液化石油氣汽車點火控制系統(tǒng)優(yōu)化與故障診斷

崔宏巍，朱亮紅

（深圳職業(yè)技術學院汽車與交通學院，廣東深圳 518055）

液化石油氣汽車點火控制系統(tǒng)優(yōu)化與故障診斷

崔宏巍，朱亮紅

（深圳職業(yè)技術學院汽車與交通學院，廣東深圳 518055）

對點火提前角與液化石油氣（LPG）汽車發(fā)動機性能和排放的關系進行分析，通過臺架試驗，獲取各種工況下LPG發(fā)動機的最佳點火提前角，通過建立BP神經網絡模型，實現燃氣汽車點火控制系統(tǒng)的優(yōu)化，還對LPG發(fā)動機點火提前角對動力性與排放的影響進行了試驗研究，得出在不同轉速和負荷下，點火提前角變化對NOx和CO排放的影響結果，采用模糊模式識別的方法判別燃氣汽車點火系統(tǒng)的技術狀態(tài)。

點火系統(tǒng)；發(fā)動機；控制系統(tǒng)；神經網絡

液化石油氣發(fā)動機可燃混合氣的點火系統(tǒng)對發(fā)動機的動力性能、工作效率和排放至關重要。點火時刻不合適，會導致發(fā)動機動力性能下降、熱效率降低、燃料消耗率上升、有害氣體排放增加等現象。如果點火提前角過小，則會影響其動力性能；如果點火提前角過大，就會增加HC和NOx的排放量。點火提前角優(yōu)化控制一直是國內外內燃機領域的重點研究課題，但大多研究集中在汽油機的點火控制。由于氣體燃料與汽油的特性相比，有著很大差異，其自身具有抗爆燃性好、辛烷值高等特點，并在最高燃燒壓力、滯燃期、燃燒時間、最高燃燒壓力變化率等很多方面均不相同，因此，研究液化石油氣發(fā)動機點火系統(tǒng)的優(yōu)化，對于提高發(fā)動機最大功率或扭矩，降低有害氣體排放具有重要意義［1－2］。

1 點火提前角三維脈譜圖

影響燃氣發(fā)動機最佳點火提前角的因素包括發(fā)動機的結構參數和空燃比、負荷、轉速、冷卻水溫度等運行參數。當發(fā)動機長時間工作，發(fā)生老化和磨損等現象時，這些影響參數會發(fā)生變化，它們之間也會相互作用，通過數學模型表達這些參數對燃氣發(fā)動機最佳點火提前角的影響程度并進行在線優(yōu)化和修正，則非常困難。在實際工作中，往往是在發(fā)動機臺架上通過大量的標定試驗，獲取發(fā)動機各種試驗工況下標準的點火提前角脈譜圖，將脈譜圖中的數據存入電控單元微控制器的ROM中，在發(fā)動機實際工作運轉時，依靠插值的方法獲得不同轉速和負荷的最佳點火提前角，實時將點火提前角控制在最佳狀態(tài)。存儲在電控單元微控制器ROM中的三維脈譜數據為燃氣汽車點火控制提供了依據，一般通過查表法可以獲得最佳點火提前角。在實際應用中，如果在某一工況下，采集得到的負荷與轉速處于所存儲的數據之外，則可以利用線性插值法獲取最佳點火提前角［3－4］。

2 點火提前角優(yōu)化問題的BP網絡模型

人工神經網絡（artificial Neural Network）能夠自身適應環(huán)境，總結規(guī)律，完成某種運算、識別或過程控制，具有初步的自適應與自組織能力，在學習或訓練過程中改變突觸權重值，以適應周圍環(huán)境的要求，對于處理多變量、非線性的復雜問題具有較強的優(yōu)勢，本文將人工神經網絡的這些特性應用于燃氣發(fā)動機點火提前角的優(yōu)化。

發(fā)動機在長時間運行過程中，可能會出現壓力波動、電壓波動、火花塞磨損、積碳等情況，造成點火提前角偏離理想位置，改變點火正時，點火控制系統(tǒng)無法按照MAP圖中的最佳時刻進行控制，造成發(fā)動機性能惡化。提高燃氣汽車發(fā)動機點火提前角的控制效果，必須兼顧發(fā)動機的動力性、降低燃料消耗和減少排氣污染，而神經網絡具有非線性映射和記憶能力，建立起發(fā)動機運轉參數與最佳點火提前角之間關系的神經網絡模型，用于實時調節(jié)點火提前角，是一種很好的控制和優(yōu)化策略。在LPG發(fā)動機點火提前角優(yōu)化問題中，主要考慮轉速（n）、負荷（p）這兩個參數對最佳點火提前角的影響。由于空燃比被電控單元控制在理論值附近，不需考慮空燃比對發(fā)動機性能的影響，當然還有其他因素也會影響點火提前角，比如冷卻水溫度等參數，但在實際控制中可以采用分段控制，因此，簡化模型僅需考慮轉速和負荷。本文設計的BP神經網絡的輸入層簡化為兩個節(jié)點，即x1＝n，x2＝p，輸出為最佳點火提前角。通過對NJG415P（直列、四缸、四沖程水冷發(fā)動機，排量為1.46L）單燃料液化石油氣發(fā)動機進行大量臺架試驗，獲取不同轉速和負荷下的最佳點火提前角，進行相應的訓練。BP（Back Propagation）神經網絡是由信息正向傳播過程和誤差反向傳播過程組成，本文采用經典的兩層BP網絡結構，8個隱含層結點，1個輸出層結點，隱含層采用S型激活函數，輸出層采用線性激活函數，通過試驗不同轉速、不同負荷下，在液化石油氣進氣量閉環(huán)控制時，功率、燃料經濟性滿足要求條件下，排放達到最小所對應的最佳點火提前角作為學習樣本，建立網絡模型。神經網絡結構如圖1所示。轉速（r／min）、真空度（kPa）作為輸入，點火提前角作為輸出，輸入轉速分別為1 500r／min、2 200r／min、2 500r／min、2 800r／min、3 000r／min、3 300r／min、3 500r／min、4 000r／min，通過臺架試驗共獲得40組數據，負荷和轉速的分布如圖2所示。對應學習速率0.03，通過學習5 000次，不斷調整連接權值，最后可得權值（表1）。

圖1 BP神經網絡結構圖

圖2 數據分布圖

表1 訓練結束后各層神經元權值

3 BP神經網絡點火提前角優(yōu)化與動力性能和排放的影響研究

采用BP神經網絡對40個輸入樣本進行訓練。通過訓練，利用BP神經網絡較強的非線性映射能力和學習功能，將發(fā)動機最佳點火提前角正確表達為負荷和轉速的映射關系，在發(fā)動機的整個運行工況范圍之內，都能夠獲取最佳點火提前角，實現點火提前角的優(yōu)化控制。當外部工作環(huán)境發(fā)生變化時，如點火線圈、傳感器、火花塞等零部件磨損和老化時，只需要對BP網絡重新訓練，就可以獲得環(huán)境變化后的最佳點火提前角，提高發(fā)動機的動力性能和排放性能。為驗證BP神經網絡訓練得到的最佳點火提前角是否準確，在轉速2 400r／min時臺架試驗獲得的最佳點火提前角與BP神經網絡訓練的點火提前角相比較，誤差優(yōu)于1.2%，而在其他轉速和負荷下的誤差也很小，試驗表明BP神經網絡在燃氣發(fā)動機點火提前角優(yōu)化方面具有明顯優(yōu)勢。

為進一步研究點火時刻對LPG燃氣發(fā)動機性能的影響，深入分析BP神經網絡應用于點火提前角的實際優(yōu)化效果，本文分別在不同的發(fā)動機轉速、不同發(fā)動機負荷下，改變發(fā)動機的點火時刻，在不同點火提前角分別測試發(fā)動機的排放特性和扭矩，其中轉速為2 000／min時，20%～100%負荷的試驗結果如圖3所示。試驗表明，在通過BP神經網絡優(yōu)化的最佳點火提前角，燃氣發(fā)動機能夠獲得較大的扭矩，同時也可以兼顧得到較好的排放性能，CO與NOx的排放能夠保持在較低的水平。點火提前角較小，推遲燃燒，排氣溫度會升高，造成未燃燒成分氧化，燃燒室內最高溫度的降低，使得NOx的排放減少，但扭矩也會相應減小；而點火提前角較大，則會使得NOx的排放增加。試驗表明CO排放與負荷關系較大，工作在大負荷下，CO的排放會明顯增加，沒有發(fā)現點火提前角對于CO排放有較為明顯的影響。通過對液化石油氣汽車發(fā)動機進行點火提前角控制和優(yōu)化，發(fā)動機在不同工況下，均能達到較好的性能和排放效果，基于BP神經網絡的最佳點火提前角優(yōu)化，能在發(fā)動機動力性能與排放性能之間達到平衡［5－6］。

圖3 轉速n＝2 000r／min點火特性

4 點火系統(tǒng)故障診斷

點火系統(tǒng)是液化石油氣發(fā)動機故障發(fā)生率比較高的系統(tǒng)之一，點火系統(tǒng)的工作狀況不僅影響到燃氣汽車工作的可靠性，還影響其動力性和經濟性。對點火系統(tǒng)的技術狀態(tài)進行全面檢測和診斷，可以通過分析初級電路電壓信號和次級電路電壓信號來實現。點火電壓波形屬規(guī)則信號波形，它有下列特點：1）點火電壓是周期信號，其波形每經過一定時間重復一次；2）點火系統(tǒng)各組成環(huán)節(jié)的狀態(tài)信息能夠反映在規(guī)則信號波形結構的不同部位；3）點火系統(tǒng)組成環(huán)節(jié)的狀態(tài)異常能夠表現為波形結構的變化。

根據以上特點，本文通過提取各組成環(huán)節(jié)狀態(tài)對應的波形結構特征，采用模糊模式識別的方法判別燃氣汽車點火系統(tǒng)的技術狀態(tài)。

4.1 點火波形結構特征提取與數學模型的建立

點火系統(tǒng)的故障總是會引起點火波形一定程度的變化，同一種類型的點火故障會具有相類似的點火波形，由于在實際檢測過程中，對波形的測量數據具有一定的隨機性，其隨機數據期望值會隨著不同的故障、不同的發(fā)動機類型在一定的范圍內發(fā)生變化，同一種故障的點火波形僅僅相對于其它類型故障的點火波形具有一定相似性。因此，僅僅采用普通數值界線法是無法從紛繁復雜的各種點火波形變化中準確識別故障類型。因此采用模糊模式識別的方法，即給定論域U上的n個模糊子集（模式）Ai∈U，i＝1，2…，n，又設一個模糊子集B∈U，為待識別模式。要判斷B與給定的哪一種模式Ai最貼近，本文通過貼近度按擇近原則來識別。貼近度是表示兩個模糊集接近程度的數量指標，由于測度貼近度計算方便，能比較有效地表示模糊集接近程度，點火系統(tǒng)故障識別采用測度貼近度，其定義如下：

點火電壓波形識別是以一組特征參數｛x1，x2…xn｝，即一個子樣為研究對象，全體特征參數的集合構成論域U，由于波形數據結構復雜多變，只有經過大量標準的故障試驗和數理統(tǒng)計，才能摸索出其變化規(guī)律。如圖4所示，借助點火電壓（kV）、燃燒電壓（kV）、初級電壓（V）、點火段（ms）、中間段（ms）、閉合段（ms）以及峰谷值序列來描述點火電壓次級波形和初級波形。特征參數越多越細，波形描述越詳盡，獲取的故障信息也就越多，但計算會更加復雜。電壓波形結構由直流段單元和波動段單元（高頻振蕩，初級振蕩，雜波）相間構成，設電壓波形時域信號為：xk＝｛x（k）｝，k＝1，2，…，N。各種典型故障波形對應不同的特征參數Xk變化范圍，同一類故障的Xk值基本符合正態(tài)隨機分布。

圖4 點火次級波形特征提取

根據統(tǒng)計規(guī)律求出期望E（Xk），由E（Xk）描述的故障波形是同類故障的理想化模型，為模式識別提供了相似性的判別標準。典型故障模糊子集如：A1為高壓線松動，高壓導線電阻值過大；A2為白金觸點間隙過大；A3為最高次級電壓過低使火花塞沒有跳火；A4為斷電器活動觸點臂彈簧太弱。

點火系統(tǒng)特征參數次級點火峰值（kV），燃燒電壓（kV），點火段（ms），閉合段（%）、初級峰值電壓（V）隸屬度的確定，通常根據大量試驗和統(tǒng)計分析而定。在具體研究和分析了相關標準和故障波形的特性后，根據特征參數Xk各自變化范圍，確定相應的隸屬函數（表2）。

表2 波形特征參數的隸屬函數

4.2 試驗與分析

根據本文提出的波形模糊識別方法編制識別程序，對實測點火電壓波形進行識別，下面給出部分試驗分析與故障識別結果，建立的典型故障波形模糊子集如下：

1）高壓回路中阻抗過大 A1＝（0.8，0.5，0.8，0.5，0.9，0.9，0.8，0.6，0.6，0.5，0.3，0.2，0.2，0.1，0.1，0.5，0.2，0.2，0.1，0.1）。

2）觸點間隙過大 A2＝（0.8，0.5，0.8，0，0.8，0.7，0.7，0.6，0.5，0.3，0.1，0.3，0.2，0.2，0.1，0.1）。

3）次級電壓過低致使火花塞沒有跳火 A3＝（0.2，0，0，0.5，0.9，0.8，0.7，0.6，0.6，0.5，0.4，0.3，0.2，0.1，0.4，0.2，0.2，0.1，0.1）。

4）斷電器活動觸點臂彈簧太弱 A4＝（0.8，0.5，0.8，0.5，0.8，0.7，0.6，0.5，0.3，0.1，0.4，0.8，0.7，0.6，0.3，0.2，0.1，0.1）。

待定波形的模糊子集為B＝（0.8，0.8，0.8，0.5，0.8，0.6，0.5，0.4，0.2，0.1，0.5，0.7，0.8，0.5，0.6，0.1，0.4，0.1），則由上述方法，可以分別計算出B與Ai的測度貼近度：N（B，A1）＝0.5702，N（B，A2）＝0.5876，N（B，A3）＝0.4722，N（B，A4）＝0.8181。可以得出，故可以判斷出B與A4最為相似，表明斷電器活動觸點臂彈簧太弱。

5 結束語

本文構建了燃氣汽車LPG發(fā)動機點火控制系統(tǒng)，研究了基于BP神經網絡的最佳點火提前角優(yōu)化問題，在NJG415P單燃料燃氣發(fā)動機臺架試驗得到的多個訓練樣本，利用建立的BP神經網絡模型，通過學習得出各層神經元權值，進行點火提前角優(yōu)化，將訓練得到的點火提前角最佳值與臺架試驗得到的最佳值比較，僅發(fā)現在允許范圍內的極小誤差，減輕了大量的標定試驗工作。本文還對不同點火提前角的燃氣發(fā)動機動力性能與排放性能進行研究，提取點火波形結構特征，采用模糊模式識別的方法判別燃氣汽車點火系統(tǒng)的技術狀態(tài)。試驗結果表明：本文所建立的BP神經網絡模型對于燃氣汽車發(fā)動機最佳點火提前角的優(yōu)化控制具有較好的效果。

［1］ Scoton P G，Wellstead P E.Self-tuning optimization of spark ignition automotive engines［J］.IEEE Control Systems Magazine 0272-1708／90／0400-0094 21-23 June，1989，Page（s）：1 983－1 988

［2］ Hafner M，Schuler M，Nelles O，et al.Fast neural networks for diesel engine control design［J］.Control Engineering Practice，2000（08）：1 211－1 221.

［3］ 簡林莎，邊耀璋，張春化.天然氣／汽油兩用燃料汽車點火提前角適應性優(yōu)化設計［J］.中國公路學報.2004（01）：110－113.

［4］ 阮登芳，鄧兆祥.恢復改裝天然氣發(fā)動機動力性能的措施［J］.重慶大學學報（自然科學版）.2005（05）：15－18，23.

［5］ 何義團，安 娜，鄧 蛟，等.點火提前角對CNG發(fā)動機燃氫怠速性能的影響［J］.重慶交通大學學報（自然科學版）.2011（02）：110－113.

［6］ 王 欣，張紅光，姚寶峰，等.小負荷時天然氣發(fā)動機點火提前角對排放影響的試驗研究［J］.車用發(fā)動機.2010（03）：86－89.

［責任編校：張 眾］

Research on Optimizing Ignition Control System and Fault Diagnosis in LPG Automotive Engines

CUI Hong-wei，ZHU Liang-hong
（School of Transportation ＆Automotive Engin.，Shenzhen Polytechnic，Shenzhen518055，China）

The relationship of ignition timing，LPG engine performance and emissions were researched in this paper.At various work conditions optimum ignition angles were acquired.Because of the implementation of optimum ignition system based on BP neural network，LPG engine performance was greatly improved.The testing results of NOx and CO emissions show that ignition control system established in this paper is accurate and practical.Technical condition of ignition system was identified based on fuzzy pattern recognition method.

ignition system；engine；control system；neural network

U464.136

A

1003－4684（2014）02-0086-05

2014－02－21

廣東省教育科學“十二五”規(guī)劃2012年度科研項目（2012JK296）

崔宏巍（1974－），男，河南安陽人，工學博士，深圳職業(yè)技術學院副教授，研究方向為汽車測控技術