英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

---

柴油机气阀传动系的故障监测和诊断

Justin Flett, Gary M. Bone

摘要：本文展望了用于柴油机气阀传动系的故障监测和诊断系统。每个阀关闭和燃烧冲击都有新的特征产生。在一个装有加速度传感器的柴油发动机上模拟变形的阀弹簧故障和异常的阀间隙故障实验。通过实验来比较五种分类方法。故障检测和诊断系统运用Naiuml;ve-Bayes分类方法产生最佳的总体性能，即在单个气阀上发生最低是99.95%的检测精度和99.5%分级精度的弹簧故障。同时发生多种故障的最低检测精度和最低分级精度分别是99.95%和92.45%。检测精度和分级精度的结果证明了我们的故障检测和诊断系统应用于柴油机气阀传动系故障分析的准确性，它在以前的文献中没有提到过。

关键词：机械系统诊断、发动机故障诊断、信号处理、状态监测、汽车研究

1 绪论

内燃机（ICE）自成立以来一直是汽车工业的关键部分。即使当绿色能源倡导向前发展时，内燃机仍然在常规和混合动力汽车中发挥作用。内燃机由多个机械部件组成，每个机械部件可能经受各种机械故障。气阀传动系是柴油机控制进气和排气正时的关键部件。气阀传动系的故障会导致性能和可靠性的降低。在早期阶段的故障诊断有益于避免较大甚至更严重的故障。故障检测和诊断系统用于检测系统、确定故障时间、识别故障类型和判断故障位置。如果正确地检测和诊断出故障，纠正措施可以用于修复故障并且减少系统进一步的损害。这些是我们研究的目的。

故障诊断和检测系统已经被证明对机械系统是非常有价值的，并且在过去的几年里在汽车应用中得到越来越多的认可^[1-7]。虽然关于故障监测和诊断方法的文献很丰富，但是相对在内燃机气阀传动系方面的故障检测和诊断系统的已经发表的论文较少。

一个将部分采样和特征平均结合的用于检测异常阀门间隙和燃气泄漏的简单技术提出了^[8]。他们在四缸柴油发动机的气缸盖上安装了四个加速度传感器。对于气缸1的进气阀，其正常的间隙是0.3毫米，还包括了 0.15、0.6、0.9、1.2、1.5毫米的气阀间隙故障。他们提供了不同故障级别的特征测量表，但是没有报告任何分类结果。对于在其排气系统中安装有两个压力传感器的四缸柴油发动机研究了双负荷声学方法^[8]。通过分析压力波形来检测其中一个气缸的燃料喷射器和排气阀的故障。正常阀间隙为0.35毫米,还包括0.7毫米和1.7毫米的间隙故障的示例检测结果。他们没有报告任何分类精度值。在四缸柴油机的一个气缸上模拟阀间隙故障^[10]。他们使用概率神经网络分类振动信号的Wigner–Ville分布。正常阀间隙为0.30毫米。大间隙故障是0.50毫米，而0.06mm是小间隙故障。对于单气缸进气门和排气门的故障和正常案例的八种组合，他们获得的分类精度高达96％。这项工作进一步发展^[11]。振动信号的锥型核分布其中使用神经网络系统分类和使用新组合的权重自适应调制算法。对于相同的故障等级和八个案例，分类精度达到了99.2%。在一个四缸柴油机上安装一个曲柄转角传感器、两个加速度传感器和四个缸内压力传感器^[12]。正常的进气阀门间隙是0.4毫米，还包括了一个气缸进气阀门上的0.25毫米和0.7毫米的故障间隙。他们提出了一种基于经验模态分解和曲轴瞬时转速变化的阀门故障检测和诊断技术。实验结果表明两个故障间隙可以从正常的案例中区分出来，却没有报告分类精度值。来自两个声发射传感器的信号用于研究在相似的内燃机上阀间隙故障^[13]。正常的气阀间隙是0.38毫米，还包括一个气缸排气阀门0.8毫米的故障间隙。从声发射信号的频域分析，这个故障可以从视觉角度与正常发动机的区分开。没有显示故障检测和诊断（FDD）算法或分类精度结果。在一个装有三个加速度传感器的相似的内燃机上气阀间隙故障是分类的^[14]。方差算法的单变量分析和多变量分析相结合产生一组特征。接下来，他们比较了四个常用的监督分类器的准确性。正常的阀门间隙是0.25毫米，还包括气缸2进气阀的两个阀间隙故障（0.30毫米和0.35毫米）。对于这三类，当使用三个特征时，他们报告分类精度约为98%。据我们所知，还没有关于内燃机（ICE）气阀弹簧故障的故障检测和诊断的论文发表。

故障检测和诊断系统（FDD）通常需要信号的采集、信号的处理、检测和诊断。故障检测通常分为基于信号模式的故障检测和基于过程模式的故障检测两个不同的方法。信号模式检测由过程故障引起的信号行为的变化。行为模式尝试检测由于使用数学模型流程的过程行为的变化。这项研究专注于使用信号模式的故障诊断。故障诊断包括分析被测量信号以生成相关的特征量。一旦获得了这些特征量，他们就会被用来诊断故障。本文我们将做如下对知识的贡献。首先，我们提出一个新颖的特征生成法。然后，使用生成的特征量作为输入，比较五个分类器的实验性能；最后，我们证明我们的故障检测和诊断系统产生准确结果和文献中三个未解决问题。第一个问题是柴油机气阀弹簧故障的检测盒诊断单独发生。第二个问题是弹簧故障和间隙故障的故障检测和诊断同时发生在多个柴油机气阀上。第三个问题在单个柴油机阀门同时发生多个故障的故障检测和诊断。

本文结构如下：第二节讲述测试台和信号获取；第三节呈现信号处理方法；第四节描述新的故障诊断方法和其他公共的故障诊断方法。第五节是实验结果。最后，结论在第六部分。

2 柴油机实验测试台

2.1 仪表化发动机和数据采集系统

用于实验的发动机包括久保田Z482-E型柴油机。这台柴油机是直列两缸、水冷、四冲程、直接喷射式发动机。它的总容积是479立方厘米、压缩比是23:1.它在3600转/分钟的转速下有8.05千瓦的连续输出功率，最大转速是3800转/分钟。这台发动机连接到一个用作机械负荷的发电机（markon BL105E）上。该发生器由发电机测试装置（Sotcher Measurement Inc.型号627）电加载。通过使用安装在缸盖上的单个加速度计（PCB353B18）测量发动机振动。使用BEI光学编码器测量曲柄的角位置。使用基于PC的数据采集系统对加速度计和编码器信号进行采集和处理。信号采集系统卡（国家仪器型号PCIe-6353）具有16位ADC分辨率和12.5MS/s的最大采样率。计算机有8GB存储器的WindowsPC系统和一个3.10GH因特i5处理器。软件是使用LabVIEW版本10编写的。仪表化发动机的照片和显示主试验台部件互连关系的原理图在图1中。

2.2 内燃机气门结构故障研究介绍

气门阀结构控制燃烧室内气体的进入和排出。阀系通常包括进气阀，排气阀，摇臂，间隙调节器，推杆，升降器，凸轮轴和气门弹簧。

阀门弹簧随着时间的推移和长期使用会逐渐劣化和变形。变形的阀弹簧会导致 “阀浮动”和“阀弹跳”情况发生，这种情况是由于不正确的阀关闭和密封引起的，并且会降低发动机效率和性能。变形的阀门弹簧经常难以检测，并且通常会被误解为是燃油喷射或点火问题。变形的弹簧如果未被检测和适当的修复可能会导致弹簧失效，甚至可能造成发动机灾难性故障。发动机制造商提到3毫米或更长的气阀弹簧变形应该被更换。本文中，包括相对小的0.5毫米弹簧变形的弹簧故障会被接种。用缩写SF表示0.5毫米变形的弹簧故障。

气门间隙通常指摇臂和阀盖之间的间隙。每个内燃机都有一个设计好的容许热膨胀的正常气门间隙值。异常的气门间隙会导致不正确的阀门关闭和正时，从而降低发动机性能。图二是一个气门间隙图示。

发动机的制造商并未提供气阀间隙的上限和下限。Z482-E发动机选择的间隙故障等级和正常间隙规范列在表1中。这些数值在本文中被用来研究正常和故障案例。小间隙故障和大间隙故障分别缩写为SCF和LCF。

3 信号处理方法

3.1信号采集

由于发动机冲击与曲柄转角相关，所以振动信号应该在曲柄角域中采样而不是在时域中。这需要将旋转编码器安装在曲轴上实现。另外，它的指数路线用来确定对应于气缸1活塞处于上止点位置。编码器的分辨率是1440脉冲/转。这对应于每0.25°曲柄转角会有一个编码器脉冲。每个脉冲触发一个采样的采集。采样率由等式给出：

采样率=编码器分辨率* （1）

在发动机的转速是2000转/分钟，负荷是1%的额定功率（8.05kw）下进行实验。实验导致大约48kHz的采样率。发动机的周期是两个完整的曲轴旋转，即720°或2800编码器脉冲。图3表示一个发动机周期来自加速度计的原始振动信号相对于被测曲柄转角的绘图示例。从数据中，我们可以看出在一个周期中有六个明显的影响区域。如图中所示，这些区域表示每个气缸阀门关闭和燃烧过程。在第四节中会论述基于故障检测和诊断方法的这些冲击形式的分析。

3.2 信号改进

为了提高故障检测和诊断的精确性，期望首先提高振动信号的质量。我们结合了两种信号处理技术。首先，运用平均法。将多个发动机循环进行平均以减小振动信号的可变性，这对于故障检测和诊断应当是有利的。平均少数循环不会产生很大的改进，而平均大量的循环又会在故障检测上增加显著的延迟。为了找到平均的合适的循环数，需要进行多组平均数值的比较。为了得到平均值的范围计算信噪比（SNR），然后比较以便选择适当的平均技术。在这个方案中，属于影响区域的数据是有用信息，而属于非影响区域的数据是无关信息。因此我们定义信噪比（SNR）是：

信噪比== （2）

其中Vrms（冲击）是来自冲击区域的振动均方根值，Vrms（非冲击）是来自非冲击区域的振动均方根值。振动均方根值由下式给出：

Vrms= （3）

其中Vacc是以伏特为单位的加速度计的振动值，Nsnr是在均方根计算中使用值的数量。使用（2）和（3）可以针对多种不同的平均技术找到信噪比。表2给出了对于各种情况使用（2）和（3）发现的信噪比值的比较。

从表2可以看出，增加平均的发动机循环数减少了噪声，但是它也降低了我们希望分析的冲击信号的均方根。因此必须使用信噪比来更好地理解平均的效果。 数据显示信噪比随着平均周期的数量增加而增加。它还表明约在60个循环后信噪比会增加到临界，因此60个发动机循环是合适的选择。在故障检测和诊断系统中执行平均法如下：

y（i，j）=

（4）

其中Vacc(i; j)是第j个发动机循环中第i个数据点的振动值，Na = 60是平均的循环数，Nd = 2880是单个发动机循环中的数据点的数量。

注意（4）是一个标准的移动平均滤波器，它引入了1/2（Na-1）周期的最大时间延迟。由于每个发动机循环包括2转，当发动机以2000转/分钟运行时，一个循环所需的时间为0.06秒。因此。Na=60循环的选择引入1.77s的时间延迟。此延迟不会显着影响故障检测。如果需要较小的时间延迟，则可以使用较小的Na值。不知道故障检测是否会受到较小的Na的负面影响值，如40个循环，但是表2中列出的信噪比值表明该影响将是微小的。

除了发动机循环平均之外，还比较了几个过滤器的性能。 所有过滤器都是8阶巴特沃斯过滤器。手动调谐截止频率（使用100Hz增量）以最大化信噪比。 上截止和下截止频率的调谐值分别为19,100Hz和3,400Hz。从表3可以看出，带通滤波器给出了最好的信噪比。具有高通滤波器的信噪比非常相似，意味着大多数噪声存在于小于3400Hz的频率。注意，Vrms对于选择最佳的Na值和滤波器类型是有用的，但并不用于第4节中提出的故障检测和诊断方法。

图4表明信号处理的效果。顶部图是原始振动信号，而底部图是在使用发动机循环平均和带通滤波技术之后的信号。显然，信号处理显著降低了噪声，并使得冲击更加明显。除了提高信噪比，带通滤波器引入了0.0003秒的最大时间延迟。这个延迟并不能明显影响故障检测。

4 故障检测和分析方法的发展

4.1特征量生成

特征生成是分析信号和提取该信号重要属性或特征的过程。我们选择了与阀关闭和燃烧冲击相关的过程。在本节中，将呈现开发生成这些特征的方法。

4.1.1 使用滑动窗口方法的局部均方根计算

局部均方根值是用来量化振动信号的强度。用滑动窗口方法计算局部均方根值，通过每个信号数据值的给定窗口实现。图5说明这个方法。窗口通过振动信号来滑动，并且计算局部均方根值每个点用以下公式：

(5)

其中， 是局部均方根信号，y（i）是周期平均振动信号， 是滑动窗口的大小。根据经验发现Nw的最佳值是20。方程5将周期平均信号转化为更多有意义的均方根特征，如图6所示。均方根特征清楚地描述了包括冲击幅度和正时的周期平均信号的相关特征。六个主要的冲击区域可以容易区分。由于加速度计更接近气缸2，气缸2的阀关闭和燃烧冲击的峰值明显比气缸1的大。均方根特征将是特征生成的基础。

4.1.2 使用自适应阈值的影响局限

阈值是信号处理中一种常用的技术。数据点可以通过检查其是否低于或高于给定阈值来分类。在这种应用场合，用自适应阈值来分类在冲击附近是否产生局部均方根签名的特定点。当签名点超过阈值时，其被称为撞击点，当点低于阈值时，它是非撞击点。这可以用数学方式写成：

冲击（i）= （6）

其中是在第i点的局域均方根签名，通过下式计算的阈值：

=

全文共13364字，剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[145194]，资料为PDF文档或Word文档，PDF文档可免费转换为Word