论文部分内容阅读
摘 要：改革开放以来，人民的物质生活水平不断提高，汽车也逐渐普及，走进了千家万户。但是伴随而来的是今天的交通事故不断增加，刨除人为因素，很多事故中的事故原因都与汽车故障有关。汽车车载诊断系统可以对汽车故障进行诊断，而这一系统中的一项重要组成部分，就是发动机失火故障诊断。文章探讨汽车发动机失火故障的诊断方法，对多种发动机失火故障诊断方法进行总结。
关键词：汽车故障；发动机失火；故障诊断
前言：失火故障指的是，在没有人为破坏的情况下，发动机内部的部件发生问题，导致发动机在气功的做功阶段燃烧异常的情况，例如，气缸密闭性问题，火花塞故障和喷油塞阻塞等问题。汽车发动机出现失火故障时，会对于汽车的运行造成严重的影响，如果情况严重，甚至会酿成严重的事故，乃至危及人身安全。由此可见失火故障的诊断重要意义。除此之外，发动机失火故障的诊断，对于环境保护，也有着重要意义。
1发动机失火故障的判断标准
1.1气缸外部的相关因素
判断发动机失火故障，可以通过曲轴转速的情况来判断。在发动机发生失火故障时，气缸内部的实际压力，会通过曲轴转速表现出巨大衰减，可以通过这一现象，对于发动机失火故障进行具体的判断。在实际的诊断过程中，可以通过曲轴瞬时角速度或曲轴瞬时净扭矩来作为判断的标准。曲轴瞬时角速度，在气缸的正常状态和失火状态，其波形具有规律性。因此，我们可以通过对气缸内部瞬时角速度的波形变化，来对发动机进行失火诊断。还有研究表明，通过曲轴瞬时角加速度用于诊断发动机失火故障效果会比曲轴瞬时角速度准确性更高。因为曲轴瞬时角速度在发动机的某些特殊情况下，会产生较大的测量误差，从而导致失火故障的误判。目前的发动机失火故障的诊断中，还没有直接通过曲轴瞬时角加速度来直接判断发动机失火故障的，多数都是通过间接转换来实现对发动机失火故障的诊断。除了通过曲轴瞬时角速度来对发动机进行失火诊断，还可以通过对曲轴瞬时净扭矩的测量来进行诊断，曲轴净扭矩同曲轴瞬时角加速度一样，无法直接测量以检测发动机失火故障，只能通过间接测量的方式获得。发动机失火故障的外部因素中，除曲轴瞬时速度、曲轴净扭矩之外，还可以通过对机体的噪音、排气噪音、排放的废气成分等方面来进行发动机失火诊断。
1.2气缸内部的相关因素
气缸内部的压力，也是判断发动机失火故障的一项诊断标准。在发动机运行过程中，燃烧室的压力值与气缸内部的燃烧质量是直接相关的。分析气缸内部的压力变化，由此判断失火故障。气缸内部的运行情况，除燃烧室的压力值外，还有其他因素，如气缸内部运行时产生的离子电流信号、光学信号、声学信号等。对于燃烧室内部的观察，不仅可以监测其压力值，还可以观察燃烧室内部的光学信号。通过光学观察，统计可见光范围内的电磁辐射，对燃烧室内的燃料混合物情况，燃烧情况等进行直接的观察。获得燃烧室内部的情况，以此来判断发动机失火情况。除了光学信号外，还有通过离子电流信号来判断发动机失火故障的标准。在气缸运行过程中，燃烧室内会产生大量的离子电流信号。这些电离信号，提供了燃烧室内的大量信息，通过这些信息，可以分析出燃烧室内的燃料燃烧情况。当气缸内部的电离信号发生剧烈变动时，则有意味着发动机发生了异常，并有发动机失火的可能。
2发动机失火故障诊断方法介绍
2.1基于数据的发动机失火故障诊断
发动机失火故障的诊断方法目前不同学者有着不同的具体方法，在总体上，大体可分为三种，基于数据的方法、基于模型的方法、综合数据与模型的方法。基于数据的发动机失火故障诊断，它的核心内容在于数据的采集与分析。基于数据的发动机失火诊断，常用的诊断方法有概率神经网络、小波包和极限学习机、振动信号分析等。概率神经网络是Specht在1989年提出的神经网络，它有着网络学习效率高，所需样本少，容错性高等优点。概率神经网络基于贝叶斯理论为算法。贝叶斯理论在统计学等方面有着重要地位，概率神经网络中，通过贝叶斯分类器可以确保最小错误发生率。除概率神经网络外，还有BP神经网络、RBF神经网络等，都可以运用在基于数据的发动机失火故障诊断中。基于数据的发动机失火诊断，已经延伸到了多缸失火。目前，判断多缸失火主要有两种方法，分别是运用傅里叶变换，按照发动机的着火顺序对变换过程进行各阶次的谐波进行分析。不过由于傅里叶变换只能反映整体的特征，无法反映出局部时间范围的信息，所以这种方法不能具体的对于哪一缸失火进行判断。还有一种多缸失火判断的方法是利用整个膨胀冲程中瞬时角速度的最大变化求取平均角加速度，这种方法与前文所提到的曲轴瞬时角加速度标准有关，这里就不重复论述了。
2.2基于模型的发动机失火故障诊断
基于模型的发动机失火故障诊断，是通过对于发动机参数建立模型，依靠模型的信息来判断失火故障的一种诊断方法。建立模型可以将气缸内部的数据信息进行模型化处理，构建相关的物理模型，相比于数据诊断更加的准确，也更加便于对失火故障原因的分析，以及对失火故障的理解。基于模型的发动机失火故障诊断中，最基础的模型内容是平均值模型和离散事件模型。在失火诊断中，需要结合上述两种理论模型，构建全新的理论模型以分析不同的失火故障类型。想要进行发动机失火诊断，首先要明确发动机的工作原理。发动机内气缸做功的本质是气缸内部燃料燃料燃烧释放化学能，通过这些化学能转化为动能，驱动发动机运转。建立气缸内部压力的数学模型：
通過对于气缸压力模型的分析，获得气缸内部压力变化信息，以此进行发动机失火判断。同时还可以结合上文所提到的BP神经网络，进行深度的运算和学习，对数据进行更加准确的预测，更好的进行发动机失火故障诊断。在模型诊断中，滑模观测器是重要的诊断工具。在具体的诊断中，需要结合曲轴转速、气缸扭矩等因素，运用滑模控制理论，设计对应的滑模观测器。这样设计的滑模观测器，可以监测发动机低速运转时的失火故障。目前运用滑模监测器进行发动机高速运转时的失火故障诊断还很困难。模型化的诊断方法可以比数据方法更加精准的进行失火诊断，同时对于模型化的参数，也有利于更好的进行失火原因的分析。模型相比于数据的优势很明显，同样的它也有着不如数据的劣势的一面，基于模型的发动机失火诊断难度远远高于数据。由此，产生了新的诊断分类，综合数据与模型的诊断方法。
2.3综合的发动机失火故障诊断
综合数据与模型的发动机失火诊断，是结合了二者优势的一种失火诊断方法。在实际的发动机失火诊断中，我们无法单纯的仅凭一种方法就能准确的进行诊断，基于数据与模型结合的诊断方法，可以更好的实现失火故障的诊断。数据的收集可以进行失火故障诊断，同时还为模型的建立提供参数。建立失火诊断数据模型，通过对模型的参数分析，也能更好地检验数据的准确性。无论是RBF神经网络，还是BP神经网络，数据的输入都可以更好地完善神经网络，使其更好地进行深度学习和运算。这种方法极大的提高了失火诊断的准确性，增强了鲁棒性，但是由于结合了数据与模型两者的因素，也增加了诊断的工作量和复杂程度。
结语
失火故障诊断有着重要的意义，对于失火诊断方法的研究也从未停止，与其他学科的交叉也极大的丰富了发动机失火诊断方法，这对失火诊断工作也起到了极大的推动作用，不断的提高失火诊断精度和效率，也是未来需要不断研究的重点。
参考文献：
[1] 乔新勇，刘建敏，张小明.基于神经网络信息融合的发动机失火故障诊断[J].内燃机工程，2009，30（ 1）：75-79.
[2] 康蔵，新刃，安钢.站丁统计模拟的柴油机失火故障的诊断方法.内燃机工程，2004，25（5）：66-68.
关键词：汽车故障；发动机失火；故障诊断
前言：失火故障指的是，在没有人为破坏的情况下，发动机内部的部件发生问题，导致发动机在气功的做功阶段燃烧异常的情况，例如，气缸密闭性问题，火花塞故障和喷油塞阻塞等问题。汽车发动机出现失火故障时，会对于汽车的运行造成严重的影响，如果情况严重，甚至会酿成严重的事故，乃至危及人身安全。由此可见失火故障的诊断重要意义。除此之外，发动机失火故障的诊断，对于环境保护，也有着重要意义。
1发动机失火故障的判断标准
1.1气缸外部的相关因素
判断发动机失火故障，可以通过曲轴转速的情况来判断。在发动机发生失火故障时，气缸内部的实际压力，会通过曲轴转速表现出巨大衰减，可以通过这一现象，对于发动机失火故障进行具体的判断。在实际的诊断过程中，可以通过曲轴瞬时角速度或曲轴瞬时净扭矩来作为判断的标准。曲轴瞬时角速度，在气缸的正常状态和失火状态，其波形具有规律性。因此，我们可以通过对气缸内部瞬时角速度的波形变化，来对发动机进行失火诊断。还有研究表明，通过曲轴瞬时角加速度用于诊断发动机失火故障效果会比曲轴瞬时角速度准确性更高。因为曲轴瞬时角速度在发动机的某些特殊情况下，会产生较大的测量误差，从而导致失火故障的误判。目前的发动机失火故障的诊断中，还没有直接通过曲轴瞬时角加速度来直接判断发动机失火故障的，多数都是通过间接转换来实现对发动机失火故障的诊断。除了通过曲轴瞬时角速度来对发动机进行失火诊断，还可以通过对曲轴瞬时净扭矩的测量来进行诊断，曲轴净扭矩同曲轴瞬时角加速度一样，无法直接测量以检测发动机失火故障，只能通过间接测量的方式获得。发动机失火故障的外部因素中，除曲轴瞬时速度、曲轴净扭矩之外，还可以通过对机体的噪音、排气噪音、排放的废气成分等方面来进行发动机失火诊断。
1.2气缸内部的相关因素
气缸内部的压力，也是判断发动机失火故障的一项诊断标准。在发动机运行过程中，燃烧室的压力值与气缸内部的燃烧质量是直接相关的。分析气缸内部的压力变化，由此判断失火故障。气缸内部的运行情况，除燃烧室的压力值外，还有其他因素，如气缸内部运行时产生的离子电流信号、光学信号、声学信号等。对于燃烧室内部的观察，不仅可以监测其压力值，还可以观察燃烧室内部的光学信号。通过光学观察，统计可见光范围内的电磁辐射，对燃烧室内的燃料混合物情况，燃烧情况等进行直接的观察。获得燃烧室内部的情况，以此来判断发动机失火情况。除了光学信号外，还有通过离子电流信号来判断发动机失火故障的标准。在气缸运行过程中，燃烧室内会产生大量的离子电流信号。这些电离信号，提供了燃烧室内的大量信息，通过这些信息，可以分析出燃烧室内的燃料燃烧情况。当气缸内部的电离信号发生剧烈变动时，则有意味着发动机发生了异常，并有发动机失火的可能。
2发动机失火故障诊断方法介绍
2.1基于数据的发动机失火故障诊断
发动机失火故障的诊断方法目前不同学者有着不同的具体方法，在总体上，大体可分为三种，基于数据的方法、基于模型的方法、综合数据与模型的方法。基于数据的发动机失火故障诊断，它的核心内容在于数据的采集与分析。基于数据的发动机失火诊断，常用的诊断方法有概率神经网络、小波包和极限学习机、振动信号分析等。概率神经网络是Specht在1989年提出的神经网络，它有着网络学习效率高，所需样本少，容错性高等优点。概率神经网络基于贝叶斯理论为算法。贝叶斯理论在统计学等方面有着重要地位，概率神经网络中，通过贝叶斯分类器可以确保最小错误发生率。除概率神经网络外，还有BP神经网络、RBF神经网络等，都可以运用在基于数据的发动机失火故障诊断中。基于数据的发动机失火诊断，已经延伸到了多缸失火。目前，判断多缸失火主要有两种方法，分别是运用傅里叶变换，按照发动机的着火顺序对变换过程进行各阶次的谐波进行分析。不过由于傅里叶变换只能反映整体的特征，无法反映出局部时间范围的信息，所以这种方法不能具体的对于哪一缸失火进行判断。还有一种多缸失火判断的方法是利用整个膨胀冲程中瞬时角速度的最大变化求取平均角加速度，这种方法与前文所提到的曲轴瞬时角加速度标准有关，这里就不重复论述了。
2.2基于模型的发动机失火故障诊断
基于模型的发动机失火故障诊断，是通过对于发动机参数建立模型，依靠模型的信息来判断失火故障的一种诊断方法。建立模型可以将气缸内部的数据信息进行模型化处理，构建相关的物理模型，相比于数据诊断更加的准确，也更加便于对失火故障原因的分析，以及对失火故障的理解。基于模型的发动机失火故障诊断中，最基础的模型内容是平均值模型和离散事件模型。在失火诊断中，需要结合上述两种理论模型，构建全新的理论模型以分析不同的失火故障类型。想要进行发动机失火诊断，首先要明确发动机的工作原理。发动机内气缸做功的本质是气缸内部燃料燃料燃烧释放化学能，通过这些化学能转化为动能，驱动发动机运转。建立气缸内部压力的数学模型：
通過对于气缸压力模型的分析，获得气缸内部压力变化信息，以此进行发动机失火判断。同时还可以结合上文所提到的BP神经网络，进行深度的运算和学习，对数据进行更加准确的预测，更好的进行发动机失火故障诊断。在模型诊断中，滑模观测器是重要的诊断工具。在具体的诊断中，需要结合曲轴转速、气缸扭矩等因素，运用滑模控制理论，设计对应的滑模观测器。这样设计的滑模观测器，可以监测发动机低速运转时的失火故障。目前运用滑模监测器进行发动机高速运转时的失火故障诊断还很困难。模型化的诊断方法可以比数据方法更加精准的进行失火诊断，同时对于模型化的参数，也有利于更好的进行失火原因的分析。模型相比于数据的优势很明显，同样的它也有着不如数据的劣势的一面，基于模型的发动机失火诊断难度远远高于数据。由此，产生了新的诊断分类，综合数据与模型的诊断方法。
2.3综合的发动机失火故障诊断
综合数据与模型的发动机失火诊断，是结合了二者优势的一种失火诊断方法。在实际的发动机失火诊断中，我们无法单纯的仅凭一种方法就能准确的进行诊断，基于数据与模型结合的诊断方法，可以更好的实现失火故障的诊断。数据的收集可以进行失火故障诊断，同时还为模型的建立提供参数。建立失火诊断数据模型，通过对模型的参数分析，也能更好地检验数据的准确性。无论是RBF神经网络，还是BP神经网络，数据的输入都可以更好地完善神经网络，使其更好地进行深度学习和运算。这种方法极大的提高了失火诊断的准确性，增强了鲁棒性，但是由于结合了数据与模型两者的因素，也增加了诊断的工作量和复杂程度。
结语
失火故障诊断有着重要的意义，对于失火诊断方法的研究也从未停止，与其他学科的交叉也极大的丰富了发动机失火诊断方法，这对失火诊断工作也起到了极大的推动作用，不断的提高失火诊断精度和效率，也是未来需要不断研究的重点。
参考文献：
[1] 乔新勇，刘建敏，张小明.基于神经网络信息融合的发动机失火故障诊断[J].内燃机工程，2009，30（ 1）：75-79.
[2] 康蔵，新刃，安钢.站丁统计模拟的柴油机失火故障的诊断方法.内燃机工程，2004，25（5）：66-68.