劉建敏，李曉磊,2，喬新勇，張 杰

(1.裝甲兵工程學(xué)院機(jī)械工程系，北京 100072； 2.解放軍77136部隊(duì)，璧山 402760；3.中國(guó)人民解放軍駐318廠軍事代表室，北京 100053)

?

2015151

基于缸蓋振動(dòng)信號(hào)的柴油機(jī)多工況氣缸壓力識(shí)別方法研究*

劉建敏1，李曉磊1,2，喬新勇1，張 杰3

(1.裝甲兵工程學(xué)院機(jī)械工程系，北京 100072； 2.解放軍77136部隊(duì)，璧山 402760；3.中國(guó)人民解放軍駐318廠軍事代表室，北京 100053)

對(duì)某12150型柴油機(jī)進(jìn)行了缸內(nèi)燃燒激勵(lì)的瞬態(tài)動(dòng)力學(xué)計(jì)算，分析了其缸蓋振動(dòng)的位移、速度和加速度與缸內(nèi)燃燒特征參數(shù)的對(duì)應(yīng)關(guān)系。接著在此基礎(chǔ)上，對(duì)實(shí)測(cè)振動(dòng)加速度進(jìn)行數(shù)字積分和平均濾波得到振動(dòng)位移信號(hào)，并利用希爾伯特包絡(luò)和滑動(dòng)平均法提取了振動(dòng)位移的趨勢(shì)項(xiàng)。再以該趨勢(shì)項(xiàng)為輸入?yún)?shù)構(gòu)建了Adaboost_BP集成神經(jīng)網(wǎng)絡(luò)模型，最后利用此模型對(duì)不同工況下的缸內(nèi)壓力進(jìn)行識(shí)別。結(jié)果表明：振動(dòng)位移趨勢(shì)項(xiàng)與缸內(nèi)壓力的良好對(duì)應(yīng)關(guān)系和參數(shù)本身的簡(jiǎn)潔性有效降低了神經(jīng)網(wǎng)絡(luò)輸入的復(fù)雜度，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率；集成神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確識(shí)別不同工況下的缸內(nèi)壓力，其泛化性和精度均有大幅度提高。

柴油機(jī)；振動(dòng)；氣缸壓力；希爾伯特包絡(luò)；集成神經(jīng)網(wǎng)絡(luò)

前言

缸內(nèi)壓力直接反映柴油機(jī)燃燒過(guò)程，是表征柴油機(jī)技術(shù)狀況的重要參數(shù)之一。對(duì)于臺(tái)架試驗(yàn)和某些設(shè)計(jì)完善的車輛通常采用缸壓傳感器直接測(cè)量缸內(nèi)壓力，可實(shí)現(xiàn)發(fā)動(dòng)機(jī)工作狀況的實(shí)時(shí)監(jiān)測(cè)。軍用車輛沒(méi)有預(yù)設(shè)缸內(nèi)壓力傳感器，同時(shí)由于空間的限制，實(shí)車安裝缸內(nèi)壓力傳感器非常繁瑣，嚴(yán)重影響了檢測(cè)效率。相比之下，柴油機(jī)表面振動(dòng)信號(hào)獲取較為方便快捷，且其中蘊(yùn)含了豐富的缸內(nèi)燃燒信息，可以用于間接檢測(cè)缸內(nèi)壓力。

目前利用振動(dòng)信號(hào)檢測(cè)缸內(nèi)壓力的研究比較多，方法也是多種多樣[1-4]，但通常不進(jìn)行振動(dòng)信號(hào)產(chǎn)生機(jī)理的分析，忽略了振動(dòng)信號(hào)與缸內(nèi)壓力的本質(zhì)聯(lián)系。本文中通過(guò)瞬態(tài)動(dòng)力學(xué)仿真，深入分析了不同類型振動(dòng)信號(hào)與缸內(nèi)壓力的對(duì)應(yīng)關(guān)系，發(fā)現(xiàn)振動(dòng)位移信號(hào)與缸內(nèi)壓力的變化趨勢(shì)最為接近，適合用于缸內(nèi)壓力的精確識(shí)別。在此基礎(chǔ)上，利用希爾伯特包絡(luò)和滑動(dòng)平均，提取了振動(dòng)位移信號(hào)的變化趨勢(shì)，并建立了Adaboost_BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)改進(jìn)權(quán)重系數(shù)和誤差函數(shù)，實(shí)現(xiàn)了多工況下缸內(nèi)壓力的識(shí)別，并對(duì)缸內(nèi)壓力異?，F(xiàn)象進(jìn)行了準(zhǔn)確檢測(cè)。

1 缸內(nèi)燃燒激勵(lì)振動(dòng)響應(yīng)機(jī)理分析

針對(duì)某12150型柴油機(jī)建立了缸蓋裝配體的有限元模型，如圖1所示。由于主要研究對(duì)象為缸蓋，為減小計(jì)算量，將機(jī)體設(shè)置為剛體。為了便于網(wǎng)格劃分，對(duì)缸蓋和螺栓也進(jìn)行了簡(jiǎn)化，忽略了部分倒角、凹槽和小的螺栓孔。經(jīng)過(guò)檢驗(yàn)網(wǎng)格無(wú)關(guān)性，最終確定計(jì)算中采用四面體網(wǎng)格單元，裝配體單元數(shù)為226 115，節(jié)點(diǎn)數(shù)119 829，具體如圖1所示。缸蓋材料為鋁合金ZL702，缸蓋螺栓的材料為42CrMo。

通過(guò)臺(tái)架試驗(yàn)得到右1缸缸內(nèi)壓力曲線，將兩個(gè)工作循環(huán)的氣缸壓力施加在缸蓋火力面上，壓力載荷方向垂直于火力面向上。施加的氣缸壓力曲線如圖2所示。

設(shè)置邊界條件和螺栓預(yù)緊力，進(jìn)行瞬態(tài)動(dòng)力學(xué)計(jì)算，得到振動(dòng)加速度響應(yīng)，如圖3所示，與實(shí)測(cè)振動(dòng)加速度變化趨勢(shì)較為接近，表明建立的仿真模型基本合理，可以用來(lái)分析缸內(nèi)燃燒特征參數(shù)及其響應(yīng)信號(hào)之間的關(guān)系。

1.1 振動(dòng)位移信號(hào)產(chǎn)生機(jī)理分析

實(shí)測(cè)缸內(nèi)壓力信號(hào)及其計(jì)算振動(dòng)位移響應(yīng)如圖4所示。由圖可見(jiàn)：二者在變化趨勢(shì)上非常相似，尤其是在最大爆發(fā)壓力之前；最大爆發(fā)壓力之后，位移響應(yīng)的波動(dòng)開(kāi)始變的劇烈，但趨勢(shì)仍舊比較相似。

對(duì)缸內(nèi)壓力信號(hào)與振動(dòng)位移信號(hào)的變化關(guān)系做如下解釋：缸蓋通過(guò)聯(lián)接螺栓與機(jī)體固定，隨著缸內(nèi)壓力的升高，缸蓋以及螺栓在活塞軸線方向產(chǎn)生變形，峰值壓力前，該變形量出現(xiàn)一致性增大，但由于作用力持續(xù)增加，不會(huì)產(chǎn)生振動(dòng)；峰值壓力后，缸內(nèi)壓力逐漸降低，各部件的彈性回復(fù)力開(kāi)始發(fā)揮作用，導(dǎo)致缸蓋系統(tǒng)開(kāi)始產(chǎn)生振動(dòng)。由此缸蓋振動(dòng)位移響應(yīng)以峰值壓力為界分為兩個(gè)階段，峰值壓力之前的位移信號(hào)與缸內(nèi)壓力相關(guān)性較強(qiáng)，峰值壓力后的位移信號(hào)由于回復(fù)力的作用存在一定的振蕩，但整體趨勢(shì)仍與缸內(nèi)壓力有較高的相似性。

1.2 振動(dòng)速度信號(hào)產(chǎn)生機(jī)理分析

由以上分析，不難推斷振動(dòng)速度信號(hào)應(yīng)該與缸內(nèi)壓力信號(hào)的導(dǎo)數(shù)即壓力升高率存在一定的關(guān)系。

計(jì)算實(shí)測(cè)缸內(nèi)壓力信號(hào)的壓力升高率，其計(jì)算公式[5]為

(1)

式中：PIRi為第i點(diǎn)壓力升高率；pi為第i點(diǎn)壓力值；Δφ為兩采樣點(diǎn)之間的角度，假定發(fā)動(dòng)機(jī)一個(gè)循環(huán)內(nèi)的轉(zhuǎn)速恒定，則Δφ=720/一個(gè)循環(huán)的采樣點(diǎn)數(shù)。

圖5為由實(shí)測(cè)缸內(nèi)壓力計(jì)算得到的壓力升高率與仿真振動(dòng)速度的對(duì)比。由圖可見(jiàn)：二者在幅值和相位上有一定偏差，但大體趨勢(shì)基本一致，這表明振動(dòng)速度與缸內(nèi)壓力升高率存在較強(qiáng)的對(duì)應(yīng)關(guān)系。

1.3 振動(dòng)加速度信號(hào)產(chǎn)生機(jī)理分析

振動(dòng)加速度是振動(dòng)速度的導(dǎo)數(shù)，由此可推斷振動(dòng)加速度應(yīng)該與壓力升高率的導(dǎo)數(shù)即壓力升高加速度存在對(duì)應(yīng)關(guān)系。圖6為計(jì)算振動(dòng)加速度與缸內(nèi)壓力2階導(dǎo)數(shù)的對(duì)比。由圖可見(jiàn)，二者在變化趨勢(shì)上較為相似，但由于缸蓋、機(jī)體系統(tǒng)的響應(yīng)延遲以及其他激勵(lì)的干擾，二者在幅值及相位上存在一定差異。

圖7為實(shí)測(cè)振動(dòng)加速度與缸內(nèi)壓力2階導(dǎo)數(shù)的對(duì)比。由圖可見(jiàn)，二者變化趨勢(shì)也較為相似，但由于針閥落座激勵(lì)和燃燒激勵(lì)的干擾，信號(hào)對(duì)最大壓力升高率附近的變化反映不夠準(zhǔn)確，另外振動(dòng)加速度對(duì)高頻信號(hào)較為敏感，導(dǎo)致信號(hào)的局部振蕩較劇烈，不利于識(shí)別缸內(nèi)燃燒的特征信息。

2 信號(hào)分析及預(yù)處理

通過(guò)機(jī)理分析，不難看出振動(dòng)位移信號(hào)與缸內(nèi)壓力的變化趨勢(shì)最為接近，因此應(yīng)采用振動(dòng)位移識(shí)別缸內(nèi)壓力。由于車輛空間限制，不便于采集柴油機(jī)缸蓋的振動(dòng)位移信號(hào)，試驗(yàn)中通常采集缸蓋振動(dòng)加速度信號(hào)。由3種信號(hào)的關(guān)系可知，將缸蓋振動(dòng)加速度進(jìn)行二次積分即可得到振動(dòng)位移信號(hào)。數(shù)字積分的常用算法有梯形積分公式和Simpson積分公式等，其中梯形公式計(jì)算簡(jiǎn)單，但誤差稍大，而Simpson公式計(jì)算量稍大但積分精度較高，因此本文中采用Simpson積分法，其表達(dá)式[6]為

(2)

式中：v(i)為積分后的速度信號(hào)；a(i)為采集到的加速度信號(hào)；Δt為采樣間隔時(shí)間。

振動(dòng)信號(hào)積分時(shí)，由于積分初值無(wú)法確定，導(dǎo)致積分后的信號(hào)包含直流分量，同時(shí)由于缸蓋表面溫度多變，應(yīng)力環(huán)境復(fù)雜，會(huì)在信號(hào)中存在不規(guī)則的趨勢(shì)項(xiàng)，趨勢(shì)項(xiàng)對(duì)變換結(jié)果影響比較突出，可能導(dǎo)致積分結(jié)果完全失真。針對(duì)此問(wèn)題，本文中采用滑動(dòng)平均法消除趨勢(shì)項(xiàng)，該方法具有較高的噪聲減少比，且實(shí)現(xiàn)簡(jiǎn)單[7]。圖8為振動(dòng)加速度信號(hào)二次積分得到的振動(dòng)位移信號(hào)。由圖可見(jiàn)，受針閥落座和活塞敲擊等激勵(lì)的影響，振動(dòng)位移信號(hào)對(duì)缸內(nèi)壓力變化的反應(yīng)不太明顯，僅在燃燒始點(diǎn)至最大爆發(fā)壓力段保持了較強(qiáng)的相似度。

為弱化其他激勵(lì)引起的局部波動(dòng)，提取振動(dòng)位移信號(hào)的變化趨勢(shì)，首先采用希爾伯特(Hilbert)變換求取振動(dòng)位移信號(hào)的包絡(luò)信號(hào)。Hilbert變換是一個(gè)定義信號(hào)幅值和相位的特殊函數(shù)，它能充分體現(xiàn)原始信號(hào)的包絡(luò)信息。設(shè)振動(dòng)信號(hào)序列為X(t),則其解析信號(hào)表達(dá)式Y(jié)(t)為

Y(t)=X(t)+jH(t)=A(t)expjφ(t)

(3)

(4)

式中H(t)為X(t)的希爾波特變換。

從式(3)中可知振動(dòng)信號(hào)的幅值信息全部蘊(yùn)含于幅值函A(t)中，該函數(shù)直觀反映了激勵(lì)(氣缸壓力)的變化信息[8]。圖9為上止點(diǎn)前后振動(dòng)位移包絡(luò)信號(hào)與缸內(nèi)壓力的對(duì)比。由圖可見(jiàn)：由于幅值負(fù)值的不存在，希爾波特變換增強(qiáng)了信號(hào)幅值的變化效應(yīng)，較為明顯地反映了氣缸壓力的變化；但由于其他激勵(lì)的低頻成分無(wú)法徹底清除，包絡(luò)信號(hào)局部仍存在較大波動(dòng)。為進(jìn)一步突出信號(hào)的整體變化趨勢(shì)，利用滑動(dòng)平均求取包絡(luò)信號(hào)的趨勢(shì)項(xiàng)，具體如圖10所示。由圖可見(jiàn)：趨勢(shì)信號(hào)的變化更加平滑，與缸內(nèi)壓力的相似度大大增加。

3 缸內(nèi)壓力識(shí)別

利用缸蓋振動(dòng)信號(hào)識(shí)別氣缸壓力的方法可以歸納為以下3種：傳遞函數(shù)法、倒譜法和神經(jīng)網(wǎng)絡(luò)法。前兩種方法均須假設(shè)研究對(duì)象為線性系統(tǒng)，且需要獲取系統(tǒng)的傳遞函數(shù)。柴油機(jī)缸蓋系統(tǒng)結(jié)構(gòu)復(fù)雜，振動(dòng)信號(hào)在傳遞過(guò)程中受到諸多非線性因素的影響，將其假設(shè)為線性系統(tǒng)顯然不合理。BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意非線性映射，且結(jié)構(gòu)簡(jiǎn)單，在機(jī)械故障診斷中得到了廣泛的應(yīng)用。但也存在一些缺陷，如學(xué)習(xí)收斂速度慢、易陷入局部最小等，同時(shí)利用單一神經(jīng)網(wǎng)絡(luò)往往只能構(gòu)建針對(duì)某一特定工況的缸內(nèi)壓力識(shí)別模型，將其應(yīng)用于多個(gè)工況缸內(nèi)壓力的識(shí)別，會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜，識(shí)別精度低，泛化性差等一系列問(wèn)題。為此，本文中利用Adaboost算法建立了組合BP神經(jīng)網(wǎng)絡(luò)模型(Adaboost_BP模型)，針對(duì)多個(gè)工況下的缸蓋振動(dòng)位移信號(hào)進(jìn)行缸內(nèi)壓力識(shí)別，取得了較好的效果。

3.1 Adaboost_BP模型的建立方法

Adaboost算法的雛形為Boosting算法，其基本思想就是試圖產(chǎn)生數(shù)個(gè)簡(jiǎn)單的、精度比隨機(jī)猜測(cè)略好的弱規(guī)則，再將這些規(guī)則集成構(gòu)造一個(gè)高精度的強(qiáng)規(guī)則，這種思想起源于Valiant提出的PAC學(xué)習(xí)模型[9]。

針對(duì)缸內(nèi)壓力識(shí)別問(wèn)題，AdaBoost集成算法將BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，進(jìn)而加權(quán)得到BP神經(jīng)網(wǎng)絡(luò)強(qiáng)預(yù)測(cè)器。其算法具體步驟如下。

步驟1：數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化。從樣本空間中隨機(jī)抽取m組數(shù)據(jù)作為訓(xùn)練樣本，并初始化分布權(quán)重Dt(i)=1/m，根據(jù)樣本輸入輸出維數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

步驟2：弱預(yù)測(cè)器預(yù)測(cè)。以第t個(gè)預(yù)測(cè)器為例，用訓(xùn)練樣本數(shù)組g(t)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并預(yù)測(cè)訓(xùn)練樣本的輸出結(jié)果，得到訓(xùn)練樣本數(shù)組g(t)的預(yù)測(cè)誤差和et，同時(shí)計(jì)算下一個(gè)預(yù)測(cè)器中樣本的分布權(quán)重Dt+1(i)。

(5)

(6)

步驟3：計(jì)算預(yù)測(cè)序列權(quán)重。根據(jù)訓(xùn)練樣本組g(t)的預(yù)測(cè)誤差et計(jì)算序列的權(quán)重at：

(7)

(8)

式中：Bt為歸一化因子，目的是在權(quán)重比例不變的情況下視分布權(quán)重和為1。

步驟5：訓(xùn)練停止條件。當(dāng)所有訓(xùn)練樣本的誤差均方值小于指定值時(shí)，停止訓(xùn)練下一個(gè)弱預(yù)測(cè)器，即

errt(i)

(9)

此時(shí)，et=0，at達(dá)到最大值0.5，即該預(yù)測(cè)器的權(quán)重最大。

步驟6：強(qiáng)預(yù)測(cè)函數(shù)。訓(xùn)練T輪后得到T組弱預(yù)測(cè)函數(shù)f(g(t),at)，將T組弱預(yù)測(cè)器組合得到強(qiáng)預(yù)測(cè)函數(shù)h(x)為

(10)

3.2 基于Adaboost_BP模型的缸壓識(shí)別

以上止點(diǎn)前20～上止點(diǎn)后30°CA的缸內(nèi)壓力為識(shí)別對(duì)象，選取振動(dòng)位移包絡(luò)信號(hào)的趨勢(shì)項(xiàng)作為神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行識(shí)別。為了統(tǒng)一輸入和輸出向量的維數(shù)，以1°CA為單位抽取50個(gè)點(diǎn)的趨勢(shì)項(xiàng)數(shù)據(jù)及缸壓數(shù)據(jù)，并利用式(11)對(duì)樣本進(jìn)行歸一化。

(11)

對(duì)于BP網(wǎng)絡(luò)，單隱層的網(wǎng)絡(luò)可以完成任意的非線性映射。因此采用3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。隱層神經(jīng)元數(shù)確定是個(gè)十分復(fù)雜的問(wèn)題，通常需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)來(lái)確定，不存在理想的解析表達(dá)式。隱層神經(jīng)元數(shù)目與問(wèn)題的要求和輸入/輸出的單元數(shù)均有密切聯(lián)系。隱層神經(jīng)元數(shù)目太多會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)，容錯(cuò)性變差。參考式(12)經(jīng)驗(yàn)公式可知，BP神經(jīng)網(wǎng)絡(luò)輸入層有50個(gè)神經(jīng)元，則隱層神經(jīng)元數(shù)目約為6，可初步確定網(wǎng)絡(luò)結(jié)構(gòu)為50-6-50，經(jīng)后期實(shí)驗(yàn)對(duì)比最佳網(wǎng)絡(luò)結(jié)構(gòu)為50-8-50。其他神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如表1所示。

n1=log2n2

(12)

式中n1和n2分別為隱層和輸入層神經(jīng)元數(shù)目。

表1 參數(shù)設(shè)置

為了提高網(wǎng)絡(luò)的工況適應(yīng)性，選擇1 200，1 600和2 000r/min空載工況建立神經(jīng)網(wǎng)絡(luò)模型。每個(gè)工況選擇10個(gè)樣本共30個(gè)樣本組成訓(xùn)練樣本。另外各抽取10個(gè)樣本作為測(cè)試樣本。首先單獨(dú)采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其誤差曲線如圖11所示，由于輸入輸出數(shù)據(jù)對(duì)應(yīng)關(guān)系較好，網(wǎng)絡(luò)經(jīng)過(guò)8步訓(xùn)練即達(dá)到預(yù)定誤差并收斂。利用該網(wǎng)絡(luò)對(duì)不同工況下未參與訓(xùn)練的振動(dòng)位移數(shù)據(jù)進(jìn)行測(cè)試。圖12～圖14為識(shí)別缸內(nèi)壓力與實(shí)測(cè)缸內(nèi)壓力的對(duì)比。由圖可見(jiàn)，模型的識(shí)別精度較低，泛化性較差，無(wú)法滿足多工況缸內(nèi)壓力的檢測(cè)要求，分析認(rèn)為主要是由于不同工況下缸內(nèi)壓力與振動(dòng)位移的非線性關(guān)系有所差別，而單一神經(jīng)網(wǎng)絡(luò)的泛化能力較弱，無(wú)法同時(shí)建立多個(gè)不同的映射關(guān)系且保持較高的識(shí)別精度。

采用Adaboost集成BP神經(jīng)網(wǎng)絡(luò)以提高模型的泛化性和準(zhǔn)確度。將BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，設(shè)定循環(huán)訓(xùn)練次數(shù)T=10，誤差閾值為c=0.001。

相比單一神經(jīng)網(wǎng)絡(luò)模型(弱預(yù)測(cè)器)，集成BP神經(jīng)網(wǎng)絡(luò)的識(shí)別誤差明顯下降，如圖15所示。模型對(duì)不同工況均保持了較高的識(shí)別精度，具體識(shí)別情況如圖16～圖18所示。由圖可見(jiàn)識(shí)別缸內(nèi)壓力與實(shí)測(cè)缸內(nèi)壓力幾乎重合，泛化性及精確度均有了大幅度提升。

4 結(jié)論

(1) 通過(guò)瞬態(tài)動(dòng)力學(xué)仿真，分析了缸內(nèi)壓力作用下缸蓋振動(dòng)位移、振動(dòng)速度和振動(dòng)加速度的產(chǎn)生機(jī)理，發(fā)現(xiàn)三者分別與缸內(nèi)壓力、缸內(nèi)壓力升高率和缸內(nèi)壓力升高加速度存在對(duì)應(yīng)關(guān)系。

(2) 利用數(shù)字積分和平均濾波處理振動(dòng)加速度

信號(hào)，能夠得到可用的振動(dòng)位移信號(hào)；希爾伯特包絡(luò)和滑動(dòng)平均處理能夠有效削弱振動(dòng)位移信號(hào)中其他激勵(lì)引起的局部波動(dòng)，準(zhǔn)確提取振動(dòng)位移的趨勢(shì)信息。

(3) 振動(dòng)位移趨勢(shì)項(xiàng)的簡(jiǎn)潔性大幅度降低了神經(jīng)網(wǎng)絡(luò)輸入的復(fù)雜度，利用它與缸內(nèi)壓力良好的對(duì)應(yīng)關(guān)系，建立了Adaboost_BP集成的神經(jīng)網(wǎng)絡(luò)模型，經(jīng)驗(yàn)證，該模型能夠準(zhǔn)確識(shí)別不同工況下的缸內(nèi)壓力，相比單一神經(jīng)網(wǎng)絡(luò)，泛化性和精確度均有大幅度提高。

[1] 喬新勇,劉建敏,劉瑋.基于振動(dòng)測(cè)量的發(fā)動(dòng)機(jī)氣缸壓縮壓力檢測(cè)方法[J].內(nèi)燃機(jī)工程,2008,29(4):63-67.

[2] 朱繼軍.沖擊響應(yīng)信號(hào)反演柴油機(jī)氣缸壓力的研究[D].武漢:武漢理工大學(xué),2007.

[3] 紀(jì)少波,程勇,唐娟,等.基于缸蓋振動(dòng)信號(hào)時(shí)域特征識(shí)別氣缸壓力的研究[J].內(nèi)燃機(jī)工程,2008,29(2):76-80.

[4] 奚銀華,林瑞霖,劉伯運(yùn).基于獨(dú)立分量分析與傳遞函數(shù)的氣缸壓力重構(gòu)[J].船海工程,2011,40(5):82-85.

[5] PEI Operation Manual: Engine Cycle Analysis[G]. Version 892.

[6] Ribeiro J G T, Castro J T P, Freire J L F. New Improvements in the Digital Double Integration Filtering Method to Measure Displacements Using[C]. Proceedings of the 19th International Modal Analysis Conference, CR-ROM, Orlando, Florida,2001.

[7] Sophocles J O. Introduction to Signal Processing[M]. Prentice Hall,1996.

[8] 王珍,李吉,丁子佳.基于局域波和Hilbert變換的柴油機(jī)氣缸壓力識(shí)別方法[J].內(nèi)燃機(jī)學(xué)報(bào),2005,23(4),380-383.

[9] Freund Y, Schapire R E. A Short Introduction to Boosting[J]. Journal of Japanese Society for Artificial Intelligence,1999,14(5):771-780.

A Study on the Cylinder Pressure Identification Method for Diesel EngineUnder Multiple Working Conditions Based on Cylinder Head Vibration Signals

Liu Jianmin1, Li Xiaolei1,2, Qiao Xinyong1& Zhang Jie3

1.DepartmentofMechanicalEngineering,AcademyofArmoredForcesEngineering,Beijing100072; 2.77136Troops,PLA,Bishan402760; 3.TheMilitaryDelegacyofPLAtoNo.318Factory,Beijing100053

The transient dynamics calculation of in-cylinder combustion excitation in a 12150 diesel engine is carried out and the correlations between the displacement, velocity and acceleration of cylinder head vibration and the characteristic parameters of in-cylinder combustion are analyzed. Then on these bases, with the digital integration and average filtering of the vibration acceleration measured, vibration displacement signals are obtained, and by using Hilbert envelope and moving average method the trend of vibration displacement is extracted, with which as input parameter, Adaboost_BP integrated neural network model is built. Finally based on the model the cylinder pressures in different working conditions are identified. The results show that the good correlation between the trend of vibration displacement and cylinder pressure as well as the brevity of parameters themselves effectively reduce the complexity of neural networks input, and hence improve the training efficiency of neural network, while the integrated neural networks model can accurately identify cylinder pressures under different working conditions, with its generalization and accuracy greatly increased.

diesel engine; vibration; cylinder pressure; Hilbert envelope; integrated neural network

*裝備預(yù)先研究項(xiàng)目(40402020101)資助。

原稿收到日期為2013年12月31日，修改稿收到日期為2014年3月7日。