CN104596775A - 发动机失火诊断***及其方法 - Google Patents
发动机失火诊断***及其方法 Download PDFInfo
- Publication number
- CN104596775A CN104596775A CN201410519879.0A CN201410519879A CN104596775A CN 104596775 A CN104596775 A CN 104596775A CN 201410519879 A CN201410519879 A CN 201410519879A CN 104596775 A CN104596775 A CN 104596775A
- Authority
- CN
- China
- Prior art keywords
- engine
- rbf
- diagnostic system
- fire
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Of Engines (AREA)
Abstract
本发明涉及一种发动机失火诊断***及其方法,属于发动机检测诊断领域,该***包括:信号采集单元,采集发动机排气管上的排气压力、尾气成分参数和转速参数;处理器,连接信号采集单元,并接收信号采集单元的参数信息,使用RBF模型处理信号采集单元的参数数据;显示器,连接处理器,显示处理器发送的信号。本发明提供的发动机失火诊断***能够通过压力传感器简单的就可以判断出发动机是不是失火故障,并通过尾气分析诊断出失火的原因,本发明比之一般的方案仅判断失火故障更加实用,诊断出原因后减少了维修人员的检查时间,解决了现有技术中发动机技术中失火判断时易出现误判情况的问题。
Description
技术领域
本发明涉及发动机检测诊断领域,具体涉及一种发动机失火诊断***及其方法。
背景技术
汽油发动机在运转时,由于没有发火、混合气过浓或过稀、压缩压力低或其他原因,导致吸入气缸内的混合气不能燃烧,被称为失火。发动机失火不仅会使有害气体排放增加,并且持续失火会导致催化剂温度大幅升高,从而严重的热老化对催化剂造成损害。所以准确的失火检测和及时的故障处理对于减少发动机的有害排放、提高发动机的寿命具有实用价值。
在传统技术中虽然根据发动机的工作状态计算诊断数据和设定阈值进行比较,但仍然存在下述问题:当由于失火之外的原因导致转速发生变化时,会错误的判断发生了失火。如果发生误判断,除了会给用户造成不必要的经济负担外,汽车生产商也会承受非常大的损失。目前发动机失火检测采用的曲轴转速波动法,其信号处理过程比较复杂,并且当路而状况不佳时,容易出现误判。
发明内容
为了克服现有技术中发动机技术中失火判断时易出现误判情况的问题,本发明提供一种发动机失火诊断***及其方法。
本发明的技术方案是:一种发动机失火诊断***,该***包括:
信号采集单元,采集发动机排气管上的排气压力、尾气成分参数和转速参数;
处理器,连接信号采集单元,并接收信号采集单元的参数信息,使用RBF模型处理信号采集单元的参数数据;
显示器,连接处理器,显示处理器发送的信号,如果显示器接收到警示信号,会显示警示信号提醒驾驶员。
所述信号采集单元包括压力传感器、红外单元和转速传感器,压力传感器测量排气管的排气压力,转速传感器测量发动机的转速,红外发单元发射的红外线经过发动机尾气后,根据红外单元中红外线的能量变化,分析尾气中的气体成分。
所述处理器中设有数据库,RBF模型利用数据库中的数据进行机器训练。
所述显示器是汽车内部的车载显示屏。
一种发动机失火诊断***的方法,该方法步骤包括:
步骤一、建立数据库,对数据库中的数据和待测数据均进行归一化处理;
步骤二、建立RBF模型,利用数据库的数据对RBF模型进行训练,输出RBF模型系数;
步骤三、检测到的发动机待测参数输入RBF模型,得到诊断结果;
步骤四,诊断结果显示在显示器上并存储进数据库。
所述步骤一中的试验数据包括数据库中的已知数据和检测到的发动机参数。
所述步骤二中的RBF模型的建立包括三个部分:
RBF神经网络构建:隐层节点的“基”构成隐层空间,确定RBF的中心和映射关系;
RBF神经网络训练:以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正;
RBF神经网络识别: RBF神经网络模型输入测试数据。
所述步骤三中的发动机待测参数包括发动机排气管上的压力参数、发动机的转速参数和发动机尾气中的气体成分参数。
本发明有如下积极效果:本发明提供的发动机失火诊断***能够通过压力传感器简单的就可以判断出发动机是不是失火故障,并通过尾气分析诊断出失火的原因,本发明比之一般的方案通过负责的方法仅判断失火故障更加实用,诊断出原因后减少了维修人员的检查时间,而且发动机结构复杂,检查难度大,使用本发明可以节省大量检查时间,提高工作效率。由于尾气成分复杂,一旦发动机转速改变尾气成分也会改变,所以提高检测准确性,本发明中提供了转速传感器,记录不同状态下的尾气成分,大量的数据参数需要分析记录和归类,所以本发明中应用了RBF模型,RBF神经网络一种逼近网络,它能够以任意精度逼近任意连续函数,学习速度快,精度高,鲁棒性高,处理数据很是方便快捷,诊断结果也准确有用。
附图说明
图1 是本发明中发动机失火诊断***的工作框图;
图2 是本发明中发动机失火诊断***方法的工作流程图;
图3 是本发明中RBF模型的工作流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种发动机失火诊断***,如图2所示,该***包括信号采集单元、处理器和显示器,三者依次电连接,也可以选择无线连接方式,本发明中优选有线连接方式。
信号采集单元,连接发送信号到处理器,采集单元包括括压力传感器、红外单元和转速传感器,压力传感器测量排气管的排气压力,压力传感器安装在发动机排气管内。转速传感器安装在发动机内部测量发动机的转速,红外发单元发射的红外线经过发动机尾气后,根据对比红外单元中接收器接收到的某一波长红外线的能量变化,分析尾气中的气体成分。
尾气检测的原理是根据不同气体具有吸收不同波长红外线的特性,CO主要吸收的是
1.7um附近的红外线,CO2主要吸收 4.2um附近的红外线,HC主要吸收3.4um附近的红外线,据此,所以让红外线通过一定量的汽车尾气,根据对比某一波长的红外线经过尾气前后能量的变化,测定尾气中某类气体的含量。又由于,目前各类发动机的尾气样本数据都是在固定转速状态下测得的,不同转速下各气体在尾气中的含量会有一定的差别,因此现有的方法都无法进行实时动态故障诊断,所以本发明中采集在每个变速档位的行驶状态下的样本数据进行单独训练,这样在不同档位上调用各自对应的RBF模型( 区别在超参数不同) ,即可实现不同转速下的动态检测,实时显示发动机的运行状态 。
处理器,连接信号采集单元,并接收信号采集单元的参数信息。将接收到的采集的排气压力波实时信号的峰峰值与内置的排气压力波均值信号的峰峰值进行比较。当两者的差值大于或等于预先设定的阈值时,处理器发出发动机失火判定信号,当差值小于预先设定的阈值时判定发动机处于正常工作状态。当判断得到发动机处于失火故障时,***分析尾气参数,判断是处于何种故障。尾气的正常范围值是CO:1.0%˜2.0% , CO2:13.50%˜14.80%,O2:1.0%˜2.0%,HC:100˜150mg·L-1,处理器记录下不同转速下的尾气成分,然后判断是否在正常范围数值,
尾气成分中HC的读数高,说明燃油没有充分燃烧。CO的含量过高,表明燃油供给过多、空气供给过少;CO的含量过低,则表明混合气体过稀。CO2是可燃混合气燃烧的产物,其高低反映出混合气燃烧的好坏,即燃烧效率。O2的含量是反映混合气空燃比的最好指标,是最有用的诊断数据之一。通过尾气分析,可以检测到故障是以下几个主要方面混合气过浓或过稀,二次空气喷射***失灵、喷油器故障、进气歧管真空泄漏、空气泵故障、汽盖衬垫损坏、EGR阀故障、排气***泄漏、点火***提前角过大等。
处理器设有数据库,存储发动机失火有关的台架试验参数,***信号采集单元采集的数据和对应的结果都会存储在数据库。由于数据库的庞大,数据的类别众多,所以本发明使用了RBF模型处理信号采集单元的参数数据,记录归类不同转速下的尾气成分,从而判断时调用不同数据进行失火诊断,同时RBF模型还要利用数据库中的数据进行机器训练,学习速度快,精度高,鲁棒性高,处理数据很是方便快捷,诊断结果也准确有用。
显示器,连接处理器,显示处理器发送的信号,显示器可以是汽车内部的车载显示屏,如果显示器接收到警示信号,会显示警示信号提醒驾驶员,方便驾驶员或者维修人员查看发动机状态。
一种发动机失火诊断***的方法,如图2所示,该方法步骤包括:
步骤一、建立数据库,对数据库中的数据和待测数据均进行归一化处理。数据库中包括了数据库中的已知台架试验数据和检测到的发动机参数数据统称为试验数据,试验数据进入模型前都需进行归一化处理。
预处理是对数据进行归一化处理,归一化可以加快训练网络的收敛性, 归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算,首先基本度量单位要同一,算法是以样本在事件中的统计分别几率来进行训练和预测的,归一化是同一在0-1之间的统计概率分布;SVM是以降维后线性划分距离来分类和仿真的,因此时空降维归一化是统一在-1--+1之间的统计坐标分布。
步骤二、建立RBF模型,利用数据库的数据对RBF模型进行训练,输出RBF模型系数。
RBF神经网络是一种局部逼近网络,它能够以任意精度逼近任意连续函数,学习速度快,精度高,在逼近能力、分类能力和学习速度等方而均优于BP网络。RBF神经网络模型分为三个部分,RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。
RBF神经网络的结构和网络和构建:径向基函数神经网络(radial basis function neural network)是一种具有单隐层的3层前馈网络。它的基本思想是:用RBF作为隐层节点的“基”构成隐层空间,这样就可以将输入矢量不通过权值连接映射到隐层空间。当RBF的中心点确定后,这种映射关系也就确定了。其中,隐层节点的基函数采用距离函数,而激活函数采用径向基函数(如高斯函数)。
径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,这种“局部特性”使得RBF网络成为一种局部响应神经网络。而且,隐层到输出层的映射是线性的,即网络的输出是隐节点输出的线性组合。现在也己证明,径向基网络也能够以任意精度逼近任意连续函数,并且它的学习速度比BP网络快,并能避免局部极小值问题。
RBF神经网络的训练:RBF神经网络的训练算法以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正。在此,使用带有动量因子的梯度下降法对网络的各个参数进行修改。 网络的目标函数为:
式中式(1)中,
QUOTE 为神经网络的输出与期望值的差值,n为训练样本的个数。根据目标函数,推导出更新输出层权值的公式为:
隐层节点中心点的计算公式为:
隐层节点偏差值计算公式为:
以上三式中, QUOTE 为学习速率,
QUOTE ,
QUOTE 为动量因子,
QUOTE 。
RBF神经网络的识别:测试数据经过RBF神经网络的预测模型输出最佳预测值,得到最逼近的函数。
RBF神经网络可以以任意精度逼近任意连续函数,并且它的学习速度比BP网络快,并能避免局部极小值问题。
步骤三、检测到的发动机待测参数输入RBF模型,得到诊断结果。RBF模型建立后,发动机的待测数据就可以输入到模型中,就可以得到诊断结果了,发动机待测参数包括发动机排气管上的压力参数、发动机的转速参数和发动机尾气中的气体成分参数。
其具体流程如图3所示:
1) 程序初始化;
2) 对试验数据进行归一化处理;
3) 创建RBF网络,并输入训练样本进行对网络进行训练;
4) 判断训练样本误差是否小于设定误差;
5) 如果小于设定误差则输出RBF模型结构系数,如果不小于设定误差,则修改训练网络参数后返回步骤3);
6) 输入待测样本,得到模型输出结果。
步骤四,诊断结果显示在显示器上并存储进数据库。处理器输出的诊断结果会显示在显示器上,方便驾驶员查看,而且一旦处理器发出警示失火信号,驾驶员也可以通过显示器看到警报信号和诊断结果,方便维修人员快速检查。诊断结果存储在数据库中,方便***调用和机器训练,达到更新已知数据库的目的,***诊断准确度更高,***更加实用。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (8)
1.一种发动机失火诊断***,其特征在于,该***包括:
信号采集单元,采集发动机排气管上的排气压力、尾气成分参数和转速参数;
处理器,连接信号采集单元,并接收信号采集单元的参数信息,使用RBF模型处理信号采集单元的参数数据;
显示器,连接处理器,显示处理器发送的信号,如果显示器接收到警示信号,会显示警示信号提醒驾驶员。
2.根据权利要求1所述的发动机失火诊断***,其特征在于,所述信号采集单元包括压力传感器、红外单元和转速传感器,压力传感器测量排气管的排气压力,转速传感器测量发动机的转速,红外发单元发射的红外线经过发动机尾气后,根据红外单元中红外线的能量变化,分析尾气中的气体成分。
3.根据权利要求1所述的发动机失火诊断***,其特征在于,所述处理器中设有数据库,RBF模型利用数据库中的数据进行机器训练。
4.根据权利要求1所述的发动机失火诊断***,其特征在于,所述显示器是汽车内部的车载显示屏。
5.一种发动机失火诊断***的方法,其特征在于,该方法步骤包括:
步骤一、建立数据库,对数据库中的数据和待测数据均进行归一化处理;
步骤二、建立RBF模型,利用数据库的数据对RBF模型进行训练,输出RBF模型系数;
步骤三、检测到的发动机待测参数输入RBF模型,得到诊断结果;
步骤四,诊断结果显示在显示器上并存储进数据库。
6.根据权利要求5所述的发动机失火诊断***的方法,其特征在于,所述步骤一中的试验数据包括数据库中的已知数据和检测到的发动机参数。
7.根据权利要求5所述的发动机失火诊断***的方法,其特征在于,所述步骤二中的RBF模型的建立包括三个部分:
RBF神经网络构建:隐层节点的“基”构成隐层空间,确定RBF的中心和映射关系;
RBF神经网络训练:以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正;
RBF神经网络识别: RBF神经网络模型输入测试数据。
8.根据权利要求5所述的发动机失火诊断***的方法,其特征在于,所述步骤三中的发动机待测参数包括发动机排气管上的压力参数、发动机的转速参数和发动机尾气中的气体成分参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410519879.0A CN104596775A (zh) | 2014-10-07 | 2014-10-07 | 发动机失火诊断***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410519879.0A CN104596775A (zh) | 2014-10-07 | 2014-10-07 | 发动机失火诊断***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104596775A true CN104596775A (zh) | 2015-05-06 |
Family
ID=53122700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410519879.0A Pending CN104596775A (zh) | 2014-10-07 | 2014-10-07 | 发动机失火诊断***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104596775A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106969919A (zh) * | 2017-03-14 | 2017-07-21 | 西华大学 | 一种发动机失火探测方法及装置 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断***及其方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断***及方法 |
CN109855878A (zh) * | 2018-12-29 | 2019-06-07 | 青岛海洋科学与技术国家实验室发展中心 | 计算机可读介质、发动机故障检测装置以及船舶 |
CN112412647A (zh) * | 2019-08-22 | 2021-02-26 | 丰田自动车株式会社 | 失火检测装置、失火检测***以及数据解析装置 |
CN115263548A (zh) * | 2022-04-02 | 2022-11-01 | 长城汽车股份有限公司 | 一种发动机失火检测方法、装置、车辆和存储介质 |
CN115467752A (zh) * | 2021-06-11 | 2022-12-13 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、***及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292738B1 (en) * | 2000-01-19 | 2001-09-18 | Ford Global Tech., Inc. | Method for adaptive detection of engine misfire |
CN101887479A (zh) * | 2010-07-23 | 2010-11-17 | 华南理工大学 | 基于确定学习理论的轴流压气机旋转失速的快速诊断方法 |
CN101907520A (zh) * | 2010-07-20 | 2010-12-08 | 浙江吉利汽车研究院有限公司 | 发动机失火检测方法及其检测装置 |
CN201852706U (zh) * | 2010-09-21 | 2011-06-01 | 淮阴工学院 | 一种基于尾气排放的汽车故障诊断测试*** |
-
2014
- 2014-10-07 CN CN201410519879.0A patent/CN104596775A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292738B1 (en) * | 2000-01-19 | 2001-09-18 | Ford Global Tech., Inc. | Method for adaptive detection of engine misfire |
CN101907520A (zh) * | 2010-07-20 | 2010-12-08 | 浙江吉利汽车研究院有限公司 | 发动机失火检测方法及其检测装置 |
CN101887479A (zh) * | 2010-07-23 | 2010-11-17 | 华南理工大学 | 基于确定学习理论的轴流压气机旋转失速的快速诊断方法 |
CN201852706U (zh) * | 2010-09-21 | 2011-06-01 | 淮阴工学院 | 一种基于尾气排放的汽车故障诊断测试*** |
Non-Patent Citations (2)
Title |
---|
宫唤春: "基于RBF神经网络发动机失火故障的诊断研究", 《起重运输机械》 * |
张力军: "《机动车污染防治基本理论》", 28 February 2010, 中国环境科学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106969919A (zh) * | 2017-03-14 | 2017-07-21 | 西华大学 | 一种发动机失火探测方法及装置 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断***及其方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断***及方法 |
CN108763681B (zh) * | 2018-05-16 | 2022-01-28 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断***及方法 |
CN109855878A (zh) * | 2018-12-29 | 2019-06-07 | 青岛海洋科学与技术国家实验室发展中心 | 计算机可读介质、发动机故障检测装置以及船舶 |
CN112412647A (zh) * | 2019-08-22 | 2021-02-26 | 丰田自动车株式会社 | 失火检测装置、失火检测***以及数据解析装置 |
CN112412647B (zh) * | 2019-08-22 | 2022-11-11 | 丰田自动车株式会社 | 失火检测装置、失火检测***以及数据解析装置 |
CN115467752A (zh) * | 2021-06-11 | 2022-12-13 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、***及计算机存储介质 |
CN115467752B (zh) * | 2021-06-11 | 2024-05-28 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、***及计算机存储介质 |
CN115263548A (zh) * | 2022-04-02 | 2022-11-01 | 长城汽车股份有限公司 | 一种发动机失火检测方法、装置、车辆和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104596775A (zh) | 发动机失火诊断***及其方法 | |
US10060346B2 (en) | Method for monitoring at least one exhaust gas turbocharger | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
CN102797671A (zh) | 一种往复压缩机的故障检测方法与装置 | |
CN104919298B (zh) | 基于排气歧管压力的内燃发动机不点火检测 | |
CN108343497B (zh) | 一种柴油车scr***老化失效快速诊断***及方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油***故障预诊断方法 | |
CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断*** | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN110085006A (zh) | 船舶监测方法、装置、***和存储介质 | |
US8386204B2 (en) | Method for the diagnosis of the EGR cooler efficiency in a diesel engine | |
CN102095588A (zh) | 柴油机故障智能诊断方法 | |
CN103135515A (zh) | 一种车辆状况的诊断方法 | |
US10975794B2 (en) | Method of fault isolation for systems with existing diagnostics | |
CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
CN105894027A (zh) | 基于密度聚类的主元关联度传感器故障检测方法及装置 | |
CN111553178A (zh) | 转动机械振动特性的智能识别方法 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN106950472A (zh) | 一种基于红外紫外成像的绝缘子检测方法 | |
CN101907520B (zh) | 发动机失火检测方法及其检测装置 | |
CN111075586A (zh) | 一种进气流量传感器检验方法 | |
CN115392782A (zh) | 一种核电厂工艺***健康状态监测和诊断方法及*** | |
CN108416429A (zh) | 基于som神经网络的氢燃料发动机故障诊断***及其方法 | |
CN105224730A (zh) | 一种高压共轨电控柴油机原始no2排放量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |
|
RJ01 | Rejection of invention patent application after publication |