基于卷积神经网络的柴油机DPF状态辨识研究

程德新， 赵树恩， 张 军， 王欣伟， 胡超超

(1.重庆交通大学机电与车辆工程学院， 重庆 400074； 2.内燃机可靠性国家重点实验室， 山东 潍坊 261000；3.潍柴动力股份有限公司， 山东 潍坊 261000)

面对更为严苛的国Ⅵ排放标准，仅通过机内燃烧技术很难满足要求。柴油机颗粒捕集器(DPF)作为后处理系统的关键部件，长期在较高的排气温度、机械振动、热冲击等恶劣环境下工作，容易发生烧熔、断裂和堵塞等故障，对发动机动力性、经济性和排放造成影响，严重时会危害人体健康。针对DPF故障诊断问题，文献[2-8]各自提出了相应的方法，但这些方法还存在诊断模型复杂、鲁棒性差、传感器精度要求高等问题。本文提出一种基于卷积神经网络的状态辨识方法，对上述问题予以改善。

1 DPF状态特征仿真分析

柴油机运行过程中，由于颗粒物不断累积、再生不完全或失败会导致后处理装置堵塞，出现燃烧变差、熄火和启动困难等现象，甚至会通过ECU降低发动机的峰值扭矩，限制车辆的行驶速度；另外，碳烟过多会使再生温度过高导致DPF载体基质烧融，温度梯度过大会导致载体烧裂，机械振动会导致载体结构破损，最终会造成部分废气未进行处理便直接排向大气；更为严重的是将DPF移除会对环境造成重大影响。因此，需要事先通过仿真分析DPF的不同状态与其特征参数之间的关系，为DPF状态辨识所需的神经网络训练参数的选择提供依据。

1.1 DPF仿真模型及验证

根据所用发动机的试验数据，运用GT-SUITE软件搭建柴油机DPF的仿真模型，如图1所示。DPF主要结构参数如下：长度304.8 mm，直径203.2 mm，壁厚0.228 6 mm，目数300，孔隙率52%，进出口孔径比例1.3，催化剂3 g/cft。

图1 DPF仿真模型

为验证仿真模型的准确性，将仿真结果与试验结果进行比较。仿真入口参数为采集的试验数据，即WHTC工况下排气体积流量、DPF上游温度和碳烟质量流量，出口初始环境为1.05 bar、28 ℃。在DPF正常状态(即表1中“正常”)下仿真和试验得到的压差和出口温度曲线如图2和图3所示。

图2 DPF压差随时间变化曲线

图3 DPF出口温度随时间变化曲线

从图2和图3中可以看到，WHTC工况下，仿真与试验结果趋势一致，但图2中脉冲峰值偏差较大，主要原因是排气流量变化剧烈，压差传感器过于灵敏，使得高频信号载入后对其他信号造成影响，因此，需要对压降信号进行滤波处理。图3中出口温度相对偏差较小。因此，构建的仿真模型精度较高，可以用于DPF不同状态特征的模拟仿真。

1.2 DPF不同状态特征仿真分析

通过破坏试验研究DPF不同状态特征的成本较高，故采用上节中经过验证的仿真模型调节DPF不同参数来模拟不同状态。根据国Ⅵ排放标准，主要对DPF载体堵塞、破损和移除三种典型状态的特征参数进行仿真分析。分别通过增加DPF的碳载量模拟载体堵塞、增大载体的渗透率和孔径模拟破损、用等尺寸直管等途径模拟DPF载体(即DPF滤芯)移除等典型状态，采用“故障回注”策略，分析DPF不同状态时其压降、出口温度、出口端碳烟浓度和碳烟累积排放量的变化情况。DPF不同状态模拟输入参数见表1，仿真结果分别如图4～6所示。

表1 DPF不同状态模拟仿真参数

从图4中可以看出，当载体发生堵塞时，气流流通阻力增加，使得DPF前后压差较大；当载体发生破损时，部分气流不再流经过滤壁，而是直接从破损处流向出口通道，流动阻力减小，使得压差降低；当DPF载体被人为移除时，DPF上的压差传感器检测到压力变化微小，其前后压降几乎为零。

图4 DPF不同状态压差变化曲线

从图5可知，堵塞和破损对DPF出口温度影响程度较小，但是将DPF载体拆除后，热流流速显著增加，温度沿程损失几乎为零，出口温度与入口温度几乎相等，因此移除载体对DPF出口温度影响较大。整体趋势有如下规律：随着DPF堵塞程度增加，DPF出口温度时延特性增加；随着过滤器载体破损程度增加，DPF出口温度变化较正常状态更灵敏。

图5 DPF不同状态出口温度变化曲线

(a) DPF不同状态出口端碳烟浓度

(b) DPF不同状态出口端碳烟累计排放量变化

图6为DPF状态与出口碳烟之间的关系，随着碳烟在通道不断累积，颗粒捕集器的渗透率会进一步减小，故出口碳烟累计排放量更少，仅占正常排放量的0.39%；当载体破损时，部分废气流直接从破损处流出，DPF的过滤效率降低，出口碳烟累积量明显增加，相比正常状态增加了76.22%；当载体移除后无法过滤排气中的颗粒物，故捕集效率为零，碳烟排放量显著增加，是DPF正常排放量的193.45%。

2 基于卷积神经网络DPF状态辨识

2.1 基于1D-CNN的DPF状态辨识模型构建

通过对DPF不同状态仿真研究发现，在瞬态工况下，DPF不同状态所引起的发动机排气压降、温度和碳烟浓度等变化存在一定规律，但是难以通过精确的函数来拟合故障类型与它们之间的关联关系。因此，运用卷积神经网络对DPF不同状态下发动机排气流量、转速、DPF进出口温度、压降和碳烟浓度等多元数据特征“自学习”，利用卷积网络非线性特性来实现DPF状态辨识是一种有效手段。本文采用一维卷积神经网络(1D-CNN)进行DPF状态辨识。

1D-CNN是处理二维图像卷积神经网络(2D-CNN)的一种变形，在处理一维信号方面具有明显优势，近年来广泛应用于疾病监测、结构损伤检测、轴承故障和电机故障监测等领域 。DPF状态辨识模型的1D-CNN主要由输入层、卷积层、池化层、全连接层等组成，其中输入层为DPF工作相关的一维时间序列数据。本文搭建的1D-CNN主要结构如图7所示。

图7 一维卷积神经网络DPF状态辨识模型结构

2.2 卷积神经网络状态辨识模型样本数据

为解决试验数据样本量不足的问题，采用“故障回注”策略，仿真得到不同DPF状态下的特征参数，将试验数据和仿真数据共同作为样本库，即WHTC工况下的实测数据和基于GT-Suite仿真模型分别在0 g/L、1.2 g/L、2.5 g/L、3 g/L～5.75 g/L(其间间隔0.25 g/L)碳载量下的仿真数据，通过设置数据采样频率(10 Hz)，获取包含排气体积流量、DPF入口温度、DPF出口温度、DPF压差、发动机转速和出口碳烟浓度6 组相关数据，将获得的数据参考国Ⅵ标准以15 s为时间段进行切片操作，再进行数据拼接融合，并进行one-hot编码。完成数据构建后，最终得到 2 520组(750,1)数据样本，并将70%(1 764组)的数据作为训练集，剩余30%的数据作为测试集，完成最终样本构建。

2.3 结果与分析

在1D-CNN模型训练过程中，训练损失函数选择交叉熵损失函数,优化算法选择Adam，学习率为0.001，迭代次数为500次，训练批量设置为128。为有效抑制网络过拟合现象，在训练中适当加入了Dropout层来随机抑制部分神经元响应。模型训练的准确率和损失如图8所示。

(a) 训练准确率

(b) 训练损失

通过对1 764组数据进行模型训练，采取10折交叉验证，得到模型的训练准确率和验证准确率分别为91.43%和83.05%，模型训练损失分别为0.228 2和0.452 1。为了对比不同神经网络模型对DPF状态辨识的准确度，本文还采用了反向传播神经网络(BPNN)和长短期记忆网络(LSTM)。三种网络的应用结果见表2。

表2 不同辨识模型对比

通过表2可以发现，BPNN和LSTM对DPF相关数据的特征提取较弱，难以实现DPF状态辨识，且LSTM在训练时间上相对更长。相反，1D-CNN以其特殊的卷积和池化层对数据特征提取能力较强，模型测试精度较高，训练时间较短，计算复杂度较低。

应用1D-CNN进行DPF状态辨识的结果如图9所示。可以看到，1D-CNN对DPF载体正常、轻度堵塞、严重堵塞、破损的分类准确率在90%左右，对DPF移除的分类准确率达到100%，但对中度堵塞I和II的分类准确率只有70%多。因此，在实际应用中1D-CNN辨识并不能确保100%的准确率，而可以通过计数统计的方式，将一段时间内激活次数最多的状态作为最终辨识结果。

图9 测试集识别结果

总体来说，采用1D-CNN对DPF相关数据特征的“自学习”，对DPF的工作状态的辨识具有较高的精度，可以有效地尽早发现DPF故障信息，便于提前采取措施，有利于提高发动机性能和减少污染物排放。

3 结束语

通过研究DPF不同状态特征及其对排放的影响，得出载体不同状态与特征参数的变化规律，并提出利用卷积神经网络来“自学习”这种规律，实现对DPF工作状态识别，为设计开发国Ⅵ甚至更严格的OBD系统提供参考。