论文部分内容阅读
摘要：发动机失火故障是致使发动机排放超限且影响发动机动力性的严重故障之一。本文对汽车发动机失火故障诊断方法进行了探讨。
关键词：汽车发动机；失火故障；诊断方法
发动机失火故障诊断是汽车车载诊断系统的重要组成部分，当发动机出现失火故障时，若不及时检修且继续使发动机运行，会引起催化器的加速损坏，其结果是导致后处理系统的损坏及排放污染物的严重超标。因此，汽车发动机失火故障诊断方法相当重要。
一、发动机失火简介
发动机失火是汽车故障的一个现象，指一个或多个气缸不工作。发动机失火后将直接导致汽车怠速不良、加速不稳、增加积碳等故障现象，由于未进行燃烧的混合气会直接排至大气，不仅会污染大气，由于三元催化器内温度较高，还会直接损坏三元催化和排气管放炮等现象。造成失火现象其主要原因为单缸或多缸气缸内混合气不燃烧造成，发动机喷油不足、气缸压缩压力不足、点火不足及进排气故障都会造成失火现象。
二、失火故障判别依据
1、发动机粗暴度。发动机粗暴度是近年来才被提出来的新术语，其表征的是发动机角加速度变化，用来评估发动机运转的平顺性，可用于发动机失火故障诊断，当ER值高于设定的阈值时，便可判定发动机燃烧时发生了失火。该方法的经济性和精确性已在大量的实车测试中得以验证，是目前比较常用的失火检测方法，具有十分广阔的发展前景。粗暴度是根据曲轴转速波动分析计算而来，在进行失火检测时，系统首先由曲轴信号计算半转周期，然后对计算出来的半转周期进行齿形修正，又俗称断油自学习。接着进行供油自学习修正，补偿供油系统、点火系统偏差导致的转速波动，最后便可计算出ER值，判断是否失火。需注意的是，该失火诊断算法的精度主要取决于半转周期的测量是否准确，即断油修正和供油自学习修正算法能否完全消除半转周期中各种噪声引起的诊断误差。针对此问题，时域滑动平均修正算法和多重滤波失火诊断算法，可有效解决半转周期导致的误差，不需进行断油自学习修正和供油自学习修正即可准确检测多缸随机失火。
2、气缸压力。发动机运行过程中，燃烧室的压力值与气缸内部的燃烧质量直接相关，分析燃烧室压力值的变化情况，可有效地用于失火故障诊断。将一种水冷型的压电式压力传感器安装于缸盖内侧上止点处，研究失火对气缸压力的影响，进而获取发动机缸压的度量标准用于失火检测。由于失火故障与上止点处的指示平均有效压力、最大缸压、不同曲轴转角位置的缸压具有很大的相关性，因此可用于区分失火和正常状态。之后，可进一步研究失火对废气、缸压变化轨迹、指示平均有效扭矩、热释放率和燃烧相位度量标准的影响，可发现最大缸压对应的曲轴转角和燃烧起始参数变化对失火检测并没有作用，而上止点处不同曲轴转角处的缸压变化与失火故障发生具有很强的相关性，进而利用人工神经网络实现HCCI发动机失火故障的诊断，具有较高的精度。但由于燃烧室内环境恶劣，加之传感器的耐用性及制造成本高等问题，使这项技术的推广应用受到制约。
三、汽车发动机失火故障诊断方法
1、基于数据的失火故障诊断方法
1）失火故障数据预处理。信号处理与特征参数提取是基于数据的失火故障诊断方法实现的关键，它将有助于提高失火故障诊断的精度和诊断算法的收敛速度故障数据处理过程。信号处理有助于进一步提高网络响应的速度，自适应多尺度形态梯度算法是信号处理的一种有效方法，综合利用小尺度下能保留信号细竹（如冲击特征信息）和大尺度下抑制噪声能力强的优点，能在强噪声背景下有效地提取振动信号中能反映发动机工作状态的有用分量。基于此采用非负矩阵分解的特征提取方法对信号进行压缩，计算用于发动机故障诊断的特征参量与传统的信号处理，与特征参量提取方法相比，该方法具有更高的分类精度，为准确判断发动机故障状态提供了一种行之有效的新方法。
2）结合神经网络的失火故障诊断。结合神经网络方法进行发动机失火故障诊断是目前应用最广泛的方法之一。神经网络对高压共轨式电控柴油机故障进行诊断，结合动量自适应学习率算法实现对神经网络权值的自适应设计，有效缩短网络训练的时间。鉴于RBF网络响应比BP网络更迅速，收敛更快的特点，运用RBF网络实现，对电喷发动机故障的诊断。针对Elman网络增加隐层或系统阶次学习效率低、精度不高等问题，进一步提出改进型Elman网络，用于实现发动机点火故障的诊断，从而获得较高的诊断精度。提出了增量式學习神经网络，相比BP神经网络，它具有在线增量式学习能力，且不遗忘系统己有的专家知识，失火检测能力更好，可进一步实现离线和在线失火故障诊断。
2、基于模型的失火故障诊断方法
1）滑模观测器设计方法。基于滑模观测器设计的失火故障诊断方法应用广泛，具有较高诊断精度，且鲁棒性好。利用非线性滑模观测器实现对缸压和燃烧热释放率的估计，可实现对失火故障的诊断。将曲轴净扭矩与指示扭矩的差值定义为扭矩偏差，通过滑模观测器设计对气缸扭矩偏差的估计，将输入值估计问题转化成控制跟踪问题，并根据动力冲程的扭矩偏差估计值，获得平均扭矩偏差，进而实现不同工况下失火故障的在线诊断。
2）模型不确定性因素影响。针对发动机状态复杂性高，模型本身存在不确定性，导致系统状态监测的难度加大等问题。可结合贝叶斯线性模型、贝叶斯因子方法和贝叶斯平均法的状态监测模型，其实质为数理统计学概率应用模型，能实现发动机在复杂环境下对最优模型的组合策略，降低模型的不确定性。同时，也可基于一种转移概率的参数和状态估计模型，能在自定义的有效时间间隔内反映出监测数据的噪声、参数的随机性改变和模型的不确定性，并建立系统从正常到故障状态的空间映射，从而实现故障的诊断。然而，当系统含有大量的不可测变量时，系统计算量会急剧增加，导致模型失效。实车工况中，模型不确定性更加明显，且受干扰较为严重，这将直接影响失火故障诊断的精度。
3、基于数据和模型相结合的失火故障诊断方法。结合数据和模型的失火故障诊断方法发挥两种方法的优势，提高失火检测方法的精度，但无疑增大了检测方法的复杂度，使方法的实现更加困难。有学者根据神经网络先验知识的特点，提出PID神经网络的控制策略，实现发动机系统的辨识和故障的诊断。然而，神经网络应用最重要的步骤是网络的训练，该过程需大量包含不同工况的数据。基于此，建立基于热动力学和机械原理的发动机模型，可模拟不同工况下的燃烧故障，获取所需的曲轴扭转振动信号和发动机振动信号，并提取出最优的特征信息，进而训练基于自诊断系统的多重感知器神经网络和概率神经网络，以实现发动机故障的诊断、类型识别、定位及严重程度的判断。该方法具有较好的失火检测和定位性能，并能有效估计严重程度，扩大受限速度和载荷范围。另外，考虑从实车环境中获得模型参数，将0BD因素、发动机转速、进气温度、增压压力、废气温度、水温和耗油量作为神经网络输入，并采用发动机故障模式树分析方法选取参数值，失火检测算法会有更好的诊断精度。
四、结语
失火故障检测吸引了众多学者和工业从业者的关注，发动机失火将直接导致汽车发动机动力性能大幅度降低，并有可能损坏催化转换器，导致废气排放量增加。在实际工况中，引起失火的因素颇多。因此，进一步完善全工况范围内的失火故障诊断方法，应将失火故障诊断方法研究推广至发动机怠速工况。
参考文献：
[1]刘建敏.基于神经网络信息融合的发动机失火故障诊断[J].内燃机工程，2014（01）.
[2]李增芳.基于粗糙集与BP神经网络的发动机故障诊断模型[J].农业机械学报，2014（08）.
[3]李永福.汽车发动机失火故障诊断方法研究综述[J].自动化学报，2017（04）.
关键词：汽车发动机；失火故障；诊断方法
发动机失火故障诊断是汽车车载诊断系统的重要组成部分，当发动机出现失火故障时，若不及时检修且继续使发动机运行，会引起催化器的加速损坏，其结果是导致后处理系统的损坏及排放污染物的严重超标。因此，汽车发动机失火故障诊断方法相当重要。
一、发动机失火简介
发动机失火是汽车故障的一个现象，指一个或多个气缸不工作。发动机失火后将直接导致汽车怠速不良、加速不稳、增加积碳等故障现象，由于未进行燃烧的混合气会直接排至大气，不仅会污染大气，由于三元催化器内温度较高，还会直接损坏三元催化和排气管放炮等现象。造成失火现象其主要原因为单缸或多缸气缸内混合气不燃烧造成，发动机喷油不足、气缸压缩压力不足、点火不足及进排气故障都会造成失火现象。
二、失火故障判别依据
1、发动机粗暴度。发动机粗暴度是近年来才被提出来的新术语，其表征的是发动机角加速度变化，用来评估发动机运转的平顺性，可用于发动机失火故障诊断，当ER值高于设定的阈值时，便可判定发动机燃烧时发生了失火。该方法的经济性和精确性已在大量的实车测试中得以验证，是目前比较常用的失火检测方法，具有十分广阔的发展前景。粗暴度是根据曲轴转速波动分析计算而来，在进行失火检测时，系统首先由曲轴信号计算半转周期，然后对计算出来的半转周期进行齿形修正，又俗称断油自学习。接着进行供油自学习修正，补偿供油系统、点火系统偏差导致的转速波动，最后便可计算出ER值，判断是否失火。需注意的是，该失火诊断算法的精度主要取决于半转周期的测量是否准确，即断油修正和供油自学习修正算法能否完全消除半转周期中各种噪声引起的诊断误差。针对此问题，时域滑动平均修正算法和多重滤波失火诊断算法，可有效解决半转周期导致的误差，不需进行断油自学习修正和供油自学习修正即可准确检测多缸随机失火。
2、气缸压力。发动机运行过程中，燃烧室的压力值与气缸内部的燃烧质量直接相关，分析燃烧室压力值的变化情况，可有效地用于失火故障诊断。将一种水冷型的压电式压力传感器安装于缸盖内侧上止点处，研究失火对气缸压力的影响，进而获取发动机缸压的度量标准用于失火检测。由于失火故障与上止点处的指示平均有效压力、最大缸压、不同曲轴转角位置的缸压具有很大的相关性，因此可用于区分失火和正常状态。之后，可进一步研究失火对废气、缸压变化轨迹、指示平均有效扭矩、热释放率和燃烧相位度量标准的影响，可发现最大缸压对应的曲轴转角和燃烧起始参数变化对失火检测并没有作用，而上止点处不同曲轴转角处的缸压变化与失火故障发生具有很强的相关性，进而利用人工神经网络实现HCCI发动机失火故障的诊断，具有较高的精度。但由于燃烧室内环境恶劣，加之传感器的耐用性及制造成本高等问题，使这项技术的推广应用受到制约。
三、汽车发动机失火故障诊断方法
1、基于数据的失火故障诊断方法
1）失火故障数据预处理。信号处理与特征参数提取是基于数据的失火故障诊断方法实现的关键，它将有助于提高失火故障诊断的精度和诊断算法的收敛速度故障数据处理过程。信号处理有助于进一步提高网络响应的速度，自适应多尺度形态梯度算法是信号处理的一种有效方法，综合利用小尺度下能保留信号细竹（如冲击特征信息）和大尺度下抑制噪声能力强的优点，能在强噪声背景下有效地提取振动信号中能反映发动机工作状态的有用分量。基于此采用非负矩阵分解的特征提取方法对信号进行压缩，计算用于发动机故障诊断的特征参量与传统的信号处理，与特征参量提取方法相比，该方法具有更高的分类精度，为准确判断发动机故障状态提供了一种行之有效的新方法。
2）结合神经网络的失火故障诊断。结合神经网络方法进行发动机失火故障诊断是目前应用最广泛的方法之一。神经网络对高压共轨式电控柴油机故障进行诊断，结合动量自适应学习率算法实现对神经网络权值的自适应设计，有效缩短网络训练的时间。鉴于RBF网络响应比BP网络更迅速，收敛更快的特点，运用RBF网络实现，对电喷发动机故障的诊断。针对Elman网络增加隐层或系统阶次学习效率低、精度不高等问题，进一步提出改进型Elman网络，用于实现发动机点火故障的诊断，从而获得较高的诊断精度。提出了增量式學习神经网络，相比BP神经网络，它具有在线增量式学习能力，且不遗忘系统己有的专家知识，失火检测能力更好，可进一步实现离线和在线失火故障诊断。
2、基于模型的失火故障诊断方法
1）滑模观测器设计方法。基于滑模观测器设计的失火故障诊断方法应用广泛，具有较高诊断精度，且鲁棒性好。利用非线性滑模观测器实现对缸压和燃烧热释放率的估计，可实现对失火故障的诊断。将曲轴净扭矩与指示扭矩的差值定义为扭矩偏差，通过滑模观测器设计对气缸扭矩偏差的估计，将输入值估计问题转化成控制跟踪问题，并根据动力冲程的扭矩偏差估计值，获得平均扭矩偏差，进而实现不同工况下失火故障的在线诊断。
2）模型不确定性因素影响。针对发动机状态复杂性高，模型本身存在不确定性，导致系统状态监测的难度加大等问题。可结合贝叶斯线性模型、贝叶斯因子方法和贝叶斯平均法的状态监测模型，其实质为数理统计学概率应用模型，能实现发动机在复杂环境下对最优模型的组合策略，降低模型的不确定性。同时，也可基于一种转移概率的参数和状态估计模型，能在自定义的有效时间间隔内反映出监测数据的噪声、参数的随机性改变和模型的不确定性，并建立系统从正常到故障状态的空间映射，从而实现故障的诊断。然而，当系统含有大量的不可测变量时，系统计算量会急剧增加，导致模型失效。实车工况中，模型不确定性更加明显，且受干扰较为严重，这将直接影响失火故障诊断的精度。
3、基于数据和模型相结合的失火故障诊断方法。结合数据和模型的失火故障诊断方法发挥两种方法的优势，提高失火检测方法的精度，但无疑增大了检测方法的复杂度，使方法的实现更加困难。有学者根据神经网络先验知识的特点，提出PID神经网络的控制策略，实现发动机系统的辨识和故障的诊断。然而，神经网络应用最重要的步骤是网络的训练，该过程需大量包含不同工况的数据。基于此，建立基于热动力学和机械原理的发动机模型，可模拟不同工况下的燃烧故障，获取所需的曲轴扭转振动信号和发动机振动信号，并提取出最优的特征信息，进而训练基于自诊断系统的多重感知器神经网络和概率神经网络，以实现发动机故障的诊断、类型识别、定位及严重程度的判断。该方法具有较好的失火检测和定位性能，并能有效估计严重程度，扩大受限速度和载荷范围。另外，考虑从实车环境中获得模型参数，将0BD因素、发动机转速、进气温度、增压压力、废气温度、水温和耗油量作为神经网络输入，并采用发动机故障模式树分析方法选取参数值，失火检测算法会有更好的诊断精度。
四、结语
失火故障检测吸引了众多学者和工业从业者的关注，发动机失火将直接导致汽车发动机动力性能大幅度降低，并有可能损坏催化转换器，导致废气排放量增加。在实际工况中，引起失火的因素颇多。因此，进一步完善全工况范围内的失火故障诊断方法，应将失火故障诊断方法研究推广至发动机怠速工况。
参考文献：
[1]刘建敏.基于神经网络信息融合的发动机失火故障诊断[J].内燃机工程，2014（01）.
[2]李增芳.基于粗糙集与BP神经网络的发动机故障诊断模型[J].农业机械学报，2014（08）.
[3]李永福.汽车发动机失火故障诊断方法研究综述[J].自动化学报，2017（04）.