基于缸盖振动信号的柴油机多工况气缸压力识别方法研究*

刘建敏，李晓磊,2，乔新勇，张 杰

(1.装甲兵工程学院机械工程系，北京 100072； 2.解放军77136部队，璧山 402760；3.中国人民解放军驻318厂军事代表室，北京 100053)



2015151

基于缸盖振动信号的柴油机多工况气缸压力识别方法研究*

刘建敏1，李晓磊1,2，乔新勇1，张 杰3

(1.装甲兵工程学院机械工程系，北京 100072； 2.解放军77136部队，璧山 402760；3.中国人民解放军驻318厂军事代表室，北京 100053)

对某12150型柴油机进行了缸内燃烧激励的瞬态动力学计算，分析了其缸盖振动的位移、速度和加速度与缸内燃烧特征参数的对应关系。接着在此基础上，对实测振动加速度进行数字积分和平均滤波得到振动位移信号，并利用希尔伯特包络和滑动平均法提取了振动位移的趋势项。再以该趋势项为输入参数构建了Adaboost_BP集成神经网络模型，最后利用此模型对不同工况下的缸内压力进行识别。结果表明：振动位移趋势项与缸内压力的良好对应关系和参数本身的简洁性有效降低了神经网络输入的复杂度，提高了神经网络的训练效率；集成神经网络模型能够准确识别不同工况下的缸内压力，其泛化性和精度均有大幅度提高。

柴油机；振动；气缸压力；希尔伯特包络；集成神经网络

前言

缸内压力直接反映柴油机燃烧过程，是表征柴油机技术状况的重要参数之一。对于台架试验和某些设计完善的车辆通常采用缸压传感器直接测量缸内压力，可实现发动机工作状况的实时监测。军用车辆没有预设缸内压力传感器，同时由于空间的限制，实车安装缸内压力传感器非常繁琐，严重影响了检测效率。相比之下，柴油机表面振动信号获取较为方便快捷，且其中蕴含了丰富的缸内燃烧信息，可以用于间接检测缸内压力。

目前利用振动信号检测缸内压力的研究比较多，方法也是多种多样[1-4]，但通常不进行振动信号产生机理的分析，忽略了振动信号与缸内压力的本质联系。本文中通过瞬态动力学仿真，深入分析了不同类型振动信号与缸内压力的对应关系，发现振动位移信号与缸内压力的变化趋势最为接近，适合用于缸内压力的精确识别。在此基础上，利用希尔伯特包络和滑动平均，提取了振动位移信号的变化趋势，并建立了Adaboost_BP神经网络模型，通过改进权重系数和误差函数，实现了多工况下缸内压力的识别，并对缸内压力异常现象进行了准确检测。

1 缸内燃烧激励振动响应机理分析

针对某12150型柴油机建立了缸盖装配体的有限元模型，如图1所示。由于主要研究对象为缸盖，为减小计算量，将机体设置为刚体。为了便于网格划分，对缸盖和螺栓也进行了简化，忽略了部分倒角、凹槽和小的螺栓孔。经过检验网格无关性，最终确定计算中采用四面体网格单元，装配体单元数为226 115，节点数119 829，具体如图1所示。缸盖材料为铝合金ZL702，缸盖螺栓的材料为42CrMo。

通过台架试验得到右1缸缸内压力曲线，将两个工作循环的气缸压力施加在缸盖火力面上，压力载荷方向垂直于火力面向上。施加的气缸压力曲线如图2所示。

设置边界条件和螺栓预紧力，进行瞬态动力学计算，得到振动加速度响应，如图3所示，与实测振动加速度变化趋势较为接近，表明建立的仿真模型基本合理，可以用来分析缸内燃烧特征参数及其响应信号之间的关系。

1.1 振动位移信号产生机理分析

实测缸内压力信号及其计算振动位移响应如图4所示。由图可见：二者在变化趋势上非常相似，尤其是在最大爆发压力之前；最大爆发压力之后，位移响应的波动开始变的剧烈，但趋势仍旧比较相似。

对缸内压力信号与振动位移信号的变化关系做如下解释：缸盖通过联接螺栓与机体固定，随着缸内压力的升高，缸盖以及螺栓在活塞轴线方向产生变形，峰值压力前，该变形量出现一致性增大，但由于作用力持续增加，不会产生振动；峰值压力后，缸内压力逐渐降低，各部件的弹性回复力开始发挥作用，导致缸盖系统开始产生振动。由此缸盖振动位移响应以峰值压力为界分为两个阶段，峰值压力之前的位移信号与缸内压力相关性较强，峰值压力后的位移信号由于回复力的作用存在一定的振荡，但整体趋势仍与缸内压力有较高的相似性。

1.2 振动速度信号产生机理分析

由以上分析，不难推断振动速度信号应该与缸内压力信号的导数即压力升高率存在一定的关系。

计算实测缸内压力信号的压力升高率，其计算公式[5]为

(1)

式中：PIRi为第i点压力升高率；pi为第i点压力值；Δφ为两采样点之间的角度，假定发动机一个循环内的转速恒定，则Δφ=720/一个循环的采样点数。

图5为由实测缸内压力计算得到的压力升高率与仿真振动速度的对比。由图可见：二者在幅值和相位上有一定偏差，但大体趋势基本一致，这表明振动速度与缸内压力升高率存在较强的对应关系。

1.3 振动加速度信号产生机理分析

振动加速度是振动速度的导数，由此可推断振动加速度应该与压力升高率的导数即压力升高加速度存在对应关系。图6为计算振动加速度与缸内压力2阶导数的对比。由图可见，二者在变化趋势上较为相似，但由于缸盖、机体系统的响应延迟以及其他激励的干扰，二者在幅值及相位上存在一定差异。

图7为实测振动加速度与缸内压力2阶导数的对比。由图可见，二者变化趋势也较为相似，但由于针阀落座激励和燃烧激励的干扰，信号对最大压力升高率附近的变化反映不够准确，另外振动加速度对高频信号较为敏感，导致信号的局部振荡较剧烈，不利于识别缸内燃烧的特征信息。

2 信号分析及预处理

通过机理分析，不难看出振动位移信号与缸内压力的变化趋势最为接近，因此应采用振动位移识别缸内压力。由于车辆空间限制，不便于采集柴油机缸盖的振动位移信号，试验中通常采集缸盖振动加速度信号。由3种信号的关系可知，将缸盖振动加速度进行二次积分即可得到振动位移信号。数字积分的常用算法有梯形积分公式和Simpson积分公式等，其中梯形公式计算简单，但误差稍大，而Simpson公式计算量稍大但积分精度较高，因此本文中采用Simpson积分法，其表达式[6]为

(2)

式中：v(i)为积分后的速度信号；a(i)为采集到的加速度信号；Δt为采样间隔时间。

振动信号积分时，由于积分初值无法确定，导致积分后的信号包含直流分量，同时由于缸盖表面温度多变，应力环境复杂，会在信号中存在不规则的趋势项，趋势项对变换结果影响比较突出，可能导致积分结果完全失真。针对此问题，本文中采用滑动平均法消除趋势项，该方法具有较高的噪声减少比，且实现简单[7]。图8为振动加速度信号二次积分得到的振动位移信号。由图可见，受针阀落座和活塞敲击等激励的影响，振动位移信号对缸内压力变化的反应不太明显，仅在燃烧始点至最大爆发压力段保持了较强的相似度。

为弱化其他激励引起的局部波动，提取振动位移信号的变化趋势，首先采用希尔伯特(Hilbert)变换求取振动位移信号的包络信号。Hilbert变换是一个定义信号幅值和相位的特殊函数，它能充分体现原始信号的包络信息。设振动信号序列为X(t),则其解析信号表达式Y(t)为

Y(t)=X(t)+jH(t)=A(t)expjφ(t)

(3)

(4)

式中H(t)为X(t)的希尔波特变换。

从式(3)中可知振动信号的幅值信息全部蕴含于幅值函A(t)中，该函数直观反映了激励(气缸压力)的变化信息[8]。图9为上止点前后振动位移包络信号与缸内压力的对比。由图可见：由于幅值负值的不存在，希尔波特变换增强了信号幅值的变化效应，较为明显地反映了气缸压力的变化；但由于其他激励的低频成分无法彻底清除，包络信号局部仍存在较大波动。为进一步突出信号的整体变化趋势，利用滑动平均求取包络信号的趋势项，具体如图10所示。由图可见：趋势信号的变化更加平滑，与缸内压力的相似度大大增加。

3 缸内压力识别

利用缸盖振动信号识别气缸压力的方法可以归纳为以下3种：传递函数法、倒谱法和神经网络法。前两种方法均须假设研究对象为线性系统，且需要获取系统的传递函数。柴油机缸盖系统结构复杂，振动信号在传递过程中受到诸多非线性因素的影响，将其假设为线性系统显然不合理。BP神经网络能够以任意精度逼近任意非线性映射，且结构简单，在机械故障诊断中得到了广泛的应用。但也存在一些缺陷，如学习收敛速度慢、易陷入局部最小等，同时利用单一神经网络往往只能构建针对某一特定工况的缸内压力识别模型，将其应用于多个工况缸内压力的识别，会导致网络结构过于复杂，识别精度低，泛化性差等一系列问题。为此，本文中利用Adaboost算法建立了组合BP神经网络模型(Adaboost_BP模型)，针对多个工况下的缸盖振动位移信号进行缸内压力识别，取得了较好的效果。

3.1 Adaboost_BP模型的建立方法

Adaboost算法的雏形为Boosting算法，其基本思想就是试图产生数个简单的、精度比随机猜测略好的弱规则，再将这些规则集成构造一个高精度的强规则，这种思想起源于Valiant提出的PAC学习模型[9]。

针对缸内压力识别问题，AdaBoost集成算法将BP神经网络作为弱预测器，反复训练BP神经网络，进而加权得到BP神经网络强预测器。其算法具体步骤如下。

步骤1：数据选择和网络初始化。从样本空间中随机抽取m组数据作为训练样本，并初始化分布权重Dt(i)=1/m，根据样本输入输出维数确定BP神经网络结构，初始神经网络的权值和阈值。

步骤2：弱预测器预测。以第t个预测器为例，用训练样本数组g(t)训练BP神经网络并预测训练样本的输出结果，得到训练样本数组g(t)的预测误差和et，同时计算下一个预测器中样本的分布权重Dt+1(i)。

(5)

(6)

步骤3：计算预测序列权重。根据训练样本组g(t)的预测误差et计算序列的权重at：

(7)

(8)

式中：Bt为归一化因子，目的是在权重比例不变的情况下视分布权重和为1。

步骤5：训练停止条件。当所有训练样本的误差均方值小于指定值时，停止训练下一个弱预测器，即

errt(i)

(9)

此时，et=0，at达到最大值0.5，即该预测器的权重最大。

步骤6：强预测函数。训练T轮后得到T组弱预测函数f(g(t),at)，将T组弱预测器组合得到强预测函数h(x)为

(10)

3.2 基于Adaboost_BP模型的缸压识别

以上止点前20～上止点后30°CA的缸内压力为识别对象，选取振动位移包络信号的趋势项作为神经网络输入进行识别。为了统一输入和输出向量的维数，以1°CA为单位抽取50个点的趋势项数据及缸压数据，并利用式(11)对样本进行归一化。

(11)

对于BP网络，单隐层的网络可以完成任意的非线性映射。因此采用3层BP神经网络进行训练。隐层神经元数确定是个十分复杂的问题，通常需要根据设计者的经验和多次实验来确定，不存在理想的解析表达式。隐层神经元数目与问题的要求和输入/输出的单元数均有密切联系。隐层神经元数目太多会导致训练时间过长，容错性变差。参考式(12)经验公式可知，BP神经网络输入层有50个神经元，则隐层神经元数目约为6，可初步确定网络结构为50-6-50，经后期实验对比最佳网络结构为50-8-50。其他神经网络参数设置如表1所示。

n1=log2n2

(12)

式中n1和n2分别为隐层和输入层神经元数目。

表1 参数设置

为了提高网络的工况适应性，选择1 200，1 600和2 000r/min空载工况建立神经网络模型。每个工况选择10个样本共30个样本组成训练样本。另外各抽取10个样本作为测试样本。首先单独采用BP神经网络进行训练，其误差曲线如图11所示，由于输入输出数据对应关系较好，网络经过8步训练即达到预定误差并收敛。利用该网络对不同工况下未参与训练的振动位移数据进行测试。图12～图14为识别缸内压力与实测缸内压力的对比。由图可见，模型的识别精度较低，泛化性较差，无法满足多工况缸内压力的检测要求，分析认为主要是由于不同工况下缸内压力与振动位移的非线性关系有所差别，而单一神经网络的泛化能力较弱，无法同时建立多个不同的映射关系且保持较高的识别精度。

采用Adaboost集成BP神经网络以提高模型的泛化性和准确度。将BP神经网络作为弱预测器，设定循环训练次数T=10，误差阈值为c=0.001。

相比单一神经网络模型(弱预测器)，集成BP神经网络的识别误差明显下降，如图15所示。模型对不同工况均保持了较高的识别精度，具体识别情况如图16～图18所示。由图可见识别缸内压力与实测缸内压力几乎重合，泛化性及精确度均有了大幅度提升。

4 结论

(1) 通过瞬态动力学仿真，分析了缸内压力作用下缸盖振动位移、振动速度和振动加速度的产生机理，发现三者分别与缸内压力、缸内压力升高率和缸内压力升高加速度存在对应关系。

(2) 利用数字积分和平均滤波处理振动加速度

信号，能够得到可用的振动位移信号；希尔伯特包络和滑动平均处理能够有效削弱振动位移信号中其他激励引起的局部波动，准确提取振动位移的趋势信息。

(3) 振动位移趋势项的简洁性大幅度降低了神经网络输入的复杂度，利用它与缸内压力良好的对应关系，建立了Adaboost_BP集成的神经网络模型，经验证，该模型能够准确识别不同工况下的缸内压力，相比单一神经网络，泛化性和精确度均有大幅度提高。

[1] 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.

[2] 朱继军.冲击响应信号反演柴油机气缸压力的研究[D].武汉:武汉理工大学,2007.

[3] 纪少波,程勇,唐娟,等.基于缸盖振动信号时域特征识别气缸压力的研究[J].内燃机工程,2008,29(2):76-80.

[4] 奚银华,林瑞霖,刘伯运.基于独立分量分析与传递函数的气缸压力重构[J].船海工程,2011,40(5):82-85.

[5] PEI Operation Manual: Engine Cycle Analysis[G]. Version 892.

[6] Ribeiro J G T, Castro J T P, Freire J L F. New Improvements in the Digital Double Integration Filtering Method to Measure Displacements Using[C]. Proceedings of the 19th International Modal Analysis Conference, CR-ROM, Orlando, Florida,2001.

[7] Sophocles J O. Introduction to Signal Processing[M]. Prentice Hall,1996.

[8] 王珍,李吉,丁子佳.基于局域波和Hilbert变换的柴油机气缸压力识别方法[J].内燃机学报,2005,23(4),380-383.

[9] Freund Y, Schapire R E. A Short Introduction to Boosting[J]. Journal of Japanese Society for Artificial Intelligence,1999,14(5):771-780.

A Study on the Cylinder Pressure Identification Method for Diesel EngineUnder Multiple Working Conditions Based on Cylinder Head Vibration Signals

Liu Jianmin1, Li Xiaolei1,2, Qiao Xinyong1& Zhang Jie3

1.DepartmentofMechanicalEngineering,AcademyofArmoredForcesEngineering,Beijing100072; 2.77136Troops,PLA,Bishan402760; 3.TheMilitaryDelegacyofPLAtoNo.318Factory,Beijing100053

The transient dynamics calculation of in-cylinder combustion excitation in a 12150 diesel engine is carried out and the correlations between the displacement, velocity and acceleration of cylinder head vibration and the characteristic parameters of in-cylinder combustion are analyzed. Then on these bases, with the digital integration and average filtering of the vibration acceleration measured, vibration displacement signals are obtained, and by using Hilbert envelope and moving average method the trend of vibration displacement is extracted, with which as input parameter, Adaboost_BP integrated neural network model is built. Finally based on the model the cylinder pressures in different working conditions are identified. The results show that the good correlation between the trend of vibration displacement and cylinder pressure as well as the brevity of parameters themselves effectively reduce the complexity of neural networks input, and hence improve the training efficiency of neural network, while the integrated neural networks model can accurately identify cylinder pressures under different working conditions, with its generalization and accuracy greatly increased.

diesel engine; vibration; cylinder pressure; Hilbert envelope; integrated neural network

*装备预先研究项目(40402020101)资助。

原稿收到日期为2013年12月31日，修改稿收到日期为2014年3月7日。