论文部分内容阅读
发动机失火故障诊断是汽车车载诊断系统(On-Board Diagnosis,OBD)的重要组成部分,直接关系到车辆行驶过程中的排放、燃油消耗和发动机损伤。目前,汽车发动机失火故障诊断方法大多存在诊断精度不高、实时性差以及多缸失火故障诊断难度较大等问题,且瞬态工况下的发动机失火故障诊断内容缺乏。本文围绕不同工况下的汽车发动机多缸失火故障诊断方法展开研究。论文的主要工作包括:1.汽车发动机失火判断依据分类以及失火故障诊断方法分析对国内外汽车发动机失火故障诊断方法的系统分析发现失火判断依据分为气缸外部因素和气缸内部因素,在此基础上系统地总结了近年来国内外已有的失火故障诊断方法,并对诊断过程中存在的问题及关键点进行了分析。进一步地,本文选用发动机燃烧扭矩作为失火故障诊断的判断依据,提出基于观测器设计的方法间接估计发动机燃烧扭矩,为后文的研究奠定了基础。2.基于滑模观测器的汽车发动机燃烧扭矩估计鉴于滑模观测器具有强鲁棒性和估计精度高的特点,本文建立了含目标参数发动机燃烧扭矩的曲轴动力学模型,并完成了滑模观测器的设计,同时运用Lyapunov稳定性理论证明了观测器的收敛性。仿真结果表明:在稳态工况下,滑模观测器能较好地估计出发动机燃烧扭矩,估计误差为-25~20N m;瞬态工况下,滑模观测器将失效。3.基于改进的Luenberger滑模观测器的汽车发动机燃烧扭矩估计针对瞬态工况下发动机燃烧扭矩估计失效的问题,本文引入Luenberger项设计出Luenberger滑模观测器,有效地估计出了瞬态工况下的发动机燃烧扭矩。为进一步减弱系统存在的抖振问题,本文提出用饱和函数改进滑模观测器的符号函数项。仿真结果表明:改进的Luenberger滑模观测器降低了系统的抖振,并提高了发动机燃烧扭矩的估计精度,稳态估计误差可达-5~12N m,瞬态误差为-15~60N m。4.基于Elman神经网络的汽车发动机失火故障诊断方法基于改进的Luenberger滑模观测器估计出的发动机燃烧扭矩,本文进一步地提出采用Elman神经网络进行怠速工况、加速工况和减速工况下的汽车发动机多缸失火故障诊断。首先,对发动机燃烧扭矩进行分段预处理;然后,将处理后的数据作为Elman神经网络的输入,用于训练和测试;最后,在实验仿真中加入BP神经网络、支持向量机和多层感知器网络进行对比。仿真结果表明:Elman神经网络能更加稳定地收敛于全局最优值,并能有效地诊断出不同工况下的发动机多缸失火故障。