基于神经网络和瞬时转速的发动机失火故障研究

针对发动机在实际运行中经常会出现单缸或者多缸失火这种典型的故障现象,从发动机瞬时转速的角度出发,对发动机气缸受力与发动机曲轴瞬时转速之间的关系进行了理论研究,建立了其数学模型,利用Matlab仿真软件对瞬时转速曲线进行了仿真,确定并提取出了特征参数,比较了正常情况下和单缸不点火情况下瞬时转速曲线及其特征参数的变化,并把这些变化作为下一步诊断发动机失火故障的判断依据;最后,建立了一个BP神经网络并对其进行训练,同时把仿真数据和实例数据输入到网络中进行了理论验证和实例验证。研究结果表明,发动机的失火故障与发动机瞬时转速之间存在一定的关系,利用瞬时转速可以对发动机失火故障进行诊断;利用BP神经网络方法诊断发动机失火故障具有速度快、效率高的特点。     

利用瞬时转速诊断电站系统中原动机的失火故障

分析瞬时转速信号在发动机发生失火故障时的波动特性,提出利用发动机瞬时转速诊断电站系统中原动机的失火故障。在提取瞬时转速波形特征参数的基础上,提出基于BP(back propagation)神经网络的故障诊断方法,并对该方法进行实验验证,成功诊断出某型发动机单缸及双缸失火故障,效果明显。     

小波分析在发动机失火监测中的应用

针对现时发动机失火监测方法的不足,研究了利用小波分析方法进行失火监测.对某发动机缸盖振动加速度信号作频谱分析,可知单缸失火状态的0.5和1谐次振动幅值与正常状态相比有显著增长.采集发动机稳速工况下失火故障瞬间前后一段时间的振动信号,利用小波分析方法,对其进行多尺度近似分解,获得低频逼近信号.由于失火引起低阶次振动幅值变化,观测获得的低频逼近信号的振动幅值波动,可明显分辨出故障发生的时间,再进行加速和减速工况分析.结果同样表明,通过小波变换分析方法,能有效监测发动机失火发生的时间.     

基于转速复杂度的柴油机失火故障诊断

失火故障是柴油机较为常见的故障,会影响柴油机的动力性和经济性。本文利用柴油机转速对失火故障进行检测,利用转速信号的复杂度指标来判断信号的随机性,分析正常、单缸失火及多缸失火状态下的复杂度,对柴油机的失火故障进行诊断。     

基于瞬时转速的柴油机早期弱故障诊断实验研究

瞬时转速蕴含了大量柴油机运行状态信息,已经成功用于失火严重故障的诊断,但对于早期弱故障的诊断尚缺乏进一步的研究。针对6-135型柴油机,通过在不同程度上调整气缸喷油量、调整气阀间隙、模拟气阀泄漏等方法模拟柴油机早期故障,在不同工况下进行实验数据采集,计算柴油机瞬时转速信号,并分析其不同状态下的变化规律。发现柴油机瞬时转速信号可以用于判断多种早期故障,各缸瞬时转速升程归一化比值P是较直接的特征参数。正常状态下,各缸瞬时转速P值在0.9~1.1以内,若某缸升程P值下降超过10%,可认为该气缸存在故障。该方法对于影响缸内压力的故障如各气缸喷油量不均匀、气阀泄漏等比较敏感,对于活塞-缸套间隙过大等对缸内压力影响程度小的故障不敏感。     

曲轴瞬时转速在发动机控制中的应用研究

曲轴瞬时转速在一定程度上直接反映发动机的真实工作状态,采集一个工作循环的曲轴瞬时转速信号,利用曲轴瞬时转速和发动机气缸在工作时域上的严格对应关系,提取特定角度范围的瞬时转速,通过分析瞬时转速的波动大小和变化率,可以用来识别发动机各气缸做功状态,是否存在气缸失火,密封性差,或喷油器磨损等故障,同时也是实现单曲轴降级起动的一个重要参数。     

基于Elman神经网络的汽车发动机故障诊断及其实现

在分析了Elman网络特点的基础上,笔者提出了基于Elman神经网络的汽车发动机故障诊断模型,并建立了以发动机排放的废气成分与发动机失火程度故障之间关系为训练样本的发动机性能故障识别和诊断模型,并通过实例验证了模型的正确性。研究过程中测取无失火(正常工作状态)、轻度失火和严重失火3种状态下无负荷时不同转速工况下的废气排放量作为样本,同时建立了基于Elman神经网络的3种故障模式,即样本集有3种状态:正常状态、较轻失火程度和严重失火程度。随机抽取的三次样本训练及诊断的误差分别为0.0054、0.0125、0.0616。验证结果与实际的故障模式对比结果显示基于Elman网络的发动机故障诊断正确判断率为100%。     

基于集总经验模态分解和极坐标表示的瞬时转速诊断方法

为解决瞬时转速方法在诊断多缸中高速V型机发生失火故障时,存在的特征参数难以提取、诊断精度不高等问题,以发火间隔角不均匀的某V12柴油机为对象,进行了基于集总经验模态分解（EEMD）和极坐标表示的诊断方法研究。结果表明：构成本征模态函数IMF6分量的主频率为8.3Hz（0.5谐次）,经过EEMD分解提取了0.5谐次成分,其幅值可作为判别单缸失火故障的特征值;将0.5谐次相位及其变化规律与极坐标表示结合,能够直观准确地定位故障。     

基于本征模式分量符号化分析的滚动轴承故障诊断方法研究

研究在经验模式分解的基础上提出了一种基于本征模式分量符号化分析的故障诊断方法:首先,对故障信号进行拓延,利用经验模式分解获取本征模式分量,实现原始信号在不同尺度下的分离;其次,依据符号动力学理论对本征模式分量进行符号化序列研究;最后,计算符号化后的本征模式分量序列的符号熵,构建特征向量表征故障特性,结合模式分类方法实现诊断。研究通过实验证明了所提出方法对于典型轴承故障有着很好的识别效果,并针对印刷机故障轴承进行实验,成功检测出了不同转速下的轴承故障。所提出诊断方法仅通过时域分量特征提取就获得了较好的诊断效果,相对减少了同类研究中频域特征提取的计算量,具备一定工程应用前景。     

基于特征相关分析的柴油机故障诊断方法研究

针对平稳过程和线性系统统计方法对柴油机工作状态诊断失效问题,提出了一种特征提取与相关分析相结合的柴油机故障诊断方法。对不同工况的柴油机缸盖振动信号提取时域特征、频域特征和时频特征,建立标准特征矩阵和未知特征矩阵,利用相关分析方法分析不同工况信号的相关程度。以某六缸柴油机实验台为研究对象,分别对正常、撞缸、失火和小头瓦磨损4种工况进行模拟。数据验证结果表明,该方法可准确识别正常、撞缸、失火和小头瓦磨损,证明了相关分析方法的有效性;同时,以敏感度系数对各个故障特征进行评估并排序,分析得到撞缸和小头瓦磨损两种工况的故障敏感特征主要集中在时域,而正常和失火两种工况的故障敏感特征除了时域还集中在频域和时频域。     

汽车发动机各缸工作不均匀性的一种在线监测方法

提出一种利用瞬时转速信号在线监测汽车发动机各缸工作不均匀性和失火故障的方法,通过建立多缸发动机的非线性动力学模型。揭示了瞬时转速与气体力扭矩及各缸气体压力之间的本质联系,在此基础上直接定义了2种衡量各缸不均匀性的无量纲特征参数,给出了这些参数的快速提取算法和故障判断方法,实验研究结果表明,该方法有效可行,能满足在线分析的要求,从而为汽车发动机的性能监测、诊断与控制提供了一条可行的途径。     

基于小波包和极限学习机的汽车发动机失火故障识别

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点.     

A comparison of different methods for fuel delivery unevenness detection in Diesel engines

Conventional misfire diagnosis techniques are based on the analysis of the instantaneous engine speed. Although they have proved their efficiency in some operating conditions and for the detection of total misfires, their performance could be insufficient in a near future. This paper presents a comparative study of different alternative detection principles for the detection of slight unevenness between cylinders in the injection process for a turbocharged Diesel engine. The selected techniques are the instantaneous exhaust manifold pressure, the instantaneous turbocharger speed and the mean temperature at the exhaust cylinder ports. All alternative techniques show improved performance and linearity compared to the conventional one, particularly at high engine speed and low load. All these techniques are compared with the conventional approach and main advantages and disadvantages are discussed.     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

Multivariate statistical analysis strategy for multiple misfire detection in internal combustion engines

This paper proposes a multivariate statistical analysis approach to processing the instantaneous engine speed signal for the purpose of locating multiple misfire events in internal combustion engines. The state of each cylinder is described with a characteristic vector extracted from the instantaneous engine speed signal following a three-step procedure. These characteristic vectors are considered as the values of various procedure parameters of an engine cycle. Therefore, determination of occurrence of misfire events and identification of misfiring cylinders can be accomplished by a principal component analysis (PCA) based pattern recognition methodology. The proposed algorithm can be implemented easily in practice because the threshold can be defined adaptively without the information of operating conditions. Besides, the effect of torsional vibration on the engine speed waveform is interpreted as the presence of super powerful cylinder, which is also isolated by the algorithm. The misfiring cylinder and the super powerful cylinder are often adjacent in the firing sequence, thus missing detections and false alarms can be avoided effectively by checking the relationship between the cylinders.     

一种扭振测量新方法及其在故障诊断中的应用

提出了对A／D采样信号进行拟合的扭转振动测量新方法,介绍了新方法的基本原理,开发了相应的虚拟仪器,并利用仪器所测得的曲轴扭振信号0．5谐次分量对内燃机故障缸进行了诊断。以6135ZG柴油机为对象,实验验证了该方法的实用性和准确性。     

A methodology for cracks identification in large crankshafts

Diesel engines used in power plants and marine propulsion are especially sensitive to outage events. Any advance in the early detection of failure will increase the reliability of the electricity supply and improve its productivity by reducing costly power outages. Fault detection and diagnosis is important technology in condition-based maintenance for diesel engines. This article presents a classifier based on neural networks for identifying failure risk level in crankshafts, the engine component of greatest cost concern. The authors have developed a finite element model for crack growth that fits well with fracture appearance and produces the evolution of crankshaft stiffness with crack depth. A lumped system model of the engine uses this evolution as input, giving the instantaneous speed at the engine flywheel as a function of crack depth. All the results shown in the paper come from outputs of the simulation models which have been built from real engine data. Measurements of the instantaneous flywheel speed were not available due to the crankshaft failure. All data are extracted from this speed and are then classified using a Radial Basis Function neural network.