基于Res⁃CNN和燃油压力波的柴油机喷油器故障诊断方法

doi:10.19562/j.chinasae.qcgc.2021.06.019

摘要/Abstract

摘要：

燃油喷射系统的工作质量直接影响柴油机工作过程及性能。针对利用燃油压力波进行故障诊断时压力波特征点自动化识别困难、影响实时在线监测的问题，提出了利用深度学习图像识别理论进行喷油器故障诊断的方法。通过喷油泵试验台进行了喷油器典型故障模拟试验，测取了高压油管燃油压力波，分析了不同故障状态下燃油压力波动特征及规律，建立了基于深度残差的卷积神经网络（Res?CNN）模型，以一维燃油压力波信号为输入，进行喷油器故障诊断检测及验证，并对故障特征学习过程进行了可视化分析。结果表明，该模型较传统方法具有更高的诊断准确率，验证了直接应用燃油压力波图形识别方法进行在线实时监测的可行性。

关键词: 柴油机, 喷油器, 故障诊断, 深度学习, 卷积网络

Abstract:

The working quality of the fuel injection system influences the working process and performance of diesel engine directly. Due to the difficulty in recognizing the characteristic points in fuel pressure wave automatically by using fuel pressure wave for fault diagnosis，the on?line fault diagnosis is influenced. This paper proposes a fuel injector fault diagnosis method by deep learning image recognition theory. Experiments are conducted on a fuel injection pump test bench to simulate typical faults，and the fuel pressure wave of high?pressure fuel pipe is measured . The fuel pressure wave characteristics and laws under different fault conditions are analyzed. A deep residual CNN network （Res?CNN） model is built to detect and verify the faults，with the one?dimension fuel pressure wave signal as the input，and the learning process of fault characteristics is analyzed visually. The results show that the model has higher diagnostic accuracy than the traditional method， which verifies the feasibility of direct application of fuel pressure wave image recognition method for on?line real?time monitoring.

Key words: diesel engine, fuel injector, fault diagnosis, deep learning, convolutional neural network

靳莹,乔新勇,顾程,郭浩,宁初明. 基于Res⁃CNN和燃油压力波的柴油机喷油器故障诊断方法[J]. 汽车工程, 2021, 43(6): 943-951.

Ying Jin,Xinyong Qiao,Cheng Gu,Hao Guo,Chuming Ning. A Method for Fault Diagnosis of Fuel Injector of Diesel Engine Based on Res⁃CNN and Fuel Pressure Wave[J]. Automotive Engineering, 2021, 43(6): 943-951.

图/表 17

图1

图 2

表 1

不同故障模式下特征量"

故障模式	$T a c'$	$T b d'$	$T a b'$	$p a b'$	$p a c'$	$p a d'$
M1	0.465	0.520	0.158	1.323	1.930	2.083
M2	0.496	0.581	0.332	1.200	1.289	1.785
M3	0.387	0.320	0.138	3.514	17.464	11.405
M4	0.498	0.592	0.185	1.037	5.887	0.242
M5	0.409	0.511	0.148	1.563	1.711	2.051
M6	0.481	0.526	0.156	1.549	3.704	1.586

表 1

图 3

图 4

图 5

图 6

图 7

图 8

表 2

一维轻量Res?CNN网络结构与参数"

模型结构名称	输出张量尺寸	网络层超参数（卷积核大小、个数、步长）
输入	1×2800	None
Conv1	1×700	1×7，64， stride 2
Conv1	1×700	1×3， max pooling，stride 2
Conv2	1×234	$1 × 1,64 1 × 5,64 1 × 1,256 × 1, s t r i d e ? 3$
Conv3	1×78	$1 × 1,128 1 × 5,128 1 × 1,512 × 1, s t r i d e ? 3$
Conv4	1×26	$1 × 1,256 1 × 5,256 1 × 1,1024 × 1, s t r i d e ? 3$
Conv5	1×7	$1 × 1,512 1 × 5,512 1 × 1,2048 × 1, s t r i d e ? 3$
全局平均池化	1×1×1000	None
输出层	6	损失函数：Softmax
模型参数量	18.02 MB

表 2

表 3

图 9

图 10

图 11

图 12

图 13

表 4

参考文献 18

1	乔新勇，刘东利，康葳，等. 基于压力波的柴油机喷油器故障诊断研究［J］.无损检测，2004，26（4）：180-189.
	QIAO X Y， LIU D L， KANG W， et al. Research on fault diagnosis for diesel injector based on fuel pressure waves［J］. Nondestructive Testing， 2004，26（4）：180-189.
2	马超，王伏，龚笑舞，等.一种共轨喷油器故障诊断策略开发［J］.现代车用动力，2016，3：49-53.
	MA C， WANG F， GONG X W， et al. Development of a diagnostic strategy for common rail injector［J］. Modern Vehicle Power， 2016，3：49-53.
3	王金鑫，王忠巍，马修真，等. 柴油机燃油系统多故障的解耦与诊断技术［J］.控制与决策，2019， 34（10）：2249-2255.
	WANG J X， WANG Z W， MA X Z， et al. Decoupling and diagnosis of multi⁃fault of diesel engine fuel system［J］. Control and Decision， 2019， 34（10）：2249-2255.
4	孙宜权，王滨，张英堂，等. 基于自适应平行因子的柴油机喷油故障诊断研究［J］. 兵工学报，2013，34（5）：519-526.
	SUN Y Q， WANG B， ZHANG Y T， et al. Study of fault diagnosis of diesel engine fuel injection based on adaptive parallel factor［J］. Acta Armamentarii， 2013， 34（5）：519-526.
5	崔海英，石秀华，王文斌，等. 基于LMBP算法的柴油机喷油器故障诊断［J］.振动、测试与诊断，2009，29（4）：466-469，481.
	CUI H Y， SHI X H， WANG W B， et al. Fault diagnosis of diesel injector using levenberg⁃marquardt back propagation algorithm［J］. Journal of Vibration， Measurement and Diagnosis， 2009， 29（4）：466-469，481.
6	曹继平，王赛，岳小丹，等.基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究［J］.振动与冲击，2020，39（5）：97-104.
	CAO J P， WANG S， YUE X D， et al. Rolling bearing fault diagnosis of launch vehicle based on adaptive deep CNN［J］. Journal of Vibration and Shock，2020，39（5）：97-104.
7	朱丹宸，张永祥，潘洋洋，等.基于多传感器信号和卷积神经网络的滚动轴承故障诊断［J］.振动与冲击，2020，39（4）：172-178.
	ZHU D C， ZHANG Y X， PAN Y Y， et al. Fault diagnosis for rolling element bearings based on multi⁃sensor signals and CNN［J］.Journal of Vibration and Shock， 2020，39（4）：172-178.
8	宫文峰，陈辉，张美，等.基于深度学习的电机轴承微小故障智能诊断方法［J］.仪器仪表学报，2020，41（1）：195-205.
	GONG W F， CHEN H， ZHANG M， et al. Intelligent diagnosis method for incipient fault of motor bearing based on deep learning［J］. Chinese Journal of Scientific Instrument， 2020，41（1）：195-205.
9	黄鑫，陈仁祥，黄钰. 卷积神经网络在机械设备故障诊断领域应用与挑战［J］. 设计与研究， 2019（1）：96-100.
	HUANG X，CHEN R X，HUANG Y. Convolution neural networks for mechanical equipment fault diagnosis： the application and challenge［J］. Desing and Research， 2019（1）：96-100.
10	朱会杰，王新晴，芮挺，等. 基于平移不变CNN 的机械故障诊断研究［J］. 振动与冲击， 2019， 38（5）：45-52.
	ZHU H J，WANG X Q，RUI T，et al. Machinery fault diagnosis based on shift invariant CNN［J］. Journal of Vibration and Shock， 2019， 38（5）：45-52.
11	郁磊，史峰，王辉，等.MATLAB智能算法30个案例分析［M］.北京：北京航空航天大学出版社，2015：250-256.
	YU L， SHI F， WANG H， et al. Analysis of 30 cases of MATLAB intelligent algorithm［M］.Beijing： Beijing University of Aeronautics and Astronautics Press，2015： 250-256.
12	周兴康，余剑波. 基于深度一维残差卷积自编码网络的齿轮箱故障诊断［J］. 机械工程学报，2020，56（7）： 96-108.
	ZHOU X K， YU J B. Gearbox fault diagnosis based on one⁃dimension residual convolutional auto⁃encoder［J］. Journal of Mechanical Engineering， 2020，56（7）： 96-108.
13	魏秀参.解析深度学习：卷积神经网络原理与视觉实践［M］.北京：电子工业出版社，2018：32-33.
	WEI X C. Analytical deep learning： Principles of convolutional neural networks and visual practice［M］.Beijing：Electronic Industry Press，2018：32-33.
14	韩涛，袁建虎，唐建，等. 基于MWT 和CNN 的滚动轴承智能复合故障诊断方法［J］.机械传动， 2016，40（12）：139-143.
	HAN T， YUAN J H， TANG J， et al. An approach of intelligent compound fault diagnosis of rolling bearing based on MWT and CNN［J］. Journal Mechanical Transmission， 2016，40（12）：139-143.
15	吴魁，王仙勇，孙洁，等. 基于深度卷积网络的多传感器信号故障诊断方法研究［J］.计算机测量与控制，2018，26（1）：18-21.
	WU K， WANG X Y， SUN J， et al. Study of multi⁃sensor fault diagnose method based on convolutional neural networks［J］. Computer Measurement & Control， 2018，26（1）：18-21.
16	高清春，胡甫才.基于变分模态和奇异值分解的柴油机气门间隙故障诊断方法研究［J］.武汉理工大学学报，2019，43（4）：746-751.
	GAO Q C， HU P C. Research on the fault diagnosis method of diesel engine valve clearance based on vibrational mode and singular value decomposition［J］. Journal of Wuhan University of Technology， 2019，43（4）：746-751.
17	吴建波，王春艳，洪华军，等. 基于极限学习机的船舶柴油机故障诊断［J］.计算机工程与应用，2019， 55（15）：147-152.
	WU J B，WANG C Y，HONG H J， et al. Fault diagnosis of marine diesel engine based on extreme learning machine［J］. Computer Engineering and Applications， 2019， 55（15）：147-152.
18	YOO H J. Deep convolution neural networks in computer vision： A review ［J］. IEIE Transactions on Smart Processing and Computing，2015，4（1）：35-43.

网络模型	PNN	CNN	Res?CNN
识别准确率/%	77.5	95.24	100
训练时间/s	6.52	67.27	70.22

[1]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[2]	杨彪, 韦智文, 倪蓉蓉, 王海, 蔡英凤, 杨长春. 基于动作条件交互的高效行人过街意图预测[J]. 汽车工程, 2024, 46(1): 29-38.
[3]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[4]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[5]	张翼霄,马骁,卢鑫辉,王志,诸葛伟林,帅石金. 柴油机喷雾碰壁引燃进气预热特性研究[J]. 汽车工程, 2023, 45(8): 1489-1498.
[6]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[7]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.
[8]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[9]	李琳辉,张鑫亮,付一帆,连静,马家旭. 基于TC-YOLOv7算法的可见光与红外后融合检测研究[J]. 汽车工程, 2023, 45(12): 2280-2290.
[10]	吕彦直,魏超,何元浩. 基于GCN和CIL的端到端自动驾驶换道方法[J]. 汽车工程, 2023, 45(12): 2310-2317.
[11]	张小俊,奚敬哲,史延雷,袁安录. 面向路侧视角目标检测的轻量级YOLOv7-R算法[J]. 汽车工程, 2023, 45(10): 1833-1844.
[12]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[13]	胡杰,李源洁,耿號,耿黄政,郭雄,易红卫. 基于深度学习的汽车故障知识图谱构建[J]. 汽车工程, 2023, 45(1): 52-60.
[14]	刘少华,董浩川,申立中. 基于碳烟粒径分布预测的柴油燃烧机理构建与氧含量影响研究[J]. 汽车工程, 2023, 45(1): 93-103.
[15]	胡杰,徐博远,熊宗权,昌敏杰,郭迪,谢礼浩. 基于多尺度掩码分类域自适应网络的跨域目标检测算法[J]. 汽车工程, 2022, 44(9): 1327-1338.