趙玉程，李英建，沈世民，韓玉喜，宋杰

(山東科技大學智能裝備學院，山東泰安 271000)

0 前言

日益嚴格的排放要求對汽車的排放提出了更高的要求。柴油機作為汽車的重要動力源，其燃料的燃燒質量決定了汽車的動力性、經濟性及排放性[1]。噴油器是柴油機高壓共軌系統(tǒng)中最核心、最精密的部件，在燃油噴射和控制過程中起著重要作用[2]，然而，由于惡劣的工作環(huán)境[3]，導致其機械結構極易受損，因此快速故障定位成為當前該領域需要解決的關鍵問題。

目前，國內外學者對噴油器的故障診斷已經開展了大量研究。李良鈺等[4]提出一種基于集合經驗模態(tài)分解(EEMD)—支持向量機(SVM)的方法對噴油器進行故障診斷。鄭濤[5]從軌壓信號中提取多種特征值變量，并將這些特征變量作為特征參數訓練神經網絡模型從而診斷噴油器故障。KROGERUS等[6]通過監(jiān)測共軌管的壓力，以此來確定噴油器噴油的相對時間，實現了對噴油器的故障診斷。當前針對噴油器的故障診斷研究主要集中在對高壓共軌系統(tǒng)整體進行研究，通過對共軌管的壓力信號進行信號分解來對噴油器進行故障診斷。由于高壓共軌系統(tǒng)是由油箱、高壓油泵、共軌管、噴油器高壓油管組成的復雜系統(tǒng)，在高壓共軌管中提取軌壓信號對噴油器進行故障診斷容易受到其他因素干擾，影響噴油器故障診斷的準確性。

高壓共軌試驗臺是用來模擬高壓共軌系統(tǒng)的設備，它能夠模擬發(fā)動機在各種工況下的運行情況，并通過多種傳感器采集噴油器的噴油和回油數據，維修人員再通過將噴油器的各項指標與標準值進行比對，對噴油器的故障進行診斷。但目前的高壓共軌試驗臺僅能測出各種工況的噴油數據，無法進行自動診斷故障，需要試驗人員有一定的經驗方可定位故障。本文作者提出一種基于網格搜索和投票分類模型的噴油器故障自動診斷方法，在試驗臺采集噴油器相應數據后，通過訓練好的故障診斷模型即可快速定位故障位置。

1 壓電噴油器仿真模型建立與驗證

基于AMESim液壓仿真軟件[7]建立了高壓共軌燃油系統(tǒng)模型，調好參數后需要進行模型驗證。只有保證通過AMESim建立的高壓系統(tǒng)模型的準確性才能對噴油器的各種狀態(tài)進行仿真模擬。

1.1 壓電噴油器數據采集

為獲得型號為Bosch-0445115007的壓電噴油器在各個工況下噴油數據的參考值，在高壓共軌試驗臺上對壓電噴油器進行測試。高壓共軌試驗臺見圖1，壓電噴油器見圖2。

圖1 高壓共軌試驗臺

圖2 壓電噴油器

高壓共軌試驗臺對壓電噴油器的測試主要是針對不同工況下噴油器的噴油量或回油量進行測試。此次Bosch-0445115007型壓電噴油器測試結果如表1所示。全負荷工況的噴油量、回油量以及中速工況的噴油量數據均與此型號壓電噴油器的參考值有所偏離，故判定測試的這個壓電噴油器存在故障，但僅根據測試數據無法定位壓電噴油器具體故障位置。

表1 壓電噴油器測試結果

1.2 仿真模型建立

作為共軌系統(tǒng)的核心，壓電噴油器具有復雜且動態(tài)的電-機-液耦合特性[8]，故采用AMESim一維建模軟件對其建模仿真。壓電噴油器處于非正常工作時，壓電執(zhí)行器處于原始位置，伺服閥關閉，高壓和低壓范圍相互隔斷，壓電噴油器針閥處于原位置；當在壓電執(zhí)行器的兩端施加電壓時，壓電晶體由于具有逆壓電效應，故在應力方向伸長，致使伺服閥打開，從而使控制室的壓力降低，針閥在高壓作用下向上抬起，噴嘴開啟，開始噴油；當壓電執(zhí)行器的兩端停止施加電壓時，伺服閥關閉，控制室壓力隨之增大，針閥落下，噴油嘴關閉。壓電噴油器工作原理簡圖如圖3所示。

圖3 壓電噴油器工作原理簡圖

根據壓電噴油器及高壓共軌系統(tǒng)的相關工作原理與AMESim軟件的相關特性，建立的高壓共軌系統(tǒng)模型如圖4所示。為了保證仿真模擬試驗過程中，壓電噴油器受壓力波動因素影響較小，在搭建高壓共軌系統(tǒng)模型時，在高壓油泵和高壓共軌管的接口位置增加了穩(wěn)壓閥，以此來增加高壓燃油的穩(wěn)定性，具體結構如圖4所示。經過各個模型結構參數的優(yōu)化與調整，最終在某時刻壓電噴油器接口處的壓力可穩(wěn)定在一定范圍內。壓電噴油器模型主要參數如表2所示。

表2 壓電噴油器模型主要參數

圖4 高壓共軌系統(tǒng)

所搭建的高壓共軌系統(tǒng)在噴油接口處產生的壓力和穩(wěn)壓源存在一些差異。該系統(tǒng)通過高壓油泵將低壓燃油逐漸加壓，形成高壓燃油。因此，在高壓共軌管中，壓力會經歷一個從劇烈變化逐漸趨于平穩(wěn)的波動過程。這意味著系統(tǒng)中的壓力短時間內無法保持恒定，并且在初始階段會出現較大的波動。在未給0、1、2、3號壓電噴油器兩端施加電壓時，0號壓電噴油器的接口壓力曲線如圖5所示。

圖5 0號噴油器接口壓力曲線

由圖5可知：0號噴油器接口處的壓力將在0.08 s時穩(wěn)定在預期壓力左右。經過多組仿真實驗對比，將壓電噴油器的噴油測試開始時間定為0.082 79 s，此時噴油器接口處的壓力和預期壓力的差值最小，即此時噴油器受壓力波動產生的影響最小。表3所示在0.082 79 s時0號噴油器接口壓力和預期壓力的對比。

表3 0.082 79 s時0號噴油器接口壓力和預期壓力的對比

1.3 仿真模型驗證

為驗證文中利用AMESim搭建的高壓共軌仿真模型的準確性，對高壓共軌系統(tǒng)進行仿真試驗，涉及壓電噴油器的6種工況。試驗中，將采集相應的噴油器數據，并將其與該型號壓電噴油器的噴油量或回油量的參考值進行對比。壓電噴油器的噴油量對比如圖6所示。

圖6 壓電噴油器的噴油量對比

圖6顯示，在預熱、開始、全負荷、中速、怠速和預噴這幾個工況下，仿真噴油量都在參考值的范圍內，說明本文作者使用AMESim建立的高壓共軌系統(tǒng)可用于壓電噴油器的故障診斷研究。

2 噴油器故障數據采集

由于壓電噴油器和發(fā)動機的汽缸蓋相連，噴油嘴深入柴油機的燃燒室內，使其長期處于高壓、高溫的工作環(huán)境，并且由于其核心部件壓電執(zhí)行器的應變量較小，為增大工作行程，往往需要施加強電場進行驅動[9]。又由于噴油器的機械結構十分精密，在如此惡劣的環(huán)境下容易發(fā)生多種故障。本文作者通過AMESim仿真建模，總共模擬了5種典型壓電噴油器故障，共計1 760組數據。

2.1 針閥偶件磨損

噴油器的針閥偶件是柴油機燃油供給系統(tǒng)的核心部件之一，它所處的工作環(huán)境十分惡劣，機械負荷和熱負荷都很高，在實際工作過程中容易因磨損而失效，從而影響柴油機正常運轉[10]。針閥偶件常見的故障類型為針閥卡滯與針閥配合間隙增大，使柴油機各項指標發(fā)生異常。

(1)針閥卡滯故障。由于燃油中充斥著雜質且燃油中含有酸性物質和水分造成針閥發(fā)生銹蝕，這就導致針閥反復運動過程中，某種因素使針閥和針閥體表面上的油膜持續(xù)遭到破壞，而導致在某些點上發(fā)生金屬的直接接觸，使針閥發(fā)生卡滯。

(2)由于針閥和針閥體的導向工作表面間的配合間隙極小，僅有0.002～0.004 mm，在導向工作面發(fā)生磨損后，針閥的密封性變差，通過導向表面的漏油量增加[11]。

2.2 噴孔堵塞

壓電噴油器的噴油嘴由于深入柴油機的燃燒室內部，在長期的工作過程中，由于燃燒室中的混合氣體燃燒不充分會造成噴油嘴積炭堵塞噴油口；還可能由于燃油中含有雜質，長此以往雜質堵塞噴孔，使柴油機功率下降。

2.3 壓電晶體損壞

由于其核心部件壓電執(zhí)行器的應變量較小，為增大工作行程，往往需要施加強電場進行驅動。 但壓電陶瓷片經過多次高壓電場驅動后可能出現損毀，壓電陶瓷片損毀在一定范圍內時對壓電執(zhí)行的位移影響不是很大，但達到一定的閾值后，導致伺服閥開啟不完全，使柴油發(fā)動機運行時的各項指標處于異常狀態(tài)下。

2.4 針閥彈簧損壞

壓電噴油器的針閥工作時處于長期往復的工作狀態(tài)，伴隨著針閥每一次的抬起與落下，針閥彈簧也做著循環(huán)往復的運動，這就導致針閥彈簧工作一定時限之后，其彈簧預緊力有所下降。由張子威等[12]、劉楠等人[13]研究可知，彈簧預緊力的大小確實對噴油量有所影響，故本文作者將針閥彈簧的損壞加入到研究之中。

2.5 仿真實驗設計

綜合上文所分析的噴油器故障情況，壓電噴油器幾種常見的故障類型及故障結果如表4所示。

表4 壓電噴油器常見故障分析

針對上述5種故障類型，為了提高故障樣本的多樣性，將每一種噴油器故障類型進行了不同軌壓及不同脈寬進行仿真，如針閥行程減少20%，軌壓取60 MPa時，脈寬分別取565、765、1 000、1 200、1 500、1 800、2 200、2 500 μs，其余情況以此類推，仿真具體情況如表5所示。

表5 故障仿真方案設計

為排除其他干擾因素，本文作者以圖5中的0號噴油器為研究對象。每一種噴油器都設置了3種故障狀態(tài)和1種正常工作狀態(tài)，在11種不同的軌壓以及8種不同的脈寬情況下，每組噴油器故障類型共計352組數據，故5種故障類型共計1 760組數據，每組數據設置脈寬、共軌壓力、噴油峰值流量、噴油峰值時間、噴油關閉時間、噴油總量、回油總量這7種數據作為故障診斷的特征參數。

3 故障診斷模型建立

在噴油器故障數據采集完成后，將這些數據整理為用在機器學習訓練的數據集，并將數據集劃分為訓練集和測試集。故障診斷流程如圖7所示。

圖7 故障診斷流程

如圖7所示，將數據集按照7∶3的比例劃分為訓練集和測試集后，為了提高機器學習算法的性能和效率以及使數據更加易于理解和分析，將訓練數據集進行標準化處理，之后將訓練集用機器學習模型進行訓練，并使用網格搜索法尋找最優(yōu)超參數。網格搜索又被稱作窮舉搜索，是目前機器學習中很常用的一種尋優(yōu)調參的方法[14]，它可以自動搜索指定算法的超參數組合，并使用交叉驗證技術來評估每個組合的性能。網格搜索法會嘗試所有可能的參數組合，從而找到最優(yōu)的超參數組合。最終，利用這些超參數重新擬合模型，以獲得更好的性能。在實踐中，使用網格搜索法能夠幫助人們更快地尋找最優(yōu)超參數組合，從而提高機器學習模型的準確性和泛化能力。最后使用最優(yōu)超參數重新訓練機器學習模型。對比隨機森林(Random Forest)、logreg邏輯回歸(Logistic Regression)、支持向量機(Support Vector Machine)、高斯樸素貝葉斯(Gaussian Naive Bayes)、GBM(Gradient Boosting Machine)、XGBoost(eXtreme Gradient Boosting)、AdaBoost(Adaptive Boosting)等模型的綜合表現后，發(fā)現隨機森林模型、支持向量機、GBM和XGBoost對壓電分類器故障分類情況較好。

3.1 隨機森林模型

隨機森林是一種組合式自學習分類算法，具有變量重要性排序、并行處理等優(yōu)點，能夠組合多棵決策樹做出預測的一種多決策樹模型[15]。在隨機森林中，每個樹都是基于隨機子樣本和隨機特征來構建的，通過隨機化可以使數據具有更好的多樣性，在避免過擬合的同時提高了模型的準確性和泛化能力。在分類問題中，每個決策樹投票出一種類別，隨機森林則以投票最多的類別作為預測結果。

3.2 支持向量機模型

SVM是一種適合小樣本的學習方法，其算法簡單，具有較強的魯棒性和泛化能力，不易陷入局部最優(yōu)，還能剔除大量冗余樣本，可解決變壓器故障樣本數量少、故障復雜多樣的問題[16]。SVM的基本思想是將訓練集映射到高維空間中，通過尋求最大的間隔來構建分類超平面，從而將不同類別的樣本分開。從幾何角度來講，SVM試圖找到一個最優(yōu)分割超平面，使得該超平面距離最近的樣本點到超平面的距離最大化。這個距離被稱為“間隔”。SVM不僅可以處理線性可分的數據，還可以通過核函數技巧處理非線性可分的數據。

3.3 XGBoost模型

XGBoost是由 GBDT 改良而來的梯度提升算法?；跉埐畹挠柧毧蚣芟?，在k次迭代訓練過程中，每次都使用不同的二叉樹(CART)訓練，從而彌補前一次訓練后模型存在的不足，提升模型的預測精度，最終的預測結果為k次訓練產生的k個預測值之和[17-18]。具體來說，XGBoost采用梯度提升(Gradient Boosting)方法，對損失函數進行優(yōu)化，同時引入正則化項和剪枝等技術來防止過擬合，使得模型更加魯棒、快速、準確。

3.4 GBM模型

GBM是一種基于加法模型的Boosting算法，是一種非常流行的機器學習方法之一。與XGBoost類似，它也是通過不斷迭代來訓練多個弱分類器，每個新的分類器都是在先前所有分類器的殘差基礎上訓練得到的。GBM的基本思想是將多個簡單模型組合在一起構成一個更加復雜的模型，通過不斷地學習誤差和調整模型參數來逐步提高模型的性能。

3.5 投票分類模型

作者采用集成學習的思想，將隨機森林、SVM、XGBoost與GBM組合形成新的投票分類器，稱之為 Voting Classifier。投票法是通過多個模型集成進而降低方差，不同算法集成可能會比單個算法獲得更好的效果，投票方式分為軟投票和硬投票。文中所采用的投票方法為軟投票，使用輸出類概率分類的投票法，為了進一步提升精度加入權重操作，使得原本軟投票的普通求和操作改為加權求和操作[19]。拓撲結構如圖8 所示。

圖8 投票算法拓撲結構

將噴油器的噴油數據以及狀態(tài)參數輸入該分類器中即可對壓電噴油器的故障進行診斷。投票分類器的架構如圖9所示。

圖9 投票分類器的架構

4 實驗驗證

為了評估各分類模型的性能，本文作者采用了4個常用的指標：準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1-score。分類結果分為真陽性(TP)、假陽性(FP)、真陰性(TN)和假陰性(FN)。在文中研究的噴油器故障診斷模型中，準確率是正確預測的故障類型的數量與測試數據集樣本總數的比值；精確率表明該模型具有準確分類噴油器故障類型的能力；召回率反映了模型對噴油器故障的檢測能力；F1-score是用來評價分類模型在正例和負例兩個類別上綜合性能的指標，同時考慮了模型的準確性和覆蓋能力。上述4個指標的評價范圍為0～1，且指標的數值越高表示模型的能力越好。各指標的定義[20]如下：

(1)

(2)

(3)

(4)

作者將壓電噴油器6種狀態(tài)下的噴油器數據，共計1 760組作為訓練所需的數據集，按照測試集與訓練集3∶7的比例進行隨機劃分，其中測試集528組，訓練集1 232組。在將訓練集以及測試集輸入RF、SVM、XGBoost、GBM和投票分類模型(權重按照1∶1∶1∶1劃分)后得到如圖10所示的機器學習模型分類結果的評價指標?？芍褐С窒蛄繖C模型在絕大多數情況下分類效果最優(yōu)，投票分類模型次之，但圖10(c)所示的噴油器彈簧損壞的分類表現不如投票分類模型，在圖10(f)所示的噴油器正常狀態(tài)綜合表現僅比隨機森林模型要好，而投票分類模型在噴油器6種狀態(tài)的分類表現都非常優(yōu)秀，但其分類表現都不是最優(yōu)。

圖10 機器學習模型分類結果的評價指標

為了探究投票分類模型對噴油器狀態(tài)分類的最佳表現結果，以圖10中在大多數分類上表現都為最優(yōu)的支持向量機模型為核心，按照不同的權重以及不同的模型組合重新設計投票分類模型，合計共有45種組合，并將不同的權重組合類型按照1-9號進行編號，權重組合未到編號9、7的權重編號空余。編號結果如表6所示。將訓練集以及測試集輸入到本文作者設計的不同權重模型中，其準確率情況如圖11所示。圖11(a)中的4種模型組合權重最優(yōu)組合為[1，3，1，1]，即支持向量機模型占比重最高，準確率為98.67%；圖11(b)中的3種模型組合表現最優(yōu)的是(RF，SVM，GBM)組合，最優(yōu)權重比為[1，2，1] ，其準確率為98.86%，圖11(c)中的2種模型組合表現最優(yōu)的是(SVM，XGB)組合，最優(yōu)權重比為[2，1] ，其準確率為98.29%。顯然，投票分類器由RF、SVM、GBM組成且其三者權重為[1，2，1]時，投票分類模型對噴油器的故障診斷準確率最高。

表6 投票分類模型權重組合設計

圖11 投票分類模型準確率曲線

同理，在與故障診斷模型的其他評價指標對比后，由RF、SVM、GBM組成(權重為[1，2，1])的診斷模型的表現均優(yōu)于其他分類模型，精確率達到99.13%，召回率為98.56%，F1-score為98.83%。

5 結論

提出一種基于網格搜索和投票分類模型的噴油器故障自動化診斷方法，將由隨機森林模型、支持向量機模型、GBM組成的投票分類模型和高壓共軌試驗臺結合用于診斷壓電器的故障狀態(tài)。為了使各模型的分類效果達到最佳，使用網格搜索法來尋找各模型的最優(yōu)超參數，提高各個模型的評價指標。結果表明：由隨機森林模型、支持向量機模型、GBM組成的投票分類模型且權重為[1，2，1]對壓電噴油器各種狀態(tài)的分類情況最好，其準確率為98.86%，精確率為99.13%，召回率為98.56%，F1-score為98.83%，各項模型評價指標均優(yōu)于各分模型以及其余權重組成的投票分類模型。