英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
题目：基于振动速度信号的内燃机燃烧参数的实时识别
摘 要：精确的燃烧参数是对发动机燃烧过程有效闭环控制的基础，一些可以直接从发动机缸体振动信号中识别的参数，如燃烧始点，最大爆发压力位置，最大压升率及位置。这些信号通常都包括与燃烧无关的部分，这限制了以计算方式来获取燃烧参数的速度。这些与燃烧无关的贡献中的主要成分被认为是由发动机曲轴系的往复惯性力激励（RIFE）引起的。建立一个数学模型来描述RIFE的响应，利用模式识别算法对模型参数进行识别，借此可以预测RIFE的响应，然后可以把与其相关的部分从测得的振动速度信号中祛除。从处理后的振动速度信号的特征点中提取燃烧参数。振动速度信号的特征点和气缸压力信号中的特征点之间存在角度偏差。对于燃烧始点，采用系统偏差校正偏差，预测参数的误差范围在1.1°以内。为了预测最大压升率的位置和最大爆发压力的位置，引入了基于振动速度信号中高频分量比例的算法。测试结果表明，这两个参数分别可以在0.7°和0.8°误差范围内进行预测。利用振动速度信号中从峰值点前的拐点到峰值点的增加量来预测最大压升率。最后，提出了实现燃烧参数预测的监控框架。对连续循环中的燃烧参数得到令人满意的预测，验证了所提出的方法的可行性。
关键词：内燃机 振动速度信号 燃烧参数 实时识别 模式识别方法
1.介绍
为了满足越来越严格的污染物排放和燃料消耗的规定，正在逐步提出内燃机（ICE）的新型清洁燃烧方法。在这些方法中，与气缸热力学条件相关的信息有助于实现闭环燃烧发动机控制。不幸的是，气缸压力测试方法是一种侵入式测试技术，价格昂贵且不方便。这种方法需要特殊的气体通道，这可能会降低压缩比，特别是在高压缩比柴油机中。
由于数字信号处理算法的进步，基于发动机组振动分析的技术很有前途[1,2]。 各种信号处理技术已被应用于内燃机振动信号的分析，主要集中在以下四个方面1.利用时域和/或频域分析方法从振动信号中识别激励源[3];2.从振动信号中提取特征参数用于故障诊断[4–8];3.探索振动信号与气缸压力的关系[9,10];4.基于振动信号识别燃烧参数[11–14]。基于振动信号识别燃烧参数将有助于ICE的闭环控制。 先前公布的结果表明气缸压力与发动机缸体振动之间存在直接关系。 这表明振动信号可以用于提取有用的信息来表征燃烧过程[15–17]
Morello等人[18] 识别块振动加速度的频率成分，从而基于单数值分解精确地估计燃烧特征值。El-Ghamrya等人[19] 通过使用频域中的声发射的倒谱分析来成功构建发动机气缸压力波形。约翰松[20] 基于复杂的径向基函数对发动机结构振动和曲轴转速波动的傅立叶变换进行重构，并对燃烧相关参数进行评估。 这种基于神经网络算法的方法需要大量的样本数据来训练模型，神经网络算法的准确性取决于输入向量的选择以及训练工作条件的选择。刘等人[21]试图通过盲源分离技术以及将盲最小均方算法与放气法结合来分离振动源。 Vulli等人[3] 采用短期傅立叶变换法识别不同振动的激励事件。这些方法可用于确定主要事件，包括正常燃烧，阀门冲击和活塞冲击，但不适合分离紧密重叠或较弱的事件。 唐[15]利用多维模型对柴油机振动系统的振幅-频率特性进行了分析，提出了从振动速度信号的特征点直接识别燃烧参数。尽管方便，但该方法仍然面临着测量的振动速度信号与由RIFE产生的低频干扰重叠的问题。并且振动速度信号中的特征点与气缸压力信号中的特征点之间还存在角度偏差。针对上述问题，在单缸柴油发动机上进行测试以测量块振动速度信号。引入模式识别方法去除测量振动速度信号中与RIFE相关的部分，并提出新算法预测燃烧参数。
本文其余部分的布局安排如下：第2节描述了柴油机设备和测试过程。第3节提出了一种更新与燃烧过程高度相关的振动速度信号的方法。 建立数学模型来描述RIFE的响应。 用模式识别算法识别模型的参数，预测RIFE的响应，然后从测量的振动速度信号中去除相关的贡献。在第4节，从翻新后的振动信号的特征点识别燃烧参数。引入算法来纠正识别参数。还引入了算法来预测最大压力上升速率的值。第5节描述了根据振动速度信号识别燃烧参数的监测框架。 在第6节所提出的方法通过连续循环测试来验证。 最后，研究总结在第7节.
2.实验设施和测试描述
测试是在单缸0.815升柴油发动机上进行的，以记录发动机缸体振动速度信号。发动机连接到涡流测功机。传感器位置的示意图如图所示图1。 压力传感器（AVL 12QP250）测量气缸压力。详细的发动机和传感器规格列在中表1和2。振动速度传感器安装在气缸盖的表面上，并带有一个超级磁铁，在活塞运动的方向上，振动信号被验证为相对于气缸压力最敏感的信号。发动机缸体的振动由一台由诺世杰压电技术公司制造的振动速度传感器监测。 使用WWLAB Co.Ltd生产的16位数据采集卡MP426，在不同的发动机转速和负荷（800-1400rpm，0-50rpm）下同步采集汽缸压力，气缸盖表面振动速度，曲轴转角和相位信号.测试中每个通道的采样率为50 kHz。
3.测量的振动速度信号的预处理
3.1测试结果分析
图2（a）示出了由在1200rpm，10Nm处测量的气缸压力计算的原始振动速度和气缸压升率。通过采样点与飞轮齿的角度之间的线性插值，将振动速度和气缸压力信号从时域变换到曲轴角域，确保固定角分辨率为0.2°CA。图2（b）表示振动速度信号的一个周期和从中提取的压力上升速率图2（一个）。 理论上，振动速度信号表现出与峰值之前的压力上升速率类似的趋势[15]。 来自图2（b）中，与压力上升速率相反，测量的振动速度信号包含高频和低频干扰，这降低了原始振动速度信号的信噪比（SNR）。 因此，测量的振动速度信号需要预处理以改善其SNR。
图1 传感器位置的示意图
图2 在转速和负荷分别为1200rpm和10Nm的原始振动速度和气缸压力升高率（a）原始振动速度和气缸压力升高率；（b）是（a）里面的一个循环
3.2高频干扰的滤波
低通滤波器用于滤除高频干扰。为了确定低通滤波器的截止频率，使用傅里叶方法对压力上升速率进行分解和重构。基频对应于发动机运行周期。结果表明，顶部150次谐波分量，即最高150次基频分量满足重建压力上升率曲线，如图图3.
波纹系数为0.001的10阶低通切比雪夫滤波器的截止频率为基频的150倍，用于滤除高频干扰信号。图4显示过滤后的振动速度信号和计算出的压力上升率。 如图所示图4过滤后的振动速度信号仍然含有强大能量的低频干扰，严重影响了燃烧参数的识别。为了找出低频干扰的激励源，对滤波后的振动信号进行S变换。图5（a）显示了滤波后的振动速度信号的变换结果图5（b）是放大比例的细节。 根据发动机在1200rpm时的二阶RIFE信号，低干扰频率约为40Hz。 可以相信，低的干涉是由往复惯性力激发的。 与此同时，图5（b）示出了由燃烧产生的振动速度信号与来自RIFE的振动速度信号在时域和频域中重叠，换句话说，低频干扰不能被高通滤波器滤波。 因此，应开发一种新方法来消除RIFE对振动速度信号的响应。
图3.不同阶次谐波分量下的压力上升速率和重建信号。
图4. 在1200rpm和10Nm下的过滤振动速度信号和压力升高率
-
-
消除RIFE响应的方法
对于发动机，RIFE可以被描述为
-
消除RIFE响应的方法
其中，表示RIFE，m是曲柄系的往复质量，r表示曲柄半径，omega;是曲柄角速度，alpha;代表曲柄角度，lambda;是连杆长度与曲柄半径之比。
利用牛顿二项式定理，式（1）可做如下变换
图5.振动速度信号和相关的S变换（a）过滤振动速度信号及其S变换（b)细节放大图
其中和分别表示RIFE的第一次和第二次谐波分量的模量
将发动机缸体和汽缸盖作为线性振动系统处理，则振动速度被认为是力矢量的导数的响应。预计在振动速度和力矢量的导数之间存在相位偏差和模量变换。由RIFE所导致的振动速度可以通过下式得出：
其中alpha; 1 , alpha; 2和C 1 , C 2i 分别表示相位偏差和模量变化
整理式（3）可以得到
其中，n表示曲柄角alpha;时的瞬时速度。和是需要识别的模型参数。
公式中的模型参数(4) 可以用最小二乘法解决。 处理结果表明，四阶模型更好地预测RIFE的反应。 选择RIFE占主导地位的数据来确定模型参数。然后可以预测RIFE响应并从测量的振动速度信号中移除。图6显示了优化后的振动速度信号和压升率。从中可以看出图6当低频干扰信号从过滤的振动速度信号中移除后，修正后的振动速度信号和压力上升速率表现出类似的趋势。
4.燃烧参数识别方法分析
4.1燃烧开始
图7显示了燃烧参数识别的示意图。在该图中，与燃烧过程有关的特征点标记为压力上升速率以及振动速度信号。压缩冲程中压力升高率曲线（点A）的拐点通常被认为是“燃烧始点”的位置[22]。燃烧开始后的峰值（B点）作为发生最大压升率的曲轴转角。同样，可以选择峰值后的第一个过零点（C点）作为最大爆发压力的位置。相应地，优化后的振动速度中的Arsquo;，Brsquo;和Crsquo;点用于识别燃烧开始，最大压升率的位置和最大爆发压力的位置。为了便于描述，从A，B和C中识别的燃烧开始，最大压力上升率的位置和最大爆发压力的位置图7简称为STCP，LMPP和LPP。 从Arsquo;，Brsquo;和Crsquo;直接鉴定的三个参数分别缩写为STCV，LMPV和LPV。
根据识别示意图，在不同的工作条件下识别燃烧参数。图8 总结了STCP和STCV。STCV滞后于STCP，滞后大致不变，平均角度为1.3°。平均角度被认为是系统偏差，通过该系统偏差校正STCV。与STCP相比，预测的燃烧始点在不同的工作条件下的误差界限为1.1°。
4.2最大压力上升率的位置
图9 显示了不同工作条件下的LMPP和LMPV。从图中可以看出，LMPV和LMPP之间也存在角度偏差。但是，偏差并不是恒定的。所以需要修正算法来纠正这些偏差。
图6 翻新后的振动速度信号和压力上升率
图7燃烧参数识别示意图
图8不同工作条件下的STCP和STCV
图9 不同工作条件下的LMPP和LMPV
根据傅立叶定理，任何周期信号都是许多正弦和余弦函数的总和。根据叠加原理，系统响应可以表示为由一系列谐波力引起的响应总和。
假设发动机缸体系统是单自由度系统，发动机缸体系统可描述为：
其中qi是激励信号的i阶谐波与系统固有频率的频率比。 beta;是系统的阻尼比。 phi;i是对应于i阶谐波的相位偏差。 对于某个发动机缸体系统，beta;是一个常数。 相位偏差phi;i取决于频率比qi
pirAB定义如图7所示，从峰值前的拐点到振动速度信号的峰值的增加，它表示燃烧过程的强度，即振动速度信号中的高频比例部分。引入pirAB来纠正LMPC和LMPP之间的偏差。那么，最大压力上升率（CLMPC）的位置可以预测为:
统计结果表明，在不同的工作条件下，CLMPCs和LMPPs之间的误差范围在0.6°以内。
4.3.最大爆发压力的位置
图10显示了不同工作条件下的LPV和LPP。从图中可以看出，LPV和LPP之间也存在角度偏差。 偏差角度也不是一个常数。delta;theta;是从LMPV到LPV的角度间隔，如图所示图7，引入燃烧率来校正偏差。然后，最大爆发压力的位置（CLPV）被预测为：
在测试条件下，统计结果显示CLPV和LPP之间的误差范围在0.8°以内。
4.4.最大压力
全文共10883字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8987]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
