电控柴油机的在线失火诊断策略研究

为了满足日益严格的排放法规,电控发动机均要求装备OBD(在线诊断)系统。而在线的失火诊断则是电控柴油机故障诊断项目中的一个重要内容。为此采用曲轴的瞬时角加速度对发动机的失火故障进行监测,并制定了相应的诊断策略。实机试验表明,该失火诊断策略能实时有效地诊断出失火故障。

发动机多缸随机失火诊断算法研究

失火诊断是发动机在线故障诊断系统的重要内容,基于曲轴转速波动进行失火诊断是目前的常用方法。针对发动机多缸随机失火,在奇瑞477F汽油机上进行试验研究,提出了采用时域滑动平均方法修正的失火诊断算法。试验证明,该算法不需要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。

采用小波分析进行电喷汽油机失火诊断的研究

采取小波变换的方法对电喷汽油机的瞬时转速波动信号进行分解去噪处理。采用小波变换的Mallat快速算法,并从分解后的信号中提取特征值,用于诊断汽油机的失火故障。通过台架验证试验表明:文中采取的方法可以有效去除高速时的干扰信号,能满足失火诊断的要求。

基于瞬时转速波动的失火诊断策略

采用60-2个齿信号盘,测取120个脉冲信号,并按照发动机发火顺序计算对应段转速;根据该转速变化规律制定出对应的失火诊断策略并进行试验验证。试验结果表明,该失火诊断策略控制算法简单,不需额外附加任何传感器,成本低且能够有效地判断出失火气缸,是一种低成本较实用的诊断方法。

汽油机失火诊断基本原理及常见失效模式

汽油机的失火诊断是EOBD(欧洲车载诊断系统)中的重要部分。文中简要地阐述了失火诊断的基本原理和监测方法;针对较为典型的失火故障的失效模式进行案例分析,分析了导致失火故障的各种因素,指出了在车辆标定开发及售后检测中针对失火故障应着重注意的事项。

基于GA-BP神经网络的发动机失火诊断

为了提高神经网络在发动机失火故障诊断中的准确率,提出了GA-BP神经网络算法。分析了发动机故障时的尾气变化情况,提出了发动机故障诊断规则;分析了BP神经网络原理,指出其训练速度慢、容易陷入局部极值问题;使用遗传算法对神经网络结构和参数进行优化,得到最优网络结构,将优化后的模型参数作为初始值再次进行BP算法优化;将此算法与自适应动量BP神经网络进行对比,GA-BP神经网络不仅缩短了训练时间,而且故障诊断准确率也大大提高。

发动机失火诊断中OBD功能开发

失火诊断是发动机在线故障诊断系统的重要内容,基于曲轴转速波动进行失火诊断是常用方法。在捷达车载诊断OBD系统失火诊断功能开发过程中,为消除制造公差及偏心安装等系统误差对测量段周期精确度的影响,开发了测量段周期自适应算法,划分了高速、中速和低速三个自适应转速范围,以保证获得的测量段周期的准确性。试验结果表明,测量段周期自适用算法能有效提高失火诊断的可靠性。

基于改进段角加速度和神经网络的柴油机失火诊断研究

针对失火故障中存在的高速轻载诊断困难,失火程度无法判别的问题,通过对比分析正常状态与失火情况下瞬时转速的特征,发现缩短段角加速度段长度,能够有效提升特征对失火故障的敏感度,同时,用神经网络方法代替阈值规则,能够很好地利用各缸特征值间的联系诊断失火。基于此,提出一种改进段角加速度和神经网络相结合的失火故障诊断方法。该方法能够实现对全转速范围单缸完全失火的诊断,且利用二级诊断的方式可以对失火程度进行有效判别,在高速轻载工况依旧具有很好的准确率。同时,提出的方法在学习阶段所需数据量小,适用于发动机失火故障的在线诊断。

基于单振动传感器BP神经网络的柴油机失火诊断

为解决多缸柴油机失火诊断问题,提出基于单振动传感器与BP神经网络的柴油机失火故障诊断方法。首先,通过柴油机缸盖上的单振动传感器获取振动信号,对振动信号进行滤波提取点火频率成分;然后,对振动信号按工作周期进行分段处理,进行等角度重采样及同步平均;最后,提取每缸工作信号的能量与峭度,建立特征向量,将其输入到BP神经网络分类器进行诊断识别。应用结果表明,该方法能有效诊断柴油机失火故障。

基于KPCA的发动机失火故障诊断研究

针对国六排放标准对汽车发动机失火故障诊断提出的新要求,提出一种基于KPCA的发动机多传感器数据驱动的失火故障诊断模型。该方案选取了发动机传感器网络中6个与失火关联度较高的传感器数据,分别进行数据处理和特征提取;然后使用KPCA对特征矩阵进行降维融合,挖掘特征之间的非线性关系,从而形成对发动机运行状态相对综合的评价;再以T2统计量和Q统计量作为指标进行失火故障诊断;最后通过发动机仿真数据集验证了该方案进行失火故障诊断的准确率。

基于OBD失火故障模拟及诊断技术的研究

针对大多数车辆上使用的点火系统,提出了一种新型失火故障模拟方式,并设计出了一套方便、实用和可靠的电子可控失火故障模拟装置。基于曲轴瞬时转速波动,提出了相应的失火在线诊断算法。通过失火故障模拟装置模拟发动机失火,分析了发动机曲轴转速的波动情况。实验结果表明,失火故障模拟装置运行可靠,通过对发动机瞬时转速波动的诊断能够有效地检测失火故障。

模糊逻辑失火故障诊断方法

实际失火是由于剧烈的循环波动产生的,并不像模拟失火(通过切断供油或使火花塞不点火实现)那样完全失火,而是平均指示有效压力(IMEP)很低循环。本文从IMEP变化角度进行失火诊断,首先验证了通过曲轴瞬时转速诊断失火的可行性,然后对瞬时转速利用角域分析、角频域分析和角———频联合分析的方法提取4种无量纲故障特征参数。由于失火故障诊断中模糊性的客观存在,本文最后以失火为故障,4种故障特征参数为故障特征通过模糊逻辑运算进行失火诊断。通过数据分析可以明显的看到此种方法的优越性。

基于小波分析的发动机气缸失火故障诊断

发动机加速过程中失火是常见故障,运用了发动机主轴瞬时转速进行失火故障的诊断。采用磁电式传感器测定了发动机在正常与故障的4种工况下从怠速急加速到高速过程中的瞬时转速,并用db3阶小波对各工况下转速信号进行分解与重构,以重构波形分析对比了各工况下的转速波动状态与加速过程的信息,从而判断发动机是否失火以及失火故障类型。结果表明,发动机失火时,瞬时转速的重构信号与正常工况转速重构信号相比,波动幅值、怠速段和高速段的稳定转速、加速时间有显著差异,这种失火故障的诊断方法是可行的和有效的。

汽车发动机失火故障诊断方法研究综述

失火故障诊断是汽车车载诊断系统(On-board diagnostic,OBD)的重要组成部分,其直接关系到车辆行驶过程中的排放、燃油消耗和发动机损伤.本文对近年来国内外关于失火故障诊断方法的研究工作进行了系统性地总结和分析,重点介绍了汽车发动机失火故障诊断的判别依据、失火诊断方法分类、观测器设计等问题.最后对失火故障诊断的未来发展作了几点展望.

基于概率神经网络的汽车发动机失火故障诊断

为准确诊断汽车发动机常发生的单缸失火和双缸失火故障,利用概率神经网络分析发动机转速与曲轴位移角度诊断发动机失火故障。在AMEsim软件环境下搭建一款四缸发动机模型,利用故障注入的方式模拟发动机失火,提取发动机转速和曲轴角度位移数据,在Matlab环境下进行数据处理与分组,建立概率神经网络PNN(Probabilistic Neural Network)进行训练与测试。实验结果表明,发动机转速与曲轴转角位移能有效反应发动机真实运行情况,训练好的PNN可对发动机单缸、双缸失火进行准确的诊断和定位。该方法具有简洁、经济、高效和准确度高等优点。

基于压缩小波变换的柴油机失火故障诊断

为有效提取失火故障特征,准确诊断失火故障,提出一种基于压缩小波变换(SWT)的柴油机失火故障诊断方法。将SWT与短时傅里叶变换(STFT)、连续小波变换(CWT)、魏格纳-维尔分布(WVD)、平滑伪魏格纳-维尔分布(SPWVD)、希尔伯特-黄变换(HHT)对柴油机缸盖振动信号进行分析对比,证明它具有精细描述振动信号变化的能力,进一步应用该方法对于柴油机失火故障信号进行时—频分析,提取柴油机失火故障特征频带,最终根据特征频带能量在各缸工作区间的变化,实现柴油机失火故障的准确诊断。

基于小波与深度置信网络的柴油机失火故障诊断

为更深入地了解柴油机失火故障的机理,提高失火故障诊断准确率,本文中提出了一种基于小波与深度置信网络的柴油机失火故障诊断方法。首先,采用等角度采样法对柴油机缸盖振动信号进行采样,获得平稳的角域信号,消除循环波动干扰;然后,通过连续小波变换对角域信号进行角-频分析,提取点火频率附近频带后利用连续小波逆变换重构信号;接着,按照柴油机工作循环从重构信号中,分段提取方差、峭度和峰值等12种常用特征参数并构造诊断参数矩阵;最后,利用深度置信网络对诊断参数矩阵进行降维和第二次特征提取,并依据二次特征对失火故障进行诊断。将该方法应用到某型柴油机上的结果表明,该方法能准确提取失火故障信息,有效诊断失火故障。

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。

利用曲轴转速波动间接诊断内燃机燃烧状态

瞬时转速—缸压模型的建立验证了瞬时转速波动间接诊断燃烧状态的可行性,在此基础上定义了4种燃烧状态特征参数,并提出了一种多燃烧状态特征参数综合的方法。实验数据分析表明:这4种燃烧状态特征参数分别能单独诊断内燃机燃烧状态,且综合燃烧状态特征参数比单个燃烧状态特征参数诊断正确率更高。