基于RBF 神经网络的柴油机气缸压力识别.pdfVIP

基于RBF 神经网络的柴油机气缸压力识别 陈彪，向阳，郭志勇 武汉理工大学能源与动力工程学院，武汉（430063 ） E-mail:clark420124@163.com 摘 要：本文分析了柴油机气缸盖系统非线性特性，指出了传统的柴油机气缸压力识别方法 的不足，提出了基于RBF 神经网络的气缸压力识别方法。对实测的振动响应信号进行多循 环平均和低通滤波，对实测的发动机燃烧的缸内压力信号消除通道效应后，训练RBF 神经 网络，以某一工况下的振动信号作为网络输入，识别柴油机气缸压力。结果表明，识别出来 的缸内压力信号和实测信号十分接近，该方法为柴油机的实时在线控制、监测和故障诊断有 重要的应用价值。 关键词：柴油机；气缸压力；RBF 神经网络 中图分类号：TK423.2 1. 引言 气缸压力作用的外在直接表现形式之一即为气缸盖振动,可以通过一定的方法对气缸盖 振动信号进行处理,进而获取气缸压力。目前，利用气缸盖振动信号识别气缸压力的方法大 多是基于柴油机气缸盖为一线性系统的假设,均属于传统的傅立叶分析方法,求取系统的传递 函数或动态模型,进而根据系统推断出其输入[1] 。基于线性假设的气缸盖振动压力识别或多或 少存在丢失反映气缸压力信息的问题,而丢失的信息在用相应的线性方法建立模型或求取传 递函数时必然导致模型和传递函数不够准确,识别结果不太理想。 柴油机工作循环过程中,在进气、压缩、工作(燃烧和膨胀) 、排气四个冲程中,气缸盖受 到不同激励力(气缸压力、气门机构冲击力等) 的作用,气缸盖振动响应信号由一系列的冲击 响应组成,并且随时间的变化而变化[2],是一非平稳信号,因此必须考虑气缸盖系统的非线性特 性,不能简单地假设整个气缸盖系统为线性系统。因此，本文将基于RBF 神经网络,在时域内 建立振动信号与气缸压力信号之间的非线性关系,探索识别气缸压力的神经网络方法。 2. RBF 神经网络识别原理与步骤 2.1 RBF 神经网络简介 人工神经网络具有人脑功能的基本特征:学习、记忆和归纳。利用气缸盖振动信号识别 气缸压力属于模式识别,人工神经网络在模式识别中完全不同于传统方式,它的信息分布式存 储于连结权系数中,网络具有很高的容错性和鲁棒性,因而解决了模式识别中噪声干扰或输入 模式部分损失 (如柴油机气缸盖振动信号) 的问题。 RBF 神经网络是一种包括输入节点层、中间非线性处理层、线性加权输出层的 3 层前 馈式神经网络,其中,中间非线性处理层采用径向对称的基函数,最常用的是 Gaussian 函数,如 式(1)所示: 1 2 R i (x ) exp(=− 2 x −c i ) σi i=1,2,…,m (1) 式中:x 是n 维输入向量;c 称为网络中心,是与x 维数相同的向量;σ 是宽度标量值;m 是中间 i i 层单元个数; ‖x-c ‖表示x 和c 间的欧几里得距离。网络输出则是基函数的线性组合,如式(2) i i - 1 - 所示: m y k ( x ) ∑wik R i ( x ) i 1 k= 1,2,…,p