号的特征值提取

通过对比分析图 4中不同失火模式时各缸做功时间的波动特点,发现 3种不同模式的失火对第 1缸影响程度有明显的差异。第 3缸单次失火时会引起第 1缸的做功时间在平均值上下波动;而第 2缸和第 3缸相继连续失火时,第 1缸做功时间会产生 2个高于平均值的双峰;第 3缸连续失火时,第 1缸做功时间产生一个高于平均值的单峰,但波峰是由两个点构成。3种不同模式的失火对第 3缸的影响差异不是十分明显,从波形上和幅值上都很接近,第 3缸连续失火时,波形的波动周期要比其他两种情况多一个工作循环,分析其原因,当发动机失火一次后,会引起发动机振动和转速的波动,如果在一个工作循环内或相邻两个工作循环再发生一次失火,第2次失火对本缸的影响可能会被第 1次失火引起的振动而淹没掉。同理可以分析不同失火模式对第 4缸和第 2缸各缸做功时间的影响。

通过上述分析可知,当某一缸发生失火时,需要综合各缸做功时间来判定,不同失火模式对各缸做功时间的影响程度也不一样,因此可通过分析其信号幅值域上特征参数来进行故障模式的判定和故障缸的定位。机械系统监测与诊断中常用的幅值域特征参数的具体表达式可参见文献[7]和文献[8]。

2.2 BP神经网络

通过上述特征值的提取,将失火故障诊断转化成了一个模式识别的问题。由于神经网络具有非线性映射及自组织、自学习和自适应能力而被广泛用于函数拟合、预测、系统辨识、模式识别和分类等不同领域[8]。在分类、模式识别和故障诊断的应用研究中,BP网络应用最为广泛。典型的BP网络的结构如图 5所示。它由输入层、隐含层和输出层组成。隐含层可以是一层或多层,各层次之间形成全互联连接,同一层次的神经元之间没有连接。

BP网络的学习包括信号的正向传播和误差的反向传播两个过程。在正向传播过程中,输入信号从输入层经隐含层逐层传向输出层,每一层神经元的状态只影响下一层神经元的状态。若网络误差超出设置的允许误差,则转入误差的反向传播阶段,即将输出误差按某种形式通过隐含层向输入层逐层返回,并分配给各层的所有神经元,从而使各层神经元以获得的误差信号作为修改网络权值和阈值的依据。BP学习算法采用梯度搜索算法,以使网络的实际输出值与期望输出值的误差均方值为最小。

2.3 失火诊断流程

根据各缸做功时间波动提取的波形特征值,结合BP神经网络,提出了一种快速的失火诊断方法:首先通过数据采集系统得到各缸做功时间,由此计算发动机各缸做功时间的平稳性来判断整机是否有失火;如果出现失火,再根据各缸做功时间的特征值和BP神经网络来判断发动机的失火模式和定位失火气缸。失火故障诊断的基本流程如图 6所示。

3 试验研究及结果分析

3.1 试验装置

试验在TU5JP4电控汽油机台架上进行,发动机的主要性能参数见表 1。失火故障模拟使用失火故障模拟器[9],故障模拟器的连接方式如图 7所示。将发动机的点火信号和曲轴位置传感器信号与BOSCH ME7.4.5电控系统采用的判缸信号引入失火故障模拟器,即可实现判缸和失火控制。根据需要失火故障模拟器能实现发动机单缸均匀失火、连续失火或多缸连续失火等功能。测功机系统采用AVL PUMA OPEN1.2。

表1 TU5JP4主要性能参数

3.2 试验结果及分析

图8是不同模式下的转速波动情况。

由图可见:当发动机正常工作时,转速波动较为平稳,当发动机第 3缸单次失火时会引起转速较大的波动,波动的幅值在±50r/min;当第2缸和第3缸连续失火时转速波动与第 3缸单次失火时很接近,由于第 2缸与第 3缸的做功相位相差 360°,因此由第 2缸失火引起的转速波动的幅值和相位与第 3缸失火时相同,因此很难从转速波动的波形上进行区分;第3缸连续失火时,由于两次失火间隔一个工作循环,由第 1次失火引起的转速波动在第2次失火时波动的幅值已经有所衰减,因此当第 2次失火发生时,转速波动幅值产生了一个突变,从图中可以看到一个非常明显的折转点。

图9～图 12是不同失火模式下一个诊断循环内的做功时间波动图形,每个图的 4个子图分别对应 1缸、3缸、4缸和 2缸做功时间波动情况。

根据文中特征值的提取方法,针对 4种不同模式各缸做功时间的波形,提取各种特征值。图 13为不同模式下提取的各缸做功时间波形的峭度指标。

通过分析可知:在正常工作时,各缸做功时间的峭度指标在 10～20之间,而在失火模式下,峭度指标集中分布在 20～70,说明在正常工作与失火时的峭度指标存在较大差异;虽然在不同失火模式下的峭度指标的值非常接近,但各缸峭度指标的变化趋势完全不同。因此,可根据峭度指标的值与变化趋势来判定发动机是否失火以及是何种模式的失火。限于篇幅的原因,不对每个特征值的选择作详细的论述,其他特征值的选取原则与峭度指标的选取相似,一是该特征值对不同模式的敏感度,二是该特征值是否能够有效区分不同失火模式,三是该特征值是否与其他特征值有重复之处。通过分析和对比不同模式下的各缸做功时间的各种特征值,选取其中的均值μx、标准差S、峰值)、偏态指标K3和峭度指标 K46个特征值进行失火故障模式的识别,如表 2～表 5所示。减少特征值的数量有利于节省内存空间和计算时间,以满足失火故障的实时诊断和在线监测的需求。

采用单隐层结构神经网络,其网络拓扑结果如图14所示,输入单元数为24,即以每缸做功时间波形的特征值作为输入信号,中间隐层的神经网络元个数为 7,输出结果为 4种不同的工作模式,输出结果由 0、1编码来表示,00表示正常工作,01表示第 3缸单次失火(模式1),10表示第 2-3缸连续失火(模式2),11表示第 3缸连续失火(模式3)。为了加快训练速度,避免陷入局部极小值,使用Levenberg-Marquardt算法和附加动量法对网络进行训练,允许的网络均方误差为0.000 1。以表 2～表5中每种模式下提取的 24个特征值作为训练样本,每种模式下选取30组样本,2/3用于网络训练,1/3用于网络检测。表6为采用 BP神经网络进行失火模式识别的结果,它表明神经网络输出结果与实际情况相当吻合,具有很好的故障模式识别能力。

表2 正常工作时各缸做功时间波形特征值

表3 第3缸失火时各缸做功时间波形特征值

表4 第2-3缸失火时各缸做功时间波形特征值

表5 第 3缸连续失火时各缸做功时间波形特征值

表6 BP神经网络训练和测试结果

4 结论

(1)通过对做功时间的处理,得到各缸做功时间的波动信号,在深入分析其波形的基础上,提取各缸做功时间的特征值,并结合 BP神经网络,能够有效地进行失火故障模式的判断和失火缸的定位。

(2)通过试验验证了该方法诊断发动机失火故障的有效性,为诊断发动机多缸失火提供了一种新的思路,但这种方法对其他工况是否通用,有待进一步的研究和验证。

[1] Francisco V,Tinaut,Andres Melgar,et al.Misfire and Compression Fault Detection Through the Energy Model[J].Mechanical System and Signal Processing,2007,21:1521-1535.

[2] Chung Youngkyo,Bae Choongsik,Choi Sangm in,et al.Application of aWide Range Oxygen Sensor for the Misfire Detection[C]. SAE Paper 1999-01-1485.

[3] Massimo Ceccarani,Corrado Rebottini,Riccardo Bettini.Engine Misfire Monitoring for a V 12 Engine by Exhaust Pressure Analysis [C].SAE Paper 980518.

[4] 刘世元,杜润生,杨叔子.利用转速波动信号诊断内燃机失火故障的研究[J].内燃机学报,2000,18(3).

[5] MatteoMontani,Nicolo Speciale.Multiple Misfire Identification by a Wavelet-Based Analysis of Crankshaft Speed Fluctuation[C]. 2006 IEEE International Symposium on Signal Processing and Information Technology.

[6] Davide M oro,Piero Azzoni,Giorgio Minelli,et al.Misfire Pattern Recognition in High Performance SI 12-Cylinder Engine[C].SAE Paper 980521.

[7] 李国华,张永忠.机械故障诊断[M].北京:化学工业出版社, 2003.

[8] 钟秉林,黄仁.机械故障诊断学[M].北京:机械工业出版社, 2007.

[9] 颜伏伍,胡杰,邹斌.基于OBD失火故障模拟及诊断技术的研究[J].武汉理工大学学报(信息与管理工程版),2009,31(1).