基于神經網絡和瞬時轉速的發動機失火故障研究*

王維琨，江志農，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

燃氣發動機在工業、農業、能源和交通運輸等領域都有廣泛應用，是現代動力設備的主要成分，其運行狀態直接關系到生產安全性和生產效率。但是由于發動機運動部件較多，內部結構又相對復雜，而且經常在高溫、高壓等惡劣條件下工作，所以故障率較高［1］。因此對發動機的故障進行診斷是十分必要的。

對發動機的診斷方法主要有性能參數分析法、油液分析法、振動監測法和瞬時轉速分析法［2-5］。每種方法都有各自的優缺點，如振動監測法雖然診斷速度快、準確率高、定位性強，能夠實現早期報警，但是由于發動機結構的復雜性和狀態的不確定性，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。神經網絡在故障診斷中的應用起源于上世紀80年代末，經過長時間的發展和國內外眾多學者的深入研究，其在故障診斷領域已經有了廣泛應用［6-7］。

本研究通過把曲軸的瞬時轉速與BP神經網絡結合起來，提出一種對發動機氣缸故障診斷的方法。

1 曲軸瞬時轉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，當發動機某個氣缸發生失火故障時，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速發生改變。

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，φi—第i個氣缸的點火角度。

曲軸的瞬時轉速:

它表示曲軸角速度在一個較小的轉角內的平均值。對于一般情況，ω和TL是常量，所以瞬時轉速是曲軸轉角θ的函數，是周期函數。再定義ε為瞬時轉速波動率，ε=f(θ)/ω，可以得出ε也是隨曲軸轉角θ做周期性變化的，且與切向力成正比，根據公式(1，2)，可以認為瞬時轉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 特征參數的選取

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

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

參數1(瞬時轉速峰值):

參數2(瞬時轉速谷值):

圖1 正常瞬時轉速波動率隨曲軸角變化曲線及特征參數的選取

2 BP神經網絡

2.1 BP神經網絡故障診斷原理

BP網絡(誤差反向傳播神經網絡)應用極為廣泛，是一種多層向前型神經網絡，采用S型函數作為傳遞函數，能實現從輸入到輸出的任意非線性映射［9-10］。BP神經網絡從結構上分為輸入層、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網絡在進行故障分類時，不需要建立故障模式的數學模型，并且具有自學習、自適應的能力，通過學習的網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神經網絡的局限性

隨著BP神經網絡應用范圍的擴大，國內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。在訓練網絡的過程中，如果權值調的過大，會出現網絡麻痹現象，使得訓練停頓下來。不過可以通過選取較小的初始權值或者較小的學習速率避免這種現象的發生，但這又使得訓練時間變長。

(3)局部極小值。BP網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網絡存在一些不足之處，但這并不能完全否定BP神經網絡在故障診斷中的應用，只要合理地對網絡進行改進，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律的周期性變化，當單缸故障產生時，氣體壓力扭矩圖形會有差別，從而對波形周期產生影響，使曲線發生畸變，而且當不同缸發生故障時，根據點火順序，會在不同的曲軸轉角處產生波形畸變，從而可以據此判斷出故障缸號。

以1#缸停止點火為例，根據公式(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速波動率曲線是有明顯差別的，而產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特征參數進行故障診斷提供了理論依據。

圖2 1#缸停止點火故障與正常瞬時轉速波動率曲線

4 利用BP神經網絡的數據處理

4.1 樣本的獲取

由上文可知，發動機正常工作時和某一氣缸不點火時這兩種狀態下瞬時轉速波動率曲線是有明顯差別的，并且發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，每種情況下提取100組，共500組，作為網絡的訓練樣本，再重新提取5種狀態下各20組作為測試樣本。故障模式分類及故障、測試樣本部分數據如表1～3所示。

表1 故障模式分類

表2 故障樣本數據

表3 測試樣本數據

4.2 BP神經網絡的訓練

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

圖3 網絡的訓練情況

4.3 BP神經網絡診斷結果

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，系統得到結果的準確率分別為100%、95%、100%、95%、100%。在實際應用中，還要通過增加訓練樣本數目或者對網絡算法進行改進的方法，使得診斷結果更為準確，系統誤差更小。

5 實驗驗證

在實際實驗中，本研究對發動機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#缸不點火時瞬時轉速波動率曲線

本研究把特征參數代入到已經訓練好的神經網絡程序中，最后系統給出的響應為:3。這說明是3#氣缸失火，與研究人員診斷的結果一致，證明了利用瞬時轉速和神經網絡診斷發動機氣缸失火故障的可行性。

6 結束語

筆者研究了基于瞬時轉速和BP神經網絡技術在發動機氣缸故障診斷中的應用，并得出如下結論:

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

(2)BP神經網絡結構簡單、方法容易，對發動機故障診斷的準確度比較高，能用于對發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絡進行訓練，這樣才能使得系統的準確性更高。

［1］范志勇.基于曲軸轉速波動分析的內燃機故障診斷研究［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.基于神經網絡技術的汽車發動機故障診斷研究［D］.西安:陜西科技大學電氣與信息工程學院，2006.

［6］王秋勤.基于概率神經網絡的發動機故障診斷研究［D］.昆明:西南林業大學機械與交通學院，2010:20-31.

［7］郭 濤.人工神經網絡在汽車發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，高金吉.基于瞬時轉速波動率的內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網絡的汽車發動機故障診斷方法的研究［J］.內燃機與配件，2011(4):10-12.

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

［11］張德豐.Matlab神經網絡應用設計［M］.北京:機械工業出版社，2011.