润滑油灰分对直喷汽油车GPF性能影响的试验研究

为开发汽油车颗粒捕集器(GPF)快速老化方法,评价GPF的耐久特性,分别在发动机与整车转鼓台架上试验研究了GPF的快速积灰方法和GPF对缸内直喷(GDI)汽油车颗粒物排放、背压、油耗的影响,最后用CT与XRF对灰分的分布与成分进行了分析。结果表明:GPF的积灰效率会随着时间变化逐步上升,最终达到30%左右的稳定值;装有GPF的整车在世界统一的轻型车测试循环(WLTC)下可满足国六颗粒物排放限值要求;随着灰分的不断积累,GPF对颗粒物质量(PM)与数量(PN)仍旧可以保持较高的过滤效率,分别为82%和99%;灰分累积对GPF的背压上升会有一定的影响,最大为6.5 kPa;在WLTC循环测试下GPF内的灰分增加对整车油耗影响并不明显,最大为1.25%;灰分主要组成物质为CaO和P_2O_5,主要沉积在GPF末端特别是在中心区域,为总含量的71.2%。

汽油机颗粒捕集器的快速积灰与灰分分析

为缩短获得汽油机颗粒捕集器(Gasoline Particulate Filter,GPF)目标灰分量的时间,以便分析灰分对GPF的影响,针对缸内直喷汽油机,以润滑油和汽油的掺混油为燃料,在发动机台架上对GPF进行了快速积灰,并将积灰后的GPF切割进行X射线荧光光谱(XRF)分析及比表面积(BET)分析。结果表明,该方法缩短了获得目标灰分的周期,积灰速度为0.8 g/h,积灰效率达28%左右;GPF对灰分中不同元素的过滤效率不同,主要化合物沿其径向分布逐渐减少,轴向分布受外部因素影响较为明显。

基于神经网络的汽油机颗粒捕集器故障诊断

为满足国六排放法规,搭载缸内直喷发动机的汽油车必须安装汽油机颗粒捕集器(Gasoline Particulate Filter,GPF)以限制颗粒物排放。GPF的故障诊断因标定困难、诊断频率低等问题,成为排放技术的研究重点。结合神经网络的非线性分类特性,提出了一种基于神经网络的GPF故障诊断算法。算法以GPF的诊断原理作为依据,采集稳态工况信息和对应的GPF前后压力信号作为特征输入,构成神经网络数据集;应用加噪等方法对网络结构进行优化,通过大量实验确定合适的网络参数进行泛化性能评估。评估结果表明:基于神经网络的GPF诊断算法具有良好的准确率和泛化能力。基于NI PXI系列软硬件开发了一套GPF诊断算法测试平台,对算法进行嵌入和可行性验证。测试结果表明:GPF诊断算法在发动机台架环境下能够完成故障的实时诊断和决策,满足设计要求。

润滑油灰分对GPF耐久性及碳烟再生性能的影响

为探究润滑油中灰分对汽油机颗粒捕集器(GPF)耐久特性以及碳烟再生性能的影响,基于快速积灰法进行了台架试验、整车试验和断层扫描(CT),分析了发动机扭矩、排气系统背压、灰分质量、排放效果以及CT剖面图等多项数据。结果表明:润滑油灰分等级越高,产生的灰分越多,被捕集到GPF内的灰分比例也越大;积累在GPF中的灰分会导致发动机的性能下降,但气体排放得到优化;少量灰分可提高碳烟再生速度,但灰分过多或无灰都会使再生速度降低。

基于神经网络的汽油车三效催化器老化诊断

随着汽油车后处理系统复杂程度的提高,三效催化器的故障诊断需要解决建模难度大、标定成本高等问题。结合神经网络在处理非线性问题上的优势,提出一种基于神经网络的汽油车三效催化器老化诊断算法。算法以三效催化器的老化机理为基础,采集催化器前后氧传感器信号作为特征输入,结合不同故障进行编码,构成网络训练和测试所需的数据集;分别应用反向传播神经网络(Back Propagation Neural Network,BPNN)和深度置信网络(Deep Belief Network,DBN)的模型架构,对训练过程各参数进行调优,并对诊断结果进行测试。试验结果表明:基于神经网络的诊断算法建模简便,具有较高的诊断精度和泛化能力;诊断架构上,DBN相对于BPNN简化了特征提取过程,拥有更高的诊断精度。

润滑油灰分对直喷汽油机颗粒捕集器性能影响

为研究不同灰分等级润滑油对汽油机颗粒捕集器(GPF)耐久性能的影响,本文基于快速老化试验,分析了灰分累积对发动机转矩、油耗、背压、过滤效率、气体污染物转化效率以及储氧性能的影响。结果表明:润滑油灰分等级越高,加载在GPF中的灰分越高,灰分的捕集率也越高;灰分累积会使发动机动力性能和GPF催化性能都有所下降,但一定量的灰分可以提高GPF的过滤效率,降低PN的排放。