基于神經(jīng)網(wǎng)絡(luò)和瞬時(shí)轉(zhuǎn)速的發(fā)動(dòng)機(jī)失火故障研究*

王維琨，江志農(nóng)，張進(jìn)杰

(北京化工大學(xué)診斷與自愈工程研究中心，北京100029)

0 引 言

燃?xì)獍l(fā)動(dòng)機(jī)在工業(yè)、農(nóng)業(yè)、能源和交通運(yùn)輸?shù)阮I(lǐng)域都有廣泛應(yīng)用，是現(xiàn)代動(dòng)力設(shè)備的主要成分，其運(yùn)行狀態(tài)直接關(guān)系到生產(chǎn)安全性和生產(chǎn)效率。但是由于發(fā)動(dòng)機(jī)運(yùn)動(dòng)部件較多，內(nèi)部結(jié)構(gòu)又相對(duì)復(fù)雜，而且經(jīng)常在高溫、高壓等惡劣條件下工作，所以故障率較高［1］。因此對(duì)發(fā)動(dòng)機(jī)的故障進(jìn)行診斷是十分必要的。

對(duì)發(fā)動(dòng)機(jī)的診斷方法主要有性能參數(shù)分析法、油液分析法、振動(dòng)監(jiān)測(cè)法和瞬時(shí)轉(zhuǎn)速分析法［2-5］。每種方法都有各自的優(yōu)缺點(diǎn)，如振動(dòng)監(jiān)測(cè)法雖然診斷速度快、準(zhǔn)確率高、定位性強(qiáng)，能夠?qū)崿F(xiàn)早期報(bào)警，但是由于發(fā)動(dòng)機(jī)結(jié)構(gòu)的復(fù)雜性和狀態(tài)的不確定性，振動(dòng)的激勵(lì)源眾多且相互之間存在干擾，這種方法只能適用于當(dāng)前機(jī)器，可移植性較差。神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用起源于上世紀(jì)80年代末，經(jīng)過(guò)長(zhǎng)時(shí)間的發(fā)展和國(guó)內(nèi)外眾多學(xué)者的深入研究，其在故障診斷領(lǐng)域已經(jīng)有了廣泛應(yīng)用［6-7］。

本研究通過(guò)把曲軸的瞬時(shí)轉(zhuǎn)速與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出一種對(duì)發(fā)動(dòng)機(jī)氣缸故障診斷的方法。

1 曲軸瞬時(shí)轉(zhuǎn)速與氣缸失火故障之間的理論研究

1.1 氣缸受力理論研究

發(fā)動(dòng)機(jī)工作時(shí)曲軸受力(矩)是周期性變化的，這個(gè)力矩與氣缸的氣體壓力、往復(fù)慣性力之間存在一定的關(guān)系，當(dāng)發(fā)動(dòng)機(jī)某個(gè)氣缸發(fā)生失火故障時(shí)，其氣體壓力的變化會(huì)帶動(dòng)力矩的變化，同時(shí)會(huì)使得曲軸的瞬時(shí)轉(zhuǎn)速發(fā)生改變。

由文獻(xiàn)［8］可知，所有氣缸的動(dòng)力扭矩為:

式中:TX—有氣缸的動(dòng)力扭矩，TL—總的阻力扭矩，λ—曲軸半徑與連桿長(zhǎng)度之比，n—?dú)飧讉€(gè)數(shù)，φi—第i個(gè)氣缸的點(diǎn)火角度。

曲軸的瞬時(shí)轉(zhuǎn)速:

它表示曲軸角速度在一個(gè)較小的轉(zhuǎn)角內(nèi)的平均值。對(duì)于一般情況，ω和TL是常量，所以瞬時(shí)轉(zhuǎn)速是曲軸轉(zhuǎn)角θ的函數(shù)，是周期函數(shù)。再定義ε為瞬時(shí)轉(zhuǎn)速波動(dòng)率，ε=f(θ)/ω，可以得出ε也是隨曲軸轉(zhuǎn)角θ做周期性變化的，且與切向力成正比，根據(jù)公式(1，2)，可以認(rèn)為瞬時(shí)轉(zhuǎn)速波動(dòng)率是正弦信號(hào)的疊加，可以用這個(gè)波形對(duì)氣缸故障進(jìn)行診斷。

1.2 特征參數(shù)的選取

對(duì)發(fā)動(dòng)機(jī)氣缸進(jìn)行故障診斷，就必須選取某些特征參數(shù)。以一個(gè)四沖程的四缸V型發(fā)動(dòng)機(jī)為對(duì)象，點(diǎn)火順序是:2#缸－1#缸－4#缸－3#缸，各個(gè)物理參數(shù)已知，在4個(gè)氣缸上安裝動(dòng)態(tài)壓力傳感器，以測(cè)量整個(gè)周期的壓力數(shù)據(jù)。用Matlab對(duì)公式(1)進(jìn)行仿真，得出波形圖如圖1所示。

可以看到瞬時(shí)轉(zhuǎn)速波動(dòng)率在一個(gè)周期內(nèi)的波形圖，參照文獻(xiàn)［8］中的方法，本研究選取的特征參數(shù)為瞬時(shí)轉(zhuǎn)速的峰值和谷值，分別對(duì)應(yīng)圖中標(biāo)出的8個(gè)點(diǎn)，即:

參數(shù)1(瞬時(shí)轉(zhuǎn)速峰值):

參數(shù)2(瞬時(shí)轉(zhuǎn)速谷值):

圖1 正常瞬時(shí)轉(zhuǎn)速波動(dòng)率隨曲軸角變化曲線及特征參數(shù)的選取

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)故障診斷原理

BP網(wǎng)絡(luò)(誤差反向傳播神經(jīng)網(wǎng)絡(luò))應(yīng)用極為廣泛，是一種多層向前型神經(jīng)網(wǎng)絡(luò)，采用S型函數(shù)作為傳遞函數(shù)，能實(shí)現(xiàn)從輸入到輸出的任意非線性映射［9-10］。BP神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上分為輸入層、隱層、輸出層3部分，層與層之間是全連接的形式，同一層之間無(wú)連接。BP網(wǎng)絡(luò)在進(jìn)行故障分類(lèi)時(shí)，不需要建立故障模式的數(shù)學(xué)模型，并且具有自學(xué)習(xí)、自適應(yīng)的能力，通過(guò)學(xué)習(xí)的網(wǎng)絡(luò)還具有自動(dòng)提取故障特征的能力，所以適合于故障診斷。

2.2 BP神經(jīng)網(wǎng)絡(luò)的局限性

隨著B(niǎo)P神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍的擴(kuò)大，國(guó)內(nèi)外不少專(zhuān)家學(xué)者都對(duì)其進(jìn)行了大量研究，同時(shí)也暴露了一些缺點(diǎn)和不足，主要有以下幾個(gè)方面［11］:

(1)訓(xùn)練時(shí)間長(zhǎng)。如果碰到復(fù)雜的問(wèn)題，BP網(wǎng)絡(luò)的訓(xùn)練時(shí)間可能達(dá)到幾小時(shí)甚至更長(zhǎng)，其主要原因是由于學(xué)習(xí)速率小。但是，可以通過(guò)改變學(xué)習(xí)速率來(lái)達(dá)到提高訓(xùn)練效率的目的。

(2)完全不能訓(xùn)練。在訓(xùn)練網(wǎng)絡(luò)的過(guò)程中，如果權(quán)值調(diào)的過(guò)大，會(huì)出現(xiàn)網(wǎng)絡(luò)麻痹現(xiàn)象，使得訓(xùn)練停頓下來(lái)。不過(guò)可以通過(guò)選取較小的初始權(quán)值或者較小的學(xué)習(xí)速率避免這種現(xiàn)象的發(fā)生，但這又使得訓(xùn)練時(shí)間變長(zhǎng)。

(3)局部極小值。BP網(wǎng)絡(luò)可以得到一個(gè)收斂的解，但不能完全保證這個(gè)解是全局最小解，也可能是一個(gè)局部極小解。這是由采用的梯度下降算法自身的局限性導(dǎo)致的。

雖然BP網(wǎng)絡(luò)存在一些不足之處，但這并不能完全否定BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用，只要合理地對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)，將其應(yīng)用于對(duì)故障進(jìn)行診斷的方法還是有效的、可行的。

3 故障情況模擬

正常工作時(shí)，氣體壓力扭矩是有規(guī)律的周期性變化，當(dāng)單缸故障產(chǎn)生時(shí)，氣體壓力扭矩圖形會(huì)有差別，從而對(duì)波形周期產(chǎn)生影響，使曲線發(fā)生畸變，而且當(dāng)不同缸發(fā)生故障時(shí)，根據(jù)點(diǎn)火順序，會(huì)在不同的曲軸轉(zhuǎn)角處產(chǎn)生波形畸變，從而可以據(jù)此判斷出故障缸號(hào)。

以1#缸停止點(diǎn)火為例，根據(jù)公式(1)得到的故障曲線和正常曲線如圖2所示。

可以看到，正常時(shí)和單缸停止點(diǎn)火時(shí)瞬時(shí)轉(zhuǎn)速波動(dòng)率曲線是有明顯差別的，而產(chǎn)生差別的位置就處在不點(diǎn)火氣缸(1#缸)的點(diǎn)火角度上。這種差別為下一步根據(jù)特征參數(shù)進(jìn)行故障診斷提供了理論依據(jù)。

圖2 1#缸停止點(diǎn)火故障與正常瞬時(shí)轉(zhuǎn)速波動(dòng)率曲線

4 利用BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理

4.1 樣本的獲取

由上文可知，發(fā)動(dòng)機(jī)正常工作時(shí)和某一氣缸不點(diǎn)火時(shí)這兩種狀態(tài)下瞬時(shí)轉(zhuǎn)速波動(dòng)率曲線是有明顯差別的，并且發(fā)動(dòng)機(jī)氣缸不點(diǎn)火故障是典型的、最常見(jiàn)的故障之一。本研究用Matlab編程分別提取出正常工作、1#缸不點(diǎn)火、2#缸不點(diǎn)火、3#缸不點(diǎn)火、4#缸不點(diǎn)火時(shí)的特征參數(shù)，每種情況下提取100組，共500組，作為網(wǎng)絡(luò)的訓(xùn)練樣本，再重新提取5種狀態(tài)下各20組作為測(cè)試樣本。故障模式分類(lèi)及故障、測(cè)試樣本部分?jǐn)?shù)據(jù)如表1～3所示。

表1 故障模式分類(lèi)

表2 故障樣本數(shù)據(jù)

表3 測(cè)試樣本數(shù)據(jù)

4.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程實(shí)際上就是得到權(quán)值跟閾值的過(guò)程。本研究通過(guò)對(duì)輸入樣本進(jìn)行訓(xùn)練，建立預(yù)期的網(wǎng)絡(luò)。根據(jù)已有的數(shù)據(jù)和經(jīng)驗(yàn)積累，形成大量的輸入與輸出組，通過(guò)網(wǎng)絡(luò)自學(xué)習(xí)來(lái)建立權(quán)值和閾值并不斷對(duì)其進(jìn)行調(diào)整，最終使網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)向量盡可能接近。本研究采用的BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個(gè)數(shù)為8個(gè)，輸出層神經(jīng)元個(gè)數(shù)為5個(gè)，隱層神經(jīng)元個(gè)數(shù)為17個(gè)。隱層和輸出層神經(jīng)元的激勵(lì)函數(shù)取“tansig”和“l(fā)ogsig”，網(wǎng)絡(luò)訓(xùn)練函數(shù)取“trainlm”，系統(tǒng)總誤差為0.01。網(wǎng)絡(luò)的訓(xùn)練情況如圖3所示。

圖3 網(wǎng)絡(luò)的訓(xùn)練情況

4.3 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

通過(guò)給定在正常、1#、2#、3#、4#缸失火每種情況下20組測(cè)試樣本，系統(tǒng)得到結(jié)果的準(zhǔn)確率分別為100%、95%、100%、95%、100%。在實(shí)際應(yīng)用中，還要通過(guò)增加訓(xùn)練樣本數(shù)目或者對(duì)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)的方法，使得診斷結(jié)果更為準(zhǔn)確，系統(tǒng)誤差更小。

5 實(shí)驗(yàn)驗(yàn)證

在實(shí)際實(shí)驗(yàn)中，本研究對(duì)發(fā)動(dòng)機(jī)3號(hào)氣缸點(diǎn)火線圈進(jìn)行破壞，使其在工作中不點(diǎn)火，得到瞬時(shí)轉(zhuǎn)速波動(dòng)率曲線如圖4所示。本研究用Matlab程序提取出曲線的特征參數(shù)分別為:－9.213 6，28.484 3，－13.131 2，214.830 5，－ 200.635 6，－ 165.022 4，－ 253.570 9，－118.067 2。

圖4 3#缸不點(diǎn)火時(shí)瞬時(shí)轉(zhuǎn)速波動(dòng)率曲線

本研究把特征參數(shù)代入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)程序中，最后系統(tǒng)給出的響應(yīng)為:3。這說(shuō)明是3#氣缸失火，與研究人員診斷的結(jié)果一致，證明了利用瞬時(shí)轉(zhuǎn)速和神經(jīng)網(wǎng)絡(luò)診斷發(fā)動(dòng)機(jī)氣缸失火故障的可行性。

6 結(jié)束語(yǔ)

筆者研究了基于瞬時(shí)轉(zhuǎn)速和BP神經(jīng)網(wǎng)絡(luò)技術(shù)在發(fā)動(dòng)機(jī)氣缸故障診斷中的應(yīng)用，并得出如下結(jié)論:

(1)發(fā)動(dòng)機(jī)曲軸瞬時(shí)轉(zhuǎn)速信號(hào)能夠反映發(fā)動(dòng)機(jī)氣缸的失火故障，提取的特征參數(shù)能用于發(fā)動(dòng)機(jī)的故障診斷;

(2)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、方法容易，對(duì)發(fā)動(dòng)機(jī)故障診斷的準(zhǔn)確度比較高，能用于對(duì)發(fā)動(dòng)機(jī)失火故障的早起預(yù)警;

(3)在實(shí)際應(yīng)用中，應(yīng)通過(guò)大量的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣才能使得系統(tǒng)的準(zhǔn)確性更高。

［1］范志勇.基于曲軸轉(zhuǎn)速波動(dòng)分析的內(nèi)燃機(jī)故障診斷研究［D］.大連:大連海事大學(xué)輪機(jī)工程學(xué)院，2006.

［2］任云鵬.基于曲軸角加速度的柴油機(jī)故障診斷研究［D］.成都:電子科技大學(xué)機(jī)械電子工程學(xué)院，2006.

［3］鄭 勁，丁雪興.柴油發(fā)動(dòng)機(jī)故障診斷技術(shù)研究與應(yīng)用［J］.機(jī)械，2012，39(6):67-70.

［4］閆 兵，董大偉，秦 萍.利用曲軸扭振相位特性診斷內(nèi)燃機(jī)故障缸的新方法［J］.精密制造與自動(dòng)化，2003(s1):97-100.

［5］汪 海.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的汽車(chē)發(fā)動(dòng)機(jī)故障診斷研究［D］.西安:陜西科技大學(xué)電氣與信息工程學(xué)院，2006.

［6］王秋勤.基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷研究［D］.昆明:西南林業(yè)大學(xué)機(jī)械與交通學(xué)院，2010:20-31.

［7］郭 濤.人工神經(jīng)網(wǎng)絡(luò)在汽車(chē)發(fā)動(dòng)機(jī)故障診斷中的比較研究［D］.沈陽(yáng):東北大學(xué)信息科學(xué)與工程學(xué)院，2008.

［8］馬 晉，江志農(nóng)，高金吉.基于瞬時(shí)轉(zhuǎn)速波動(dòng)率的內(nèi)燃機(jī)故障診斷方法研究［J］.振動(dòng)與沖擊，2012，31(13):119-124.

［9］楊旭志，廖中文.基于虛擬儀器和神經(jīng)網(wǎng)絡(luò)的汽車(chē)發(fā)動(dòng)機(jī)故障診斷方法的研究［J］.內(nèi)燃機(jī)與配件，2011(4):10-12.

［10］賴(lài)祥生.基于神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷分析［J］.重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版，2008，25(5):533-540.

［11］張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2011.