基于神经网络和瞬时转速的发动机失火故障研究

本资料包含pdf文件1个，下载需要1积分

燃气发动机在工业、农业 、能源和交通运输等领域都有广泛应用，是现代动力设备的主要成分，其运行状态直接关系到生产安全性和生产效率。但是由于发动机运动部件较多，内部结构又相对复杂，而且经常在高温、高压等恶劣条件下工作 ，所以故障率较高 J。因此对发动机的故障进行诊断是十分必要的。

对发动机的诊断方法主要有性能参数分析法、油液分析法、振动监测法和瞬时转速分析法 。每种方法都有各自的优缺点，如振动监测法虽然诊断速度快、准确率高、定位性强，能够实现早期报警，但是由于发动机结构的复杂性和状态的不确定性，振动的激励源众多且相互之间存在干扰，这种方法只能适用于当前收稿日期：2013-03-13基金项目：国家重点基础研究发展计划(973”计划)资助项 目(2012CB026000)；国家 自然科学基金重点资助项目(51135001)作者简介：王维琨(1988-)，男，山西运城人，主要从事发动机故障诊断方面的研究工作.E-mail：人：江志农，男，研究员，博士生导师.E-mail：jiangzhinong###263.net第 7期 王维琨，等：基于神经网络和瞬时转速的发动机失火故障研究机器 ，可移植性较差。神经网络在故障诊断中的应用起源于上世纪 80年代末，经过长时间的发展和国内外众多学者的深入研究，其在故障诊断领域已经有了广泛应用 。

本研究通过把曲轴的瞬时转速与 BP神经网络结合起来，提出-种对发动机气缸故障诊断的方法。

1 曲轴瞬时转速与气缸失火故障之间的理论研究的关系，当发动机某个气缸发生失火故障时，其气体压R∑P (sin(0 )了A s：n2(0 ))-1m 2 n2耋-- sin (in03 Pi) -，sin2 ]c式中： -有气缸的动力扭矩， -总的阻力扭矩，A-曲轴半径与连杆长度之比，凡-气缸个数， -第 i八 ) d O 薹P (sin( ) 。

sin2( )1-等薹( -sln/ 1 ( )- Z-、sin2(0 )- sin3(o ))- (2)速波动率， -f(0)/w，可以得出 也是随曲轴转角 0征参数。以-个四冲程的四缸 V型发动机为对象，点火顺序是：2样缸 -1#缸 -4#缸 -3#缸，各个物理参数已知，在4个气缸上安装动态压力传感器，以测量整个周期的压力数据。用 Matlab对公式(1)进行仿真，得出波形图如图 l所示。

可以看到瞬时转速波动率在-个周期内的波形图，参照文献[8]中的方法，本研究选取的特征参数为瞬时转速的峰值和谷值，分别对应图中标出的8个点，即：参数 1(瞬时转速峰值)：A(i)maxmax(A( ))，i1，2，n，凡为气缸个数；参数 2(瞬时转速谷值)：A( )rainmin(A(i))， 1，2，n， 为气缸个数。

图 1 正常瞬时转速波动率随曲轴角变化曲线及特征参数的选取2 BP神经网络2.1 BP神经网络故障诊断原理BP网络(误差反向传播神经网络)应用极为广泛，是-种多层向前型神经网络，采用 s型函数作为传递函数，能实现从输入到输出的任意非线性映射 。

BP神经网络从结构上分为输入层、隐层、输出层3部分，层与层之间是全连接的形式，同-层之间无连接。

BP网络在进行故障分类时，不需要建立故障模式的数学模型，并且具有自学习、自适应的能力，通过学习的网络还具有 自动提取故障特征的能力，所以适合于故障诊断。

2.2 BP神经网络的局限性随着 BP神经网络应用范围的扩大，国内外不少专家学者都对其进行了大量研究，同时也暴露了-些缺点和不足，主要有以下几个方面 ：(1)训练时间长。如果碰到复杂的问题，BP网络的训练时间可能达到几小时甚至更长，其主要原因是· 826· 机 电 工 程 第 30卷由于学习速率校但是，可以通过改变学习速率来达到提高训练效率的目的。

(2)完全不能训练。在训练网络的过程中，如果权值调的过大，会出现网络麻痹现象，使得训练停顿下来。不过可以通过选认小的初始权值或者较小的学习速率避免这种现象的发生，但这又使得训练时间变长。

(3)局部极小值。BP网络可以得到-个收敛的解，但不能完全保证这个解是全局最锈，也可能是-个局部极锈。这是由采用的梯度下降算法自身的局限性导致的。

虽然 BP网络存在-些不足之处，但这并不能完全否定 BP神经网络在故障诊断中的应用，只要合理地对网络进行改进，将其应用于对故障进行诊断的方法还是有效的、可行的。

3 故障情况模拟正常工作时，气体压力扭矩是有规律的周期性变化，当单缸故障产生时，气体压力扭矩图形会有差别，从而对波形周期产生影响，使曲线发生畸变，而且当不同缸发生故障时，根据点火顺序，会在不同的曲轴转角处产生波形畸变，从而可以据此判断出故障缸号。

以1#缸停止点火为例，根据公式(1)得到的故障曲线和正常曲线如图2所示。

可以看到，正常时和单缸停止点火时瞬时转速波动率曲线是有明显差别的，而产生差别的位置就处在不点火气缸(1#缸)的点火角度上。这种差别为下-步根据特征参数进行故障诊断提供了理论依据。

图2 1#缸停止点火故障与正常瞬时转速波动率曲线l-正常曲线；2～故障曲线4 利用 BP神经网络的数据处理4.1 样本的获取由上文可知，发动机正常工作时和某-气缸不点火时这两种状态下瞬时转速波动率曲线是有明显差别的，并且发动机气缸不点火故障是典型的、最常见的故障之-。本研究用 Matlab编程分别提取出正常工作、1#缸不点火、2#缸不点火、3#缸不点火、4样缸不点火时的特征参数，每种情况下提取 100组，共 500组，作为网络的训练样本，再重新提取 5种状态下各 20组作为测试样本。故障模式分类及故障、测试样本部分数据如表 1～3所示。

表 1 故障模式分类故障模式 对应描述正常1点火故障2样点火故障3#点火故障4#点火故障表 2 故障样本数据4.2 BP神经网络的训练神经网络训练过程实际上就是得到权值跟阈值的过程。本研究通过对输入样本进行训练，建立预期的网络。根据已有的数据和经验积累，形成大量的输入第 7期 王维琨，等：基于神经网络和瞬时转速的发动机失火故障研究与输出组，通过网络 自学习来建立权值和阈值并不断对其进行调整，最终使网络的实际输出与 目标向量尽可能接近。本研究采用的BP神经网络，输人层神经元个数为 8个，输出层神经元个数为5个，隐层神经元个数为 17个。隐层和输出层神经元的激励函数取tansig”和logsig”，网络训练函数劝trainlm”，系统总误差为0.01。网络的训练情况如图3所示。

霉 1O. 梯度0 094 352，步长为85验证检查O，步长为85褂 0.5扑 0学习速率：0 449 54，步长为850 l0 2O 3O 40 50 60 7O 8O步长为85图 3 网络的训练情况4.3 BP神经网络诊断结果通过给定在正常、1#、2#、3#、4#缸失火每种情况下2O组测试样本，系统得到结果的准确率分别为 100%、95%、100%、95%、100%。在实际应用中，还要通过增加训练样本数目或者对网络算法进行改进的方法，使得诊断结果更为准确，系统误差更校5 实验验证在实际实验中，本研究对发动机 3号气缸点火线圈进行破坏，使其在工作中不点火，得到瞬时转速波动率曲线如图 4所示。本研究用 Matlab程序提取出曲线的特征参数分别为：-9.213 6，28.484 3，-13.131 2，214.830 5，-200.635 6，-165.022 4，-253.570 9，图4 3#缸不点火时瞬时转速波动率曲线本研究把特征参数代入到已经训练好的神经网络程序中，最后系统给出的响应为：3。这说明是 3#气缸失火，与研究人员诊断的结果-致，证明了利用瞬时转速和神经网络诊断发动机气缸失火故障的可行性。

6 结束语笔者研究了基于瞬时转速和 BP神经网络技术在发动机气缸故障诊断中的应用，并得出如下结论：(1)发动机曲轴瞬时转速信号能够反映发动机气缸的失火故障，提取的特征参数能用于发动机的故障诊断；(2)BP神经网络结构简单、方法容易，对发动机故障诊断的准确度比较高，能用于对发动机失火故障的早起预警；(3)在实际应用中，应通过大量的样本对网络进行训练，这样才能使得系统的准确性更高。