基于瞬时转速分析的柴油机气缸压缩性能检测方法

乔新勇，刘春华，刘 君，靳 莹

（1.装甲兵工程学院机械工程系，北京 100072；2.中国空气动力研究与发展中心，四川 绵阳 621000）

与汽油机不同，柴油机采用压燃式工作方式，因此，气缸压缩性能决定着喷入气缸内的燃油能否被压燃，能否达到较高的燃烧质量，进而保证柴油机顺利起动。通常情况下，气缸压缩性能用气缸压缩压力来衡量。气缸压缩压力是指在柴油机不工作（不加油）、用起动电机拖动柴油机曲轴旋转的情况下，压缩过程气缸内的最高气体压力。气缸压缩压力低会使压缩行程的温度和压力都下降，发动机工作时着火延迟期变长，致使发动机工作粗暴，燃烧不完全，热效率下降。一般来说，随着柴油机使用时间的推移，气缸压缩压力呈逐渐减小的变化趋势，当其降低到一定程度时，柴油机已严重磨损，不能继续使用。

对气缸压缩压力进行测量有利于监测柴油机工作状况［1－2］。但在实车上直接测量压缩压力，存在传感器安装困难、高热条件下传感器可靠性降低等问题，因此近年来对气缸压力进行间接检测的研究日渐兴起［2－5］。

本研究基于人工神经网络强大的非线性映射能力，建立了车辆倒拖过程瞬时转速波动与气缸压力的映射关系模型，实现由瞬时转速间接计算气缸压缩压力，进而实现气缸压缩性能的检测。

1 人工神经网络基本原理

人工神经网络（Artificial Neural Networks）理论是20世纪80年代中后期在世界范围内迅速发展起来的人工智能领域的一个重要分支，其本质是一种接近于人认识过程的计算模型，模仿大脑神经元结构而建立起来的一种非线性网络系统。近年来，神经网络技术得到很大的发展，其在故障诊断领域中得到广泛应用［3－4］。

至今为止，人们己经提出了几十种神经网络模型，如自适应共振理论模型（ART）、误差反向传播模型（BP）、双向联想存储器（BAM）、感知机模型（PTR）等，目前应用最为广泛、理论最为成熟的当属BP网络模型和RBF网络模型［5］。尽管BP网络无论在理论上还是实用上都已经相当成熟，且结构简单，易于实现，但它的突出缺点是收敛速度慢，易陷于局部极值点，需要在监督的情况下进行。

本研究提出利用径向基神经网络（RBF）来进行识别建模。径向基函数网络是在借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络。RBF网络结构是由一个隐含层和一个线性输出层组成的前向网络，隐含层采用径向基函数作为网络的激活函数，径向基函数是一个高斯型函数，它是将该层权值矢量与输入矢量之间的矢量距离与偏差相乘后作为网络激活函数的输入。从功能上看，RBF网络可以用来进行函数逼近，并且更容易逼近函数的局部特性。

1.1 径向基神经网络结构

径向基网络一般是三层结构（见图1）。φ（u，tk）是非线性函数（一般选择高斯型函数），用于计算输入向量u与它的中心tk间的距离。ωk表示联接第k个隐层结点与输出结点的权值，常量ω0代表偏差。

网络的输出与输入关系见式（1）：

式中：‖u－tk‖为u和tk之间的欧几里得距离；b为宽度；n为净输入。

隐含层的每个节点称为径向基神经元，其计算过程见图2。

这里径向基函数的输入值为输入向量u与权值向量ω的距离乘以偏差b后的结果。一般选择高斯函数作为神经元函数，如式（2）所示。

当输入向量u与权值向量ω的距离减小，输出值减小；当输入向量u与权值向量ω相同时，函数输出为1，为最大值。因此，径向基神经元起着一个距离检测器的作用。偏差b可以改变神经元的敏感度。在输入向量u与权值向量ω的距离变化一定的情况下，b增大，径向基函数的宽度减小，函数输出值变化较大，对距离变化敏感。

1.2 径向基神经网络的训练

RBF网络的训练与设计分为两步，第一步是采用非监督式的学习训练RBF层的权值，第二步是采用监督式学习训练线性输出层的权值。通常RBF网络隐含层的权值被赋予一个不同输入矢量的转置，以使得每个神经元都作为不同输入矢量的探测器。一般若有q组输入矢量，则RBF层中的神经元个数最大为q，每个偏差置为0.832 6／c（c为高斯函数的中心），以此确定输入空间中每个神经元的响应宽度。

通过使网络输出与目标输出的误差平方和最小来求线性输出层的权值［6］。本研究采用最小二乘法求解权值。

1.3 改进的径向基神经网络训练算法

上述设计过程的缺点是：所设计出的网络产生的隐含层具有的神经元的个数与输入矢量组数相等。当需要许多组矢量来定义网络时，用此方法设计的网络可能是不可接受的。对此采用的改进思想原则是：在满足目标误差的前提下尽量减少隐含层中的神经元个数。做法是：从一个节点开始训练，通过检查误差目标使网络自动增加节点。每次循环使网络产生的最大误差所对应的输入矢量产生一个新的隐含层节点，然后检查新网络的误差，重复此过程，直到达到目标误差或达到最大神经元数为止。

2 试验方法及数据采集

在某型车辆上进行柴油机倒拖试验。试验时在切断燃油供给的情况下，采用起动电机拖动柴油机运行3～4s，分别采用光电反射式传感器、光电式转速传感器和压力传感器同步测量柴油机左1缸上止点信号、瞬时转速信号及右6缸的气体压力信号，采样频率为14kHz。

利用上止点信号截取柴油机一个工作循环内的瞬时转速信号和右6缸气体压力信号（见图3）。

从图3中可以看出，瞬时转速信号在一个工作循环内呈现12次波动。瞬时转速的波动与各缸内气体压力的作用有关。由于该型柴油机为12缸机，在各缸气体压力的交替作用下，导致瞬时转速在一个工作循环内出现12次波动。

为了便于分析，假定各缸内气体压力完全一致，可绘制各缸内压力曲线，如图4中虚线所示。将各缸压力相加后得到叠加压力，如图4中实线所示。各缸内气体压力综合作用即构成了对转速的影响。由此可以看出，叠加压力在一个工作循环内存在12次波动，且在时域上与瞬时转速波形一一对应。因此通过测量瞬时转速，可以进一步检测气缸压缩压力或者判断各缸的压缩性能。

3 神经网络建模及模型求解

考虑到缸内压力与转速之间呈相反的增长关系，即缸内压力增大时，转速降低，而当缸内压力减小时，转速增高，因此如果直接截取右6缸气体压力所对应的转速作为网络的输入，会使RBF神经网络输入和输出之间的非线性因素增大。因此，采用相对转速，即截取右6缸气体压力所对应转速与此转速最大值之差的绝对值，作为网络的输入，对应的右6缸气体压力作为网络输出，相应地建立相对转速与右6缸压缩压力之间的RBF神经网络模型。截取转速过程见图3，求得的相对转速见图5，对应的右6缸气体压力见图6。

本研究按照改进思想进行网络设计和训练。网络的隐层神经元数目以及权值向量在训练中自动确定。利用12个样本分别建立识别模型，其中11个作为训练样本，剩下1个作为测试样本。在进行神经网络训练之前，对训练集和测试集进行归一化处理，采用的归一化映射见式（3）：

模型1：输入归一化后的相对转速，神经元为25个，输出气体压力，神经元也为25个。经过网络训练便可分别得到瞬时转速相对转速和气缸压力的非线性映射模型，隐层节点均为10个。

模型2：输入归一化后的相对转速，神经元为25个，输出气缸压缩压力，神经元为1个。经过网络训练便可分别得到瞬时转速相对转速和气缸压缩压力之间的非线性映射模型，隐层节点均为10个。模型1的分析结果见图7。

由图7可以看出，利用RBF神经网络检测气缸压力与实际测量气缸压力的逼近程度很高。检测的气缸压缩压力即为所检测缸内压力的峰值。模型2的分析结果见图8。

由图8可以看出，直接建立瞬时转速相对转速与气缸压缩压力的RBF神经网络模型，所检测气缸压缩压力的结果与实际测量的结果基本上是一致的。对12组样本数据的检测结果见表1。

由表1可以得知，模型1恢复气缸压缩压力的平均误差为1.082 9%，模型2恢复气缸压缩压力的平均误差为1.451 1%。两种神经网络模型恢复气缸压缩压力的精度都较高，但是模型1的恢复结果比模型2好，误差更小。

表1 检测气缸压缩压力与实测气缸压缩压力比较

4 柴油机气缸压缩性能检测

对该型柴油机进行气缸压缩压力检测时，规定了在曲轴转速为150r／min、温度为298K时的检测值标准。但在实车试验中，曲轴转速和进气温度并不完全是150r／min和298K，因此需要将所有数据都修正到标准转速和标准温度下［7］。

式中：pN，T为150r／min，298K时的压缩压力 ；t为测量时的进气温度；T0＝298K；N＝150r／min；n为实际测得的发动机转速；p为实际测得的气缸压力。

由前面的分析可知，模型1建立瞬时转速的相对转速与右6缸压缩压力之间的对应关系，求得的最大值即为气缸压缩压力，误差小于2%。利用此方法检测气缸压缩压力，并且根据式（4）把检测结果修正到标准转速、标准温度状态下。

某型柴油机运转时间为150h，在起动平均转速为144r／min、进气温度为303K时，气缸压缩压力检测结果和修正结果见表2。由该型柴油机使用标准得知，在转速n＝150r／min，标准大气温度298K时，完全磨合后的发动机压缩终了的压力应在2.744（28kg／cm2）～2.94MPa（30kg／cm2）范围内，最低不得小于1.764MPa（18kg／cm2），且各缸差值不大于10%。

由表2修正后压缩压力数据可以看出，该型柴油机各缸的压缩压力都在警戒线1.764MPa之上，并且各缸差值为2.148 6%，远小于10%。因此，该柴油机气缸压缩性能良好，各缸比较均衡。

表3列出不同柴油机气缸压缩压力修正后的检测结果。从表3中可以看出，随着柴油机使用时间的增加，各缸的压缩压力呈现减小趋势，这反映了气缸磨损呈现增大趋势，尤其是6号和7号车，气缸压缩压力的最小值距离警戒线值比较近，气缸压缩性能比较差；随着使用时间的增加各缸差值呈现增大趋势，这反映了气缸密封不均衡度也呈现增大趋势。

表2 某型柴油机气缸压缩压力检测结果和修正结果

续表2 某型柴油机气缸压缩压力检测结果和修正结果

表3 不同柴油机气缸压缩压力检测修正后的结果 MPa

5 结束语

本研究提出了一种利用柴油机倒拖过程瞬时转速分析来间接测量气缸压缩压力的方法，进而检测气缸的压缩性能。通过对实际测量的瞬时转速信号和缸压信号的分析，利用逼近性更强的RBF神经网络建立了瞬时转速波动与气缸内压力的关系模型，实现了实车气缸压缩压力的不解体检测。结果表明，该方法检测效果良好，能够有效评价柴油机气缸压缩性能和气缸密封不均衡度。

［1］ 邱宗敏，金洪卫.气缸压缩压力的测量在发动机故障诊断中的运用［J］.装备制造技术，2012（4）：73－74.

［2］ 乔新勇，刘建敏，刘 玮.基于振动测量的发动机气缸压缩压力检测方法［J］.内燃机工程，2008，29（4）：63－67.

［3］ 黄加亮.RBF神经网络在船用低速柴油机故障诊断中的应用研究［D］.大连：大连海事大学，2000.

［4］ 陈丹一，黄加亮，蔡振雄.径向基函数网络用于船用柴油机智能诊断的研究［J］.武汉理工大学学报：交通科学与工程版，2004，28（4）：494－497.

［5］ Martin T Hagan，Howard B Demuth，Mark Beale.Neural Network Design［M］.Boston：PWS Publishing Company，2002.

［6］ 阎平凡，张长水.人工神经网络与模拟进化计算［M］.北京：清华大学出版社，2000：40－57.

［7］ 刘春华.基于瞬时转速分析的坦克柴油机状态检测与故障诊断研究［D］.北京：装甲兵工程学院，2012.