汽車診斷技術在電噴發(fā)動機中的應用

彭偉彪

（廣西百色祈福高中，廣西 百色 533000）

【摘 要】隨著電噴發(fā)動機技術的不斷發(fā)展成熟，其越來越智能化，一旦發(fā)生故障，對其進行故障排除是一項非常復雜繁瑣的過程，傳統(tǒng)的“大拆大卸”式的故障排除方法很有可能增添新的故障。本文中筆者針對汽車診斷技術這種科學的這段技術論述其在電噴發(fā)動機故障判斷中的運用。

【關鍵詞】汽車；診斷技術；電噴發(fā)動機

一、汽車診斷技術

“診斷”一詞援引自醫(yī)學名詞，汽車診斷即是由醫(yī)學診斷中透過現(xiàn)象判斷本質(zhì)的方式發(fā)展而來，逐步形成了工程技術領域中的有關“故障診斷學”這一學科。汽車診斷技術是憑借儀器設備對汽車進行性能測試和故障檢查的方法和手段，它能夠測試出汽車各項工作性能指標，并可在汽車或總成不解體的情況下發(fā)現(xiàn)故障及其產(chǎn)生的原因。

汽車故障診斷的基礎是創(chuàng)建設備狀態(tài)信息和故障類型之間的關系模型，就是說要通過檢測設備狀態(tài)特征信息來識別機械設備的性能狀態(tài)。實質(zhì)上，發(fā)動機的故障狀態(tài)并不是絕對清晰的，具有一定的模糊性，再加上實際操作中的測量誤差，每一種故障狀態(tài)對應的特征值在某一范圍內(nèi)會發(fā)生變動，這時，電噴發(fā)動機故障診斷變成了基礎為特征信息響亮的模式識別問題。

二、電噴發(fā)動機故障診斷方法

汽車診斷技術發(fā)展至今，已經(jīng)派生出不少分類方法，大致來講，一般可以分成三種類型——①利用信號分析處理的故障診斷方法；②利用解析模型的故障診斷方法；③利用人工智能的故障診斷方法。

第一種，利用信號分析處理的故障診斷方法。

利用信號分析處理的故障診斷方法，即運用函數(shù)、頻譜、小波變換等一些信號分析的處理方法對可測信號進行分析，從而提取出方差、幅值、頻率等等特征值，并將這些特征值和正常特征值進行比對，依此檢測出電噴發(fā)動機的故障。這種診斷方法一般包括小波分析方法、主成分分析方法等。

第二種，利用解析模型的故障診斷方法。

利用解析模型的故障診斷方法，即在確定診斷對象數(shù)學模型之后，按照一定的數(shù)學方法處理被測信息，包括直接測量輸入、輸出，估計系統(tǒng)狀態(tài)，總結參數(shù)變化的統(tǒng)計特性等幾種診斷方法。

第三種，利用人工智能的故障診斷方法。

利用人工智能的故障診斷方法，是一種具有智能特性的，且不需要對象的精確數(shù)學模型的一種發(fā)展前景較為廣闊的電噴發(fā)動機故障診斷方法。包括基于專家系統(tǒng)故障診斷方法、基于模糊數(shù)學的故障診斷方法、基于故障樹的故障診斷方法、基于神經(jīng)網(wǎng)絡的故障診斷方法和基于信息融合的故障診斷方法。

三、汽車診斷技術在電噴發(fā)動機中的應用探析

簡而言之，信息融合就是通過智能化合成某一個目標的多源信息，從而形成一個相較于單一信源而言更加精準的估計和判斷。促進多傳感器的信息融合，能夠?qū)崿F(xiàn)擴充時空覆蓋范圍并增強置信度，增加檢測系統(tǒng)可靠性的目的。如今，機電液相結合的產(chǎn)物——汽車，已經(jīng)逐步告別了以機械結構為主體的時代，這一改變也催生了汽車故障診斷問題的質(zhì)的變化。汽車故障診斷實質(zhì)上是對反映其運行狀況的多源信息進行獲取、綜合并加以利用的過程。就“診斷學”而言，僅對信息采取單一診斷，得到的結果往往是模糊且不精確的。應用汽車診斷技術對電噴發(fā)動機進行故障診斷，采取單方面的信息來對某一對象進行綜合狀態(tài)的反應是不夠完整的，只有綜合多方面獲取的信息進行判斷，才能得到更加準確的結果。

基于神經(jīng)網(wǎng)絡對電噴發(fā)動機進行故障診斷時，首先要確定給定工況下故障征兆的特征參數(shù)，合理的網(wǎng)絡結構以及規(guī)模，之后就要根據(jù)原始特征參數(shù)提取出新的特征向量，并將該新特征向量歸一化，以構成神經(jīng)網(wǎng)絡的輸入訓練樣本集合測試樣本集，訓練樣本集會應用與網(wǎng)絡訓練，最后用訓練好的網(wǎng)絡完成對電噴發(fā)動機的故障診斷。

一般來說，導致電噴發(fā)動機產(chǎn)生故障的原因比較復雜，一種故障模式對應的原因可能是多個，因此需要對不同故障原因的神經(jīng)網(wǎng)絡進行訓練來診斷故障。

電噴發(fā)動機存在不同的運行工況，即啟動、怠速、勻速、加速，等等?？刂齐妵姲l(fā)動機的工況是通過運用不同傳感器檢測發(fā)動機的狀態(tài)，運用計算機按照程序控制執(zhí)行器的動作，來實現(xiàn)不同運行工況的需求。導致電噴發(fā)動機產(chǎn)生怠速不穩(wěn)的因素有點火系故障，噴油器堵塞，怠速控制系統(tǒng)工作異常，等等。

診斷過程中，對特征參數(shù)進行處理時時，為避免一些冗余的特征量影響診斷結構，需要進行特征選擇和提取。傳感器或者執(zhí)行器的波形信息主要體現(xiàn)于波形的時域結構形態(tài)上，進行特征選擇時就可抓住這一特點。

進行特征參數(shù)提取時，可以應用主成分分析法。首先需要對原始樣本進行標準化，樣本集中元素xik的變換公式是：

其次，要算出樣本矩陣的相關矩陣、特征值還有特征向量，同時利用標準化算法計算變量之間的相關系數(shù)，建立k階相關矩陣：

最后，創(chuàng)建主成分方程，并算出個主成分值，方程是yk=CX，這里C是對應于特征值？姿i的特征向量的分量，X則是各變量的標準化數(shù)值。這樣就算得各主成分值，就得到了新的測試樣本集和測試樣本集。接下來就需要對信息融合中心進行設計，確定隱層神經(jīng)元數(shù)，轉(zhuǎn)移函數(shù)的選擇，最后完成輸出層的設計，根據(jù)輸出向量確定電噴發(fā)動機的故障原因。endprint