基于运行工况和多分类支持向...机的柴油机共轨系统诊断方法_黄英.pdf

基于运行工况和多分类支持向量机的柴油机共轨系统诊断方法黄英，王拓，裴海俊，王健，王绪（北京理工大学 机械与车辆学院，北京100081）摘 要：对于柴油机共轨系统计量阀复位弹簧松弛和喷油器针阀偶件磨损两类典型故障，提出了基于运行工况和多分类支持向量机的故障诊断策略.该策略考虑到运行工况对故障诊断精度的影响，根据车速将实车采集数据划分为 3 个子工况集.通过卡方检验和机理分析选择和故障情况相关度较高的状态参数，并使用主成分分析法提取特征参数，并根据轮廓系数筛选出对故障敏感度最高的子工况集.采用层次定比采样方法划分训练集，通过粒子群算法优化支持向量机的惩罚参数和径向基函数参数.最后通过实车测试数据集对模型进行验证，实验结果表明该方法在在突出工况的诊断正确率基本达到 90%以上，满足故障诊断要求.关键词：共轨系统；故障诊断；支持向量机；工况划分；主成分分析；粒子群算法中图分类号：TK428 文献标志码：A 文章编号：1001-0645(2023)07-0719-07DOI：10.15918/j.tbit1001-0645.2022.179Diagnosis Method of Diesel Common Rail System Based onOperating Conditions and Multi-Category Support Vector MachineHUANG Ying，WANG Tuo，PEI Haijun，WANG Jian，WANG Xu（School of Mechanical Engineering,Beijing Institute of Technology,Beijing 100081,China）Abstract：A fault diagnosis strategy based on operating conditions and multi-classification support vector ma-chine was proposed for two typical faults of diesel common rail system with loose metering valve reset springand worn injector needle valve coupling.The strategy was arranged as follows.Firstly,the influence of operat-ing conditions on the fault diagnosis accuracy was taken into account and the data collected from real vehicleswere divided into three sub-conditions according to the vehicle speed.Then the state parameters correlatedhighly with the fault condition were selected by cardinality test and mechanism analysis,and the feature paramet-ers were extracted using principal component analysis,and the sub-condition set with the highest sensitivity tothe fault was filtered according to the contour coefficient S.A hierarchical fixed-ratio sampling method was usedto divide the training set,and the penalty parameter c and radial basis function(RBF)parameter g of the supportvector machine were optimized by the particle swarm algorithm.Finally,the model was validated by using a realvehicle test data set.The experimental results show that the correct diagnosis rate of the method in the prominentworking conditions can reach more than 90%,which meets the fault diagnosis requirements.Key words：common rail systems；fault diagnosis；support vector machines(SVM)；workplace classification；principal component analysis；particle swarm optimization(PSO)柴油机作为商用车的主要动力机械设备，因其结构复杂，工作环境恶劣，所以故障率极高.在柴油机产生故障的各个部件中，燃油系统故障所占的比例最高，高达 271.因此对燃油系统进行故障诊断是发动机整体健康状态监测的核心内容.高压共轨系统由于其精准的喷油时序控制和超高的喷油压力 收稿日期：2022 09 04基金项目：国家自然科学基金资助项目（51475043，50975026）作者简介：黄英（1967），女，工学博士，教授，E-mail：.第 43 卷第 7 期北 京 理 工 大 学 学 报Vol.43No.72023 年 7 月Transactions of Beijing Institute of TechnologyJul.2023而被广泛应用，能够对柴油机性能进行全面优化2.柴油机共轨系统的主要部件有：燃油泵、共轨管、燃油计量阀、喷油器等3.高压共轨系统常见的故障有燃油泵柱塞卡滞、喷油器堵塞、喷油器电磁阀卡滞、燃油计量阀弹簧预紧力变化等4.对于燃油系统的故障诊断国内外已经有了许多研究，主要包括基于振动信号和基于燃油压力信号进行故障诊断.采用振动信号进行故障诊断在内燃机故障诊断领域是一种常见的做法，可以诊断发动机失火、气门故障以及燃油系统故障5 7.在燃油系统故障诊断方面，张斌等人针对某型柴油机燃油喷射系统故障，提出了一种基于振动信号分析的方法.首先，在时域和频域进行信号特征提取，然后，训练反向传播神经网络对燃油系统 6 种不同类型的故障进行分类，文章显示了该方法具有较高的故障诊断精度8.另一种方法是采用燃油压力信号对燃油系统进行故障诊断，相较于振动信号，燃油压力信号能够更加直接的反映出燃油系统的健康状态，因此也在燃油系统故障诊断领域得到广泛应用.柯赟等9针对喷油器电磁阀失效和喷油器喷嘴堵塞两类故障，采集燃油系统各状态下的轨压数据，并进行层次离散熵处理，运用 PWFP 算法对所得层次离散熵进行降维处理，最后建立二叉树支持向量机故障诊断模型，结果显示该方法能够很好的诊断两类故障如果故障诊断数据来源为台架实验或者仿真实验，其工况设定为稳态工况，传感器采样频率较高，使原始数据的时域和频域特性相对较好，易于进行故障诊断.但在车辆真实运行过程中，工况变动剧烈，同时实车传感器采样频率相对较低，很难将从台架或仿真数据得到的故障诊断模型应用到实际车辆中.针对燃油系统基于实际跑车数据的故障诊断在国内外研究中相对较少，王英敏等10采用 Elman 神经网络建立发动机进气压力预测模型，为了体现柴油机的不同工况，选择涵盖不同转速、不同负荷（由油量表征）、不同的发动机工况变化率（由油门表征）下的样本数据，通过统计学残差分析方法，制定故障诊断策略，对传感器偏差故障、彻底失效故障、精度下降故障和漂移故障进行诊断.然而这种通过残差分析来判断对象健康状态的方法对数据采样频率的要求也相对较高，并且一般只能针对一种部件的健康状态进行识别，不能解决涉及多个部件、或多类别的故障诊断问题.文中针对柴油机共轨系统计量阀复位弹簧松弛和喷油器针阀偶件磨损这一典型的多部件多故障诊断问题，基于低采样频率的实车数据，提出了基于运行工况和多分类支持向量机的故障诊断方法.首先根据车速将实车数据划分为 3 类子工况集，并采用层次定比采样方法来构建训练集；其次，运用卡方分析和主成分分析方法（PCA）提取特征参数，并用轮廓系数筛选出敏感子工况集；然后，建立 SVM 诊断模型，并运用 PSO 算法优化模型参数.最后，通过实车测试数据集对诊断模型精度进行了验证.1 支持向量机原理在健康状态识别领域，支持向量机（SVM）能够有效解决非线性、小样本等方面的实际问题，因其良好的分类能力，已经成为健康状态识别领域的常用算法11.支持向量机（SVM）分类算法的原理就是找到一个分类超平面，要求这个分类超平面不仅能准确地分开样本，而且能使分开样本之间的间隔最大.对于给定的训练数据集：T=(u1,v1),(u2,v2),(ui,vi)（1）式中：uiRn 为输入数据；vi1,+1为输出类别.延伸到多维空间时，求解最优分类超平面的问题转换成求解以下的对偶二次优化问题：minQ()=12pi=1ijvivjK(ui,uj)pj=1is.t.pi=1ivi=0(0 iC)（2）式中：C 为惩罚系数；为拉格朗日乘子；K(ui,uj)为核函数，当样本线性不可分时，SVM 则主要通过核函数将数据样本转化到高维特征空间的线性可分的情况，然后在高维特征空间中求解最优超平面.2 共轨系统故障诊断流程文中提出的共轨系统故障诊断流程如图 1 所示，主要分为数据预处理、故障特征提取、故障诊断模型训练和故障诊断模型验证 4 部分.数据预处理：首先对实车采集得到的数据进行数据清洗，考虑到运行工况在不同工况下对故障敏感程度不同，将数据划分为 3 个子空间集.故障特征提取：根据卡方检验和机理分析筛选出与故障相关的状态参数，然后通过 PCA 融合状态特征和工况参数得到故障特征，最后计算 3 个子工况集特征的轮720北 京 理 工 大 学 学 报第 43 卷廓系数，并筛选出对故障最敏感的工况作为诊断工况集.故障诊断模型训练：在敏感子工况集建立一对一 SVM 故障诊断模型，运用 PSO 优化 SVM 模型参数.故障诊断模型诊断：通过实车测试数据集对故障诊断模型性能进行验证.3 实车数据预处理文中所得数据为同一型号的 3 个玉柴某型号商用车实车传感器数据，分别为燃油系统正常、燃油泵计量阀复位弹簧松弛、喷油器针阀偶件磨损3 类健康状态.去除含缺失值和停机时的数据，各健康状态的数据样本量为：正常 8 405，计量阀故障 5 548，喷油器故障 8 644，采样频率为 1 s，部分数据样本如表 1 所示.表 1 实车采集数据样本（部分）Tab.1 Real vehicle data sample(part)参数20|0903|20584020|0903|20590020|0903|205920车速/(kmh1)38.847.4659.11转速/(rmin1)649.01 071.5965.0油门开度/()083.481.71计量阀流量/(Lmin1)0.3611.7021.530轨压/MPa46.54121.77112.97喷油量/(mgcycle1)13.96123.50119.24扭曲/(Nm)223.11 099.21 040.0水温/(C)79.177.678.2机油压力/MPa0.2900.5030.433 由表 1 可知实车运行工况参数（车速、发动机转速、油门开度等）随时间变动剧烈，难以保证采集得到的数据都在敏感工况内，因此有必要在建立故障诊断模型前对实车数据进行工况划分，以提高诊断精度.在进行工况划分时，当划分越细致则最终筛选的敏感工况诊断