探討汽車發動機失火故障診斷方法

蔣繼良

摘 要：改革開放以來，人民的物質生活水平不斷提高，汽車也逐漸普及，走進了千家萬戶。但是伴隨而來的是今天的交通事故不斷增加，刨除人為因素，很多事故中的事故原因都與汽車故障有關。汽車車載診斷系統可以對汽車故障進行診斷，而這一系統中的一項重要組成部分，就是發動機失火故障診斷。文章探討汽車發動機失火故障的診斷方法，對多種發動機失火故障診斷方法進行總結。

關鍵詞：汽車故障；發動機失火；故障診斷

前言：失火故障指的是，在沒有人為破壞的情況下，發動機內部的部件發生問題，導致發動機在氣功的做功階段燃燒異常的情況，例如，氣缸密閉性問題，火花塞故障和噴油塞阻塞等問題。汽車發動機出現失火故障時，會對于汽車的運行造成嚴重的影響，如果情況嚴重，甚至會釀成嚴重的事故，乃至危及人身安全。由此可見失火故障的診斷重要意義。除此之外，發動機失火故障的診斷，對于環境保護，也有著重要意義。

1發動機失火故障的判斷標準

1.1氣缸外部的相關因素

判斷發動機失火故障，可以通過曲軸轉速的情況來判斷。在發動機發生失火故障時，氣缸內部的實際壓力，會通過曲軸轉速表現出巨大衰減，可以通過這一現象，對于發動機失火故障進行具體的判斷。在實際的診斷過程中，可以通過曲軸瞬時角速度或曲軸瞬時凈扭矩來作為判斷的標準。曲軸瞬時角速度，在氣缸的正常狀態和失火狀態，其波形具有規律性。因此，我們可以通過對氣缸內部瞬時角速度的波形變化，來對發動機進行失火診斷。還有研究表明，通過曲軸瞬時角加速度用于診斷發動機失火故障效果會比曲軸瞬時角速度準確性更高。因為曲軸瞬時角速度在發動機的某些特殊情況下，會產生較大的測量誤差，從而導致失火故障的誤判。目前的發動機失火故障的診斷中，還沒有直接通過曲軸瞬時角加速度來直接判斷發動機失火故障的，多數都是通過間接轉換來實現對發動機失火故障的診斷。除了通過曲軸瞬時角速度來對發動機進行失火診斷，還可以通過對曲軸瞬時凈扭矩的測量來進行診斷，曲軸凈扭矩同曲軸瞬時角加速度一樣，無法直接測量以檢測發動機失火故障，只能通過間接測量的方式獲得。發動機失火故障的外部因素中，除曲軸瞬時速度、曲軸凈扭矩之外，還可以通過對機體的噪音、排氣噪音、排放的廢氣成分等方面來進行發動機失火診斷。

1.2氣缸內部的相關因素

氣缸內部的壓力，也是判斷發動機失火故障的一項診斷標準。在發動機運行過程中，燃燒室的壓力值與氣缸內部的燃燒質量是直接相關的。分析氣缸內部的壓力變化，由此判斷失火故障。氣缸內部的運行情況，除燃燒室的壓力值外，還有其他因素，如氣缸內部運行時產生的離子電流信號、光學信號、聲學信號等。對于燃燒室內部的觀察，不僅可以監測其壓力值，還可以觀察燃燒室內部的光學信號。通過光學觀察，統計可見光范圍內的電磁輻射，對燃燒室內的燃料混合物情況，燃燒情況等進行直接的觀察。獲得燃燒室內部的情況，以此來判斷發動機失火情況。除了光學信號外，還有通過離子電流信號來判斷發動機失火故障的標準。在氣缸運行過程中，燃燒室內會產生大量的離子電流信號。這些電離信號，提供了燃燒室內的大量信息，通過這些信息，可以分析出燃燒室內的燃料燃燒情況。當氣缸內部的電離信號發生劇烈變動時，則有意味著發動機發生了異常，并有發動機失火的可能。

2發動機失火故障診斷方法介紹

2.1基于數據的發動機失火故障診斷

發動機失火故障的診斷方法目前不同學者有著不同的具體方法，在總體上，大體可分為三種，基于數據的方法、基于模型的方法、綜合數據與模型的方法。基于數據的發動機失火故障診斷，它的核心內容在于數據的采集與分析。基于數據的發動機失火診斷，常用的診斷方法有概率神經網絡、小波包和極限學習機、振動信號分析等。概率神經網絡是Specht在1989年提出的神經網絡，它有著網絡學習效率高，所需樣本少，容錯性高等優點。概率神經網絡基于貝葉斯理論為算法。貝葉斯理論在統計學等方面有著重要地位，概率神經網絡中，通過貝葉斯分類器可以確保最小錯誤發生率。除概率神經網絡外，還有BP神經網絡、RBF神經網絡等，都可以運用在基于數據的發動機失火故障診斷中。基于數據的發動機失火診斷，已經延伸到了多缸失火。目前，判斷多缸失火主要有兩種方法，分別是運用傅里葉變換，按照發動機的著火順序對變換過程進行各階次的諧波進行分析。不過由于傅里葉變換只能反映整體的特征，無法反映出局部時間范圍的信息，所以這種方法不能具體的對于哪一缸失火進行判斷。還有一種多缸失火判斷的方法是利用整個膨脹沖程中瞬時角速度的最大變化求取平均角加速度，這種方法與前文所提到的曲軸瞬時角加速度標準有關，這里就不重復論述了。

2.2基于模型的發動機失火故障診斷

基于模型的發動機失火故障診斷，是通過對于發動機參數建立模型，依靠模型的信息來判斷失火故障的一種診斷方法。建立模型可以將氣缸內部的數據信息進行模型化處理，構建相關的物理模型，相比于數據診斷更加的準確，也更加便于對失火故障原因的分析，以及對失火故障的理解。基于模型的發動機失火故障診斷中，最基礎的模型內容是平均值模型和離散事件模型。在失火診斷中，需要結合上述兩種理論模型，構建全新的理論模型以分析不同的失火故障類型。想要進行發動機失火診斷，首先要明確發動機的工作原理。發動機內氣缸做功的本質是氣缸內部燃料燃料燃燒釋放化學能，通過這些化學能轉化為動能，驅動發動機運轉。建立氣缸內部壓力的數學模型：

通過對于氣缸壓力模型的分析，獲得氣缸內部壓力變化信息，以此進行發動機失火判斷。同時還可以結合上文所提到的BP神經網絡，進行深度的運算和學習，對數據進行更加準確的預測，更好的進行發動機失火故障診斷。在模型診斷中，滑模觀測器是重要的診斷工具。在具體的診斷中，需要結合曲軸轉速、氣缸扭矩等因素，運用滑模控制理論，設計對應的滑模觀測器。這樣設計的滑模觀測器，可以監測發動機低速運轉時的失火故障。目前運用滑模監測器進行發動機高速運轉時的失火故障診斷還很困難。模型化的診斷方法可以比數據方法更加精準的進行失火診斷，同時對于模型化的參數，也有利于更好的進行失火原因的分析。模型相比于數據的優勢很明顯，同樣的它也有著不如數據的劣勢的一面，基于模型的發動機失火診斷難度遠遠高于數據。由此，產生了新的診斷分類，綜合數據與模型的診斷方法。

2.3綜合的發動機失火故障診斷

綜合數據與模型的發動機失火診斷，是結合了二者優勢的一種失火診斷方法。在實際的發動機失火診斷中，我們無法單純的僅憑一種方法就能準確的進行診斷，基于數據與模型結合的診斷方法，可以更好的實現失火故障的診斷。數據的收集可以進行失火故障診斷，同時還為模型的建立提供參數。建立失火診斷數據模型，通過對模型的參數分析，也能更好地檢驗數據的準確性。無論是RBF神經網絡，還是BP神經網絡，數據的輸入都可以更好地完善神經網絡，使其更好地進行深度學習和運算。這種方法極大的提高了失火診斷的準確性，增強了魯棒性，但是由于結合了數據與模型兩者的因素，也增加了診斷的工作量和復雜程度。

結語

失火故障診斷有著重要的意義，對于失火診斷方法的研究也從未停止，與其他學科的交叉也極大的豐富了發動機失火診斷方法，這對失火診斷工作也起到了極大的推動作用，不斷的提高失火診斷精度和效率，也是未來需要不斷研究的重點。

參考文獻：

[1] 喬新勇，劉建敏，張小明.基于神經網絡信息融合的發動機失火故障診斷[J].內燃機工程，2009，30（ 1）：75-79.

[2] 康蔵，新刃，安鋼.站丁統計模擬的柴油機失火故障的診斷方法.內燃機工程，2004，25（5）：66-68.