基于排气波波形分析的发动机故障监测技术课件.ppt

1、基于排气波波形分析的发动机故基于排气波波形分析的发动机故障监测技术障监测技术 李元才机械电子工程一一 排气波波形分析监测方法的意义排气波波形分析监测方法的意义 目前，绝大多数的发动机故障诊断是由维修人员按照自己的经验来完成的，而经验的获得不仅需要较长时间的积累，同时还受个人主观因素的影响，使得发动机故障诊断技术不能够得到很好的继承。为此，人们提出了许多依赖于计算机智能技术和专家先验知识的发动机综合故障诊断技术，主要有专家系统、灰色系统、模糊逻辑、神经元网络等。但是这些技术过于依赖计算机，不适于在车载发动机系统上使用。本文采用经验模态分解(Empirical Mode Decomposition

2、，以下简称EMD)算法对发动机排气压力波进行分析，以期实现对发动机主要故障简便、直接的监测。直接应用于车载发动机系统的故障诊断技术，具有重要的理论价值和经济效益。二二 排气波性能仿真分析排气波性能仿真分析 GT-SUITE 是一款由美国Gamma Technologies 公司开发的专门用于汽车设计仿真分析的综合软件，主要应用于车辆参数的设计,同时还可以用于发动机性能评估。GT-POWER 是GT-SUITE 系列软件中发动机的性能、声学及控制模拟系统模块,它基于流体及热力学计算理论,采用有限体积法求解,可模拟发动机的稳态和瞬态工况，根据噪音分析排气管的压力波动情况。为了研究排气系统内压力波的

3、形成及其传播过程与发动机工作状况之间的关系，利用GT-POWER 软件建立了六缸四行程的柴油发动机模型。如图1所示。六缸四行程直列发动机的点火间隔角为720o/6=120o，六缸的做功顺序为1-5-3-6-2-4。在GT-POWER软件环境下，设置发动机所处的大气环境温度为300K，压强为0.1MPa，分别设置发动机转速为1000r/min、2000r/min,在 2 种工况下模拟发动机的运行，利用软件的仿真数据打印功能(GT-POST)观测排气系统中后排气管处的波形，如图2 所示。由图2 可知，相邻两个波峰峰值的时间间隔几 乎是一个固定值。断掉一号缸，可模拟实现单缸缺火故障，所测得的数据如图

4、3所示。从图3中可以看到，当单缸缺火时，所得的数据曲线将缺少一个波峰，进而影响相邻两个波峰峰值的时间间隔。因此，可采用测定两个峰值之间时间间隔的方式，来判断发动机的一些故障。三三 发动机排气波的采集发动机排气波的采集 发动机的运转是按进气冲程、压缩冲程、做功冲程和排气冲程的顺序不断循环的。其中，排气波是在排气冲程中产生的。可燃混合气在气缸内燃烧后生成的废气必须从气缸中排出以便进行下一个进气行程。当做功接近终了时，排气门开启，进气门仍然关闭，靠废气的压力先进行自由排气;活塞到达下止点再向上止点运动时,继续把废气强制排出到大气中去，活塞越过上止点后，排气门关闭，排气行程结束。发动机的各个汽缸依次在

5、排气冲程打开排气阀,燃烧废气从汽缸出来之后依次流经排气歧管、前排气管、催化转换器、消音器、排气尾管等部分，然后进入大气中。排气压力波脉冲传感器安装于排气系统的排气尾管出口处，如图4 所示。发动机的废气在形成过程中(热力学参数)包含了气缸燃烧状况、火花塞与排气阀等附件的工作状况信息。发动机不同工况的变换或者某种故障的发生都会引起排气压力波的变化。发动机排出的废气流量越大，压力越高,脉冲传感器输出的信号幅值就越大；压力波信号越规则地分布在参考线上下，并且具有较好的周期相似性，表明发动机的工作状况越佳，反之，就可能存在着某种故障。这是根据排气压力波的特征变化来分析发动机的工作状况及故障情况的基本依据

6、。基于排气波波形分析的发动机故障监测模型如图5 所示。四四 故障判断的理论基础故障判断的理论基础 4.1 数据处理算法选定数据处理算法选定 采集的发动机排气波信号是一个有限的时间序列数据，包含有较多的谐波，因此首先需要对数据进行降噪。EMD 算法是在研究瞬时频率时在Hilbert 变换的基础上发展起来的新理论。它具有较好的适应性，而且所得的每个分量固有模态函数(Intrinsic Mode Function，简称IMF)都是正交的，对原信号具有较好的完备性。采用EMD 分解，可以将原始的复杂信号分解为多个简单信号，然后对多个简单信号单独分析，最后综合考虑就可以实现对原信号的分析。将EMD 分解

7、的思路应用于排气压力波研究，使研究对象大为简化。因此,对原数据采用EMD 分解。4.2 EMD分解过程分解过程 对输入信号x(t)，找出其局部极大值和局部极小值，将所有极大值的插值曲线连接作为包络的上界，所有极小值的插值曲线连接作为包络的下界，包络的上下界将覆盖所有的数据。记上下包络线的平均值记为m1，可求得h1=x(t)-m1。在理想的情况下,h1 是x(t)的第一个IMF分量，但是由于所采集的排气波波形数据是非平稳数据，所以包络均值可能不同于真正的局部均值，通过一次筛选很难实现将畸形波完全剔除，因此h1不满足IMF 条件，需要进行多次的筛选。在第二次筛选过程中，将h1当作原始信号，找出极大

8、值、极小值的包络线，然后求得上下包络线的均值，记为m2，可求得h2=h1-m2。再判断h2是否满足IMF 的条件，如不满足，必须再继续做筛选。经过n 次筛选过程的结果hn,已经完全符合IMF条件，是原信号的第一个IMF分量。将原始信号x(t)中的hn分离出，重复以上步骤，可以得到x(t)的其他IMF 分量。4.3 峰值时间特征向量峰值时间特征向量 对分解后得到的每个IMF 分量，计算相邻两个极值点x(t1)与x(t2)之间的时间跨度，即T=|t2-t1|式中，T 为峰值时间间隔.对于理想信号，x(t 1)与x(t 2)满足条件：dx(t)/dt=0。取振幅突增后以及振幅突降前的IMF 分量，按

9、从左至右的顺序计算每相邻两个极值点之间的T1、T2、T3，组成向量S=T1,T2,T 3,S 为峰值时间特征向量。得到S之后,就可以对数据进行分析判别，判断是否有故障产生以及产生的是什么故障。故障诊断过程如图6 所示。五五 应用实例应用实例 对某公司T AS3500系列宽体矿用自卸车上使用的发生故障的YC6M375-20六缸柴油机,测量其运行的排气波参数。为了将试验中采集的排气波信号离散化，将纵轴压力P按100 份/V 等分，横轴时间 t 是采样点数。其排气波原始信号及EMD 分解图如图7 所示。图7 某 缸缺火情况下发动机排气波信号及其EMD 分解结果 由图7 的EMD 分解图可见，各IMF

10、分量的振幅先增后降。其中，IMF1、IMF2与IMF3振幅远小于IMF4,即能量远远小于IMF4 分量的能量,可以将突增前的IMF均认为是白噪声成分。振幅最大的IMF4 分量与原始信号相比完好保持了原始信号的周期特点,振幅更加平稳,失真更少。因为发动机排气压力波在排气行程末期具有干涉、叠加和负压效应,所以当计算峰值时间间隔时可以忽略振幅突增后的IMF5以及最后的残余分量。取IMF4分量。排除IMF1、IMF2和IMF3的白噪声分量以及因干涉、叠加和负压效应引起的IMF5、IMF6 分量和最后的残余分量，取振幅最大的IMF4分量计算其峰值时间的特征向量为 S=101,83,87,89,84,87

11、,102,84,87,85,84,86 所得的峰值时间间隔数值101和102与剔除了这两个数据后的其他采样点的平均值85.6的偏差达到了19.1%，对比标准特征向量，可明显地判断出所测得的101和102反应的是某缸缺火故障。通过修理排除了这一缺火缸的故障以后，测量其正常运行的排气波参数。六缸均正常情况下排气波原始信号及其EMD 分解图如图8 所示.图8 六缸均正常情况下发动机排气波信号及其EMD分解结果 由EMD 分解图可见，IMF1与IMF2振幅远小于IMF3,即能量远远小于IMF3分量的能量,可以将突增前的IMF 均认为是白噪声成分。振幅最大的IMF3 分量与原始信号相比完好保持了原始信号

12、的周期特点，振幅更加平稳，失真更少，忽略振幅突增后的IMF4 以及最后的残余分量。取IMF3 分量，计算该列波的峰值时间特征向量为 S=102,101,104,100,100,103,101,102,102,101,102,102 所得峰值时间间隔与采样点的平均数101.7的偏差在2.3%之内，通过对比，该向量与标准峰值时间特征向量很接近，可认为现在发动机各缸工作正常。经多次试验，可采用5%作为有无故障的临界点。即当偏差大于5%时，认为有故障发生。从试验及统计结果来看，判据成功率在90%以上。六六 结论结论 试验以及实践表明，采用排气波的波形特征作为发动机故障检测的方案是可行的。对于一定结构的发动机，排气波的频谱有系统性和重复性，对于发动机的各种故障(尤其是气缸故障)所对应的排气波波形的频谱是不同的。因此，通过监测排气波波形特性，可以实现对发动机故障的实时监测。该种监测方法不需要从发动机内部进行改造，实现手段简单，便于车载系统上使用，为发动机故障诊断提供了一条新的途径。