液化石油气汽车点火控制系统优化与故障诊断

崔宏巍，朱亮红

（深圳职业技术学院汽车与交通学院，广东深圳 518055）

液化石油气汽车点火控制系统优化与故障诊断

崔宏巍，朱亮红

（深圳职业技术学院汽车与交通学院，广东深圳 518055）

对点火提前角与液化石油气（LPG）汽车发动机性能和排放的关系进行分析，通过台架试验，获取各种工况下LPG发动机的最佳点火提前角，通过建立BP神经网络模型，实现燃气汽车点火控制系统的优化，还对LPG发动机点火提前角对动力性与排放的影响进行了试验研究，得出在不同转速和负荷下，点火提前角变化对NOx和CO排放的影响结果，采用模糊模式识别的方法判别燃气汽车点火系统的技术状态。

点火系统；发动机；控制系统；神经网络

液化石油气发动机可燃混合气的点火系统对发动机的动力性能、工作效率和排放至关重要。点火时刻不合适，会导致发动机动力性能下降、热效率降低、燃料消耗率上升、有害气体排放增加等现象。如果点火提前角过小，则会影响其动力性能；如果点火提前角过大，就会增加HC和NOx的排放量。点火提前角优化控制一直是国内外内燃机领域的重点研究课题，但大多研究集中在汽油机的点火控制。由于气体燃料与汽油的特性相比，有着很大差异，其自身具有抗爆燃性好、辛烷值高等特点，并在最高燃烧压力、滞燃期、燃烧时间、最高燃烧压力变化率等很多方面均不相同，因此，研究液化石油气发动机点火系统的优化，对于提高发动机最大功率或扭矩，降低有害气体排放具有重要意义［1－2］。

1 点火提前角三维脉谱图

影响燃气发动机最佳点火提前角的因素包括发动机的结构参数和空燃比、负荷、转速、冷却水温度等运行参数。当发动机长时间工作，发生老化和磨损等现象时，这些影响参数会发生变化，它们之间也会相互作用，通过数学模型表达这些参数对燃气发动机最佳点火提前角的影响程度并进行在线优化和修正，则非常困难。在实际工作中，往往是在发动机台架上通过大量的标定试验，获取发动机各种试验工况下标准的点火提前角脉谱图，将脉谱图中的数据存入电控单元微控制器的ROM中，在发动机实际工作运转时，依靠插值的方法获得不同转速和负荷的最佳点火提前角，实时将点火提前角控制在最佳状态。存储在电控单元微控制器ROM中的三维脉谱数据为燃气汽车点火控制提供了依据，一般通过查表法可以获得最佳点火提前角。在实际应用中，如果在某一工况下，采集得到的负荷与转速处于所存储的数据之外，则可以利用线性插值法获取最佳点火提前角［3－4］。

2 点火提前角优化问题的BP网络模型

人工神经网络（artificial Neural Network）能够自身适应环境，总结规律，完成某种运算、识别或过程控制，具有初步的自适应与自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求，对于处理多变量、非线性的复杂问题具有较强的优势，本文将人工神经网络的这些特性应用于燃气发动机点火提前角的优化。

发动机在长时间运行过程中，可能会出现压力波动、电压波动、火花塞磨损、积碳等情况，造成点火提前角偏离理想位置，改变点火正时，点火控制系统无法按照MAP图中的最佳时刻进行控制，造成发动机性能恶化。提高燃气汽车发动机点火提前角的控制效果，必须兼顾发动机的动力性、降低燃料消耗和减少排气污染，而神经网络具有非线性映射和记忆能力，建立起发动机运转参数与最佳点火提前角之间关系的神经网络模型，用于实时调节点火提前角，是一种很好的控制和优化策略。在LPG发动机点火提前角优化问题中，主要考虑转速（n）、负荷（p）这两个参数对最佳点火提前角的影响。由于空燃比被电控单元控制在理论值附近，不需考虑空燃比对发动机性能的影响，当然还有其他因素也会影响点火提前角，比如冷却水温度等参数，但在实际控制中可以采用分段控制，因此，简化模型仅需考虑转速和负荷。本文设计的BP神经网络的输入层简化为两个节点，即x1＝n，x2＝p，输出为最佳点火提前角。通过对NJG415P（直列、四缸、四冲程水冷发动机，排量为1.46L）单燃料液化石油气发动机进行大量台架试验，获取不同转速和负荷下的最佳点火提前角，进行相应的训练。BP（Back Propagation）神经网络是由信息正向传播过程和误差反向传播过程组成，本文采用经典的两层BP网络结构，8个隐含层结点，1个输出层结点，隐含层采用S型激活函数，输出层采用线性激活函数，通过试验不同转速、不同负荷下，在液化石油气进气量闭环控制时，功率、燃料经济性满足要求条件下，排放达到最小所对应的最佳点火提前角作为学习样本，建立网络模型。神经网络结构如图1所示。转速（r／min）、真空度（kPa）作为输入，点火提前角作为输出，输入转速分别为1 500r／min、2 200r／min、2 500r／min、2 800r／min、3 000r／min、3 300r／min、3 500r／min、4 000r／min，通过台架试验共获得40组数据，负荷和转速的分布如图2所示。对应学习速率0.03，通过学习5 000次，不断调整连接权值，最后可得权值（表1）。

图1 BP神经网络结构图

图2 数据分布图

表1 训练结束后各层神经元权值

3 BP神经网络点火提前角优化与动力性能和排放的影响研究

采用BP神经网络对40个输入样本进行训练。通过训练，利用BP神经网络较强的非线性映射能力和学习功能，将发动机最佳点火提前角正确表达为负荷和转速的映射关系，在发动机的整个运行工况范围之内，都能够获取最佳点火提前角，实现点火提前角的优化控制。当外部工作环境发生变化时，如点火线圈、传感器、火花塞等零部件磨损和老化时，只需要对BP网络重新训练，就可以获得环境变化后的最佳点火提前角，提高发动机的动力性能和排放性能。为验证BP神经网络训练得到的最佳点火提前角是否准确，在转速2 400r／min时台架试验获得的最佳点火提前角与BP神经网络训练的点火提前角相比较，误差优于1.2%，而在其他转速和负荷下的误差也很小，试验表明BP神经网络在燃气发动机点火提前角优化方面具有明显优势。

为进一步研究点火时刻对LPG燃气发动机性能的影响，深入分析BP神经网络应用于点火提前角的实际优化效果，本文分别在不同的发动机转速、不同发动机负荷下，改变发动机的点火时刻，在不同点火提前角分别测试发动机的排放特性和扭矩，其中转速为2 000／min时，20%～100%负荷的试验结果如图3所示。试验表明，在通过BP神经网络优化的最佳点火提前角，燃气发动机能够获得较大的扭矩，同时也可以兼顾得到较好的排放性能，CO与NOx的排放能够保持在较低的水平。点火提前角较小，推迟燃烧，排气温度会升高，造成未燃烧成分氧化，燃烧室内最高温度的降低，使得NOx的排放减少，但扭矩也会相应减小；而点火提前角较大，则会使得NOx的排放增加。试验表明CO排放与负荷关系较大，工作在大负荷下，CO的排放会明显增加，没有发现点火提前角对于CO排放有较为明显的影响。通过对液化石油气汽车发动机进行点火提前角控制和优化，发动机在不同工况下，均能达到较好的性能和排放效果，基于BP神经网络的最佳点火提前角优化，能在发动机动力性能与排放性能之间达到平衡［5－6］。

图3 转速n＝2 000r／min点火特性

4 点火系统故障诊断

点火系统是液化石油气发动机故障发生率比较高的系统之一，点火系统的工作状况不仅影响到燃气汽车工作的可靠性，还影响其动力性和经济性。对点火系统的技术状态进行全面检测和诊断，可以通过分析初级电路电压信号和次级电路电压信号来实现。点火电压波形属规则信号波形，它有下列特点：1）点火电压是周期信号，其波形每经过一定时间重复一次；2）点火系统各组成环节的状态信息能够反映在规则信号波形结构的不同部位；3）点火系统组成环节的状态异常能够表现为波形结构的变化。

根据以上特点，本文通过提取各组成环节状态对应的波形结构特征，采用模糊模式识别的方法判别燃气汽车点火系统的技术状态。

4.1 点火波形结构特征提取与数学模型的建立

点火系统的故障总是会引起点火波形一定程度的变化，同一种类型的点火故障会具有相类似的点火波形，由于在实际检测过程中，对波形的测量数据具有一定的随机性，其随机数据期望值会随着不同的故障、不同的发动机类型在一定的范围内发生变化，同一种故障的点火波形仅仅相对于其它类型故障的点火波形具有一定相似性。因此，仅仅采用普通数值界线法是无法从纷繁复杂的各种点火波形变化中准确识别故障类型。因此采用模糊模式识别的方法，即给定论域U上的n个模糊子集（模式）Ai∈U，i＝1，2…，n，又设一个模糊子集B∈U，为待识别模式。要判断B与给定的哪一种模式Ai最贴近，本文通过贴近度按择近原则来识别。贴近度是表示两个模糊集接近程度的数量指标，由于测度贴近度计算方便，能比较有效地表示模糊集接近程度，点火系统故障识别采用测度贴近度，其定义如下：

点火电压波形识别是以一组特征参数｛x1，x2…xn｝，即一个子样为研究对象，全体特征参数的集合构成论域U，由于波形数据结构复杂多变，只有经过大量标准的故障试验和数理统计，才能摸索出其变化规律。如图4所示，借助点火电压（kV）、燃烧电压（kV）、初级电压（V）、点火段（ms）、中间段（ms）、闭合段（ms）以及峰谷值序列来描述点火电压次级波形和初级波形。特征参数越多越细，波形描述越详尽，获取的故障信息也就越多，但计算会更加复杂。电压波形结构由直流段单元和波动段单元（高频振荡，初级振荡，杂波）相间构成，设电压波形时域信号为：xk＝｛x（k）｝，k＝1，2，…，N。各种典型故障波形对应不同的特征参数Xk变化范围，同一类故障的Xk值基本符合正态随机分布。

图4 点火次级波形特征提取

根据统计规律求出期望E（Xk），由E（Xk）描述的故障波形是同类故障的理想化模型，为模式识别提供了相似性的判别标准。典型故障模糊子集如：A1为高压线松动，高压导线电阻值过大；A2为白金触点间隙过大；A3为最高次级电压过低使火花塞没有跳火；A4为断电器活动触点臂弹簧太弱。

点火系统特征参数次级点火峰值（kV），燃烧电压（kV），点火段（ms），闭合段（%）、初级峰值电压（V）隶属度的确定，通常根据大量试验和统计分析而定。在具体研究和分析了相关标准和故障波形的特性后，根据特征参数Xk各自变化范围，确定相应的隶属函数（表2）。

表2 波形特征参数的隶属函数

4.2 试验与分析

根据本文提出的波形模糊识别方法编制识别程序，对实测点火电压波形进行识别，下面给出部分试验分析与故障识别结果，建立的典型故障波形模糊子集如下：

1）高压回路中阻抗过大 A1＝（0.8，0.5，0.8，0.5，0.9，0.9，0.8，0.6，0.6，0.5，0.3，0.2，0.2，0.1，0.1，0.5，0.2，0.2，0.1，0.1）。

2）触点间隙过大 A2＝（0.8，0.5，0.8，0，0.8，0.7，0.7，0.6，0.5，0.3，0.1，0.3，0.2，0.2，0.1，0.1）。

3）次级电压过低致使火花塞没有跳火 A3＝（0.2，0，0，0.5，0.9，0.8，0.7，0.6，0.6，0.5，0.4，0.3，0.2，0.1，0.4，0.2，0.2，0.1，0.1）。

4）断电器活动触点臂弹簧太弱 A4＝（0.8，0.5，0.8，0.5，0.8，0.7，0.6，0.5，0.3，0.1，0.4，0.8，0.7，0.6，0.3，0.2，0.1，0.1）。

待定波形的模糊子集为B＝（0.8，0.8，0.8，0.5，0.8，0.6，0.5，0.4，0.2，0.1，0.5，0.7，0.8，0.5，0.6，0.1，0.4，0.1），则由上述方法，可以分别计算出B与Ai的测度贴近度：N（B，A1）＝0.5702，N（B，A2）＝0.5876，N（B，A3）＝0.4722，N（B，A4）＝0.8181。可以得出，故可以判断出B与A4最为相似，表明断电器活动触点臂弹簧太弱。

5 结束语

本文构建了燃气汽车LPG发动机点火控制系统，研究了基于BP神经网络的最佳点火提前角优化问题，在NJG415P单燃料燃气发动机台架试验得到的多个训练样本，利用建立的BP神经网络模型，通过学习得出各层神经元权值，进行点火提前角优化，将训练得到的点火提前角最佳值与台架试验得到的最佳值比较，仅发现在允许范围内的极小误差，减轻了大量的标定试验工作。本文还对不同点火提前角的燃气发动机动力性能与排放性能进行研究，提取点火波形结构特征，采用模糊模式识别的方法判别燃气汽车点火系统的技术状态。试验结果表明：本文所建立的BP神经网络模型对于燃气汽车发动机最佳点火提前角的优化控制具有较好的效果。

［1］ Scoton P G，Wellstead P E.Self-tuning optimization of spark ignition automotive engines［J］.IEEE Control Systems Magazine 0272-1708／90／0400-0094 21-23 June，1989，Page（s）：1 983－1 988

［2］ Hafner M，Schuler M，Nelles O，et al.Fast neural networks for diesel engine control design［J］.Control Engineering Practice，2000（08）：1 211－1 221.

［3］ 简林莎，边耀璋，张春化.天然气／汽油两用燃料汽车点火提前角适应性优化设计［J］.中国公路学报.2004（01）：110－113.

［4］ 阮登芳，邓兆祥.恢复改装天然气发动机动力性能的措施［J］.重庆大学学报（自然科学版）.2005（05）：15－18，23.

［5］ 何义团，安 娜，邓 蛟，等.点火提前角对CNG发动机燃氢怠速性能的影响［J］.重庆交通大学学报（自然科学版）.2011（02）：110－113.

［6］ 王 欣，张红光，姚宝峰，等.小负荷时天然气发动机点火提前角对排放影响的试验研究［J］.车用发动机.2010（03）：86－89.

［责任编校：张 众］

Research on Optimizing Ignition Control System and Fault Diagnosis in LPG Automotive Engines

CUI Hong-wei，ZHU Liang-hong
（School of Transportation ＆Automotive Engin.，Shenzhen Polytechnic，Shenzhen518055，China）

The relationship of ignition timing，LPG engine performance and emissions were researched in this paper.At various work conditions optimum ignition angles were acquired.Because of the implementation of optimum ignition system based on BP neural network，LPG engine performance was greatly improved.The testing results of NOx and CO emissions show that ignition control system established in this paper is accurate and practical.Technical condition of ignition system was identified based on fuzzy pattern recognition method.

ignition system；engine；control system；neural network

U464.136

A

1003－4684（2014）02-0086-05

2014－02－21

广东省教育科学“十二五”规划2012年度科研项目（2012JK296）

崔宏巍（1974－），男，河南安阳人，工学博士，深圳职业技术学院副教授，研究方向为汽车测控技术