柴油發動機燃油系統故障診斷與處理研究

黃福撐

【摘 ?要】現代科技水平的提升使得柴油機系統變得更加復雜，功能完善性不斷提升。如果某一個環節或是某一個零部件出現故障之后會直接關系到柴油機系統的安全性和可靠性。對于柴油發動機燃油系統來說，其內部結構復雜而特殊，對于系統的故障診斷工作能夠有效地推進可靠性評價工作的落實，為故障診斷提供理論依據與技術基礎。

【關鍵詞】柴油發動機;燃油系統;故障診斷與處理

0.引言

系統的可靠性研究本身成為工業領域的研究重點，而在現代化生產發展要求的背景之下，設備的結構變得更復雜，自動化程度更高，會有更多因素會導致設備故障降低其預期功能，產生潛在的經濟損失或其它技術缺陷。確保設備的正常運行避免重大安全事故勢在必行，因此對于機器設備運行狀態的判定和研究也需要從結構和組成的角度進行故障診斷和故障處理。

1.故障診斷與處理的有關內容

1.1 故障診斷技術研究

故障診斷指的是對被診斷設備進行識別與分析，判斷故障的程度和影響等，包括系統是否還具有維修價值，從而確定檢測設備的狀況和故障類型。在此基礎上還可以完成必要的信息獲取過程。我國對于柴油發動機等內燃機的系統故障探索性研究時間比較晚，但隨著現代社會自動化程度的提升，故障診斷與處理開始從被動維修轉變為預判維修。從流程來看，需要先選擇合適的測量方法和測量位置，再選取特征信號按照特征信號進行狀態判定，分析特征信號和設備之間的聯系后，最后對設備運行狀態進行總結。整個診斷過程劃分為三個階段。

第一階段是信號采集階段，借助檢測儀器完成對于目標特征值的檢測，然后利用傳感器將系統狀態信息轉變為電信號，提取之后應用于數據處理設備當中，用于開展系統診斷。而是否能夠對系統狀態進行診斷是十分重要的工作環節，因此可選擇某些水平更高的傳感器來保障診斷水平。

第二階段則是信號提取與信號處理階段，即從信號當中提取最能夠反映出設備故障信息的特征參數用于故障診斷，從傳感器混合輸出信號中提取和篩選，然后對比設備在正常運轉時的信息以進行狀態檢測，我們熟悉的神經網絡分析就是該階段經常使用的技術手段。

第三階段則是故障類型判斷，按照機械知識和維修實踐經驗對設備狀態作出判定之后作出維修方案，其中最為重要的內容在于確定系統參數和故障診斷信息，以診斷系統和故障方法等相關的知識作為輔助內容?，F階段人工智能和神經網絡相關的內容也取得了穩定的效果，使得診斷系統的開發研究工作更加深入和專業。

2.柴油發動機燃油系統的故障診斷

2.1 燃油系統噴射過程

燃油系統作為柴油機的主要組成部分，如果燃油系統的某個區域出現故障，那么燃油系統當中的很多參數會發生轉變，集中表現為壓力波形圖的狀態、波形參數值改變等，對于壓力波形圖的分析結果可以讓我們提取出對應的故障特征信息判斷燃油系統處于怎樣的工況以達到故障診斷的最終目的[1]。整個系統劃分為低壓油路與高壓油路兩個部分，部分柴油機還會安裝附件完成柴油的儲存、過濾等。

在油自身的重力作用下油進入低壓油路之后通過加壓，讓高壓油管進入噴油器霧化后進入燃燒室，這一噴射過程實際上是噴油泵和高壓油管的配合工作過程，在短短的時間內可以讓高壓油管的壓力迅速上升，而壓力變化之后燃油本身的可壓縮性也讓油管的彈性變形特征顯著，壓力波在高壓回路內的傳快速度讓噴射過程更加復雜。

2.2 壓力波數據分析

由于柴油機燃油系統狀態信息在壓力波形當中會得到體現，如果燃油噴射系統出現問題后原有的供油狀態也會因此而發橫改變讓各類參數發生變化，例如波形形態或是波形參數值等。在綜合專業領域的知識分析結構之后可以判斷燃油壓力波形的周期性特點，以采樣分析來獲取波形結構，各個特征參量之間的集合物理意義也可以被用于符號化的波形分析。

使用高壓油管壓力波形展開故障診斷的過程當中一般會使用兩種方法，一種是內接式，另一種則是夾持式，前者是把壓力傳感器直接串聯在燃油噴射系統的油腔之內，直接對油腔之內的壓力波動進行測量，但這種方法本身涉及到對于高壓油路的改裝過程。后者則是直接利用在高壓油管的傳感器來測量出膨脹量等參數來體現出油壓波形特征。

根據燃油系統的特征可以對特征譜信息進行分析反映出整體工況特點，確保信號提取環節的可操作性。具體來看要選擇那些路徑最短的區域來確定設備的運行要求。在不影響傳感器測量精度的前提之下，應多設置測量部位和檢測點。

3.故障診斷與處理技術

3.1 基于BP神經網絡的故障診斷

BP神經網絡算法簡單而有效，在當前的工程領域得到了廣泛應用，而且具有很好的效果，以誤差的反向傳播來調整神經網絡的權值與閾值，讓網絡的誤差平方和最小，其拓撲結構當中也包含輸入層、隱層以及輸出層。其中輸入信號正向傳播和誤差信號反向傳播是BP神經網絡算法的兩個基本方面，其中正向傳播是從輸入到輸出的順序進行，反向傳播則是從輸出到輸入反向進行。綜合來看該故障診斷方法采用非線性規劃當中的最快速率下降方式按照誤差函數負梯度方向修改權值和向量，但需要考慮到網絡結構的優化選擇和收斂速度問題，在實際應用過程當中可以考慮自適應調整學習速率來減少學習時間[2]。

在故障診斷方面，以BP神經網絡完成對于已知故障征兆樣本集的訓練讓網絡達到預設的診斷精度獲得故障模式。將需要檢測的樣本輸入至已經訓練完畢的BP神經網絡當中之后可以與標準故障模式展開對比得出診斷結果和故障類型。通過故障診斷過程獲取信息數據之后，就可以讓結果和實際情況相互吻合，例如判斷是否出現哀難了針閥泄漏、出油閥失效等。由于某些比較小的差別并不會引起油壓波形的顯著改變，但通過神經網絡進行是被之后就可以讓診斷模型更加智能化提升故障的識別和分析能力，即便是在復合型故障產生后也可以進行有效識別，獲取良好的樣本數據來支持故障分析環節[3]。

3.2 基于SOM神經網絡算法的故障診斷

神經網絡具有良好的映射能力，并且可以通過非線性模型來進行故障診斷，對實際過程參數值進行偏差調整，利用神經網絡的建模力來解決某些復雜問題，從而更好地提高診斷效率和診斷效果。而基于SOM自組織特征的映射神經網絡可以突出訓練過程當中的自動性特點來提取數據當中的某些重要規律信息，在輸入層完成故障識別。按照競爭學習原理可以建立學習算法和網絡模型，并且展開網絡樣本設計與訓練測試，最后對結果作出判定得到故障的基本規律條件。

4.結語

隨著未來智能檢測手段技術的進一步發展，在柴油發動機燃油系統故障的診斷過程當中可以充分利用人工神經網絡的優勢所在做好學習和訓練，輸出機械的工作狀態信息，將這些信息與歷史故障信息做好對比。這樣一來可以確定系統故障產生的部位與原因，并且完成對于故障的初步診斷和后續緊密診斷，對系統工作過程做出說明并建立有關的模型，精確定位故障采取處理措施。

【參考文獻】

[1]仝兆景，石秀華，王文斌，等.柴油發動機燃油系統故障診斷研究[J].機械與電子， 2013（08）：28-31.

[2]王金鑫，王忠巍，馬修真，等.柴油機燃油系統多故障的解耦與診斷技術[J].控制與決策， 2019，34（10）.

[3]于洋，華樹明，王向軍.核電廠18PA6B柴油發電機組低壓燃油系統增壓泵頻繁啟動問題分析處理[J].裝備維修技術，2020，175（01）：95-96.