汽缸压力作为发电机组的重要指标，直接反映了发电机组燃烧状态的好坏。因为发电机组的运转因素复杂，多数条件下为非平稳状态，怎样提高发电机组在多工况下的缸压识别精度成为了缸压恢复的难点。提出了一种利用震动信号恢复缸压的新步骤，以振动信号的最大熵谱密度作为特征，并采用道格拉斯-普克算法对输入输出向量进行了降维处置，拖车电站利用遗传算法优化的多隐含层BP神经网络有效恢复了多工况下的封闭式静音发电机组缸压曲线。经试验测得：经平均化后的缸压曲线 MPa，位置误差最大为0.6 °CA，满足缸压恢复的精度要求。

　　气缸压力是发电机组的一个重要参数，是评价发电机组运转状态的必要性能指标。目前测量缸压的对策有直接测量法和间接测量法。直接测量法需要在气缸内安装缸压探头，本方案测量精度高，但也存在着装配困难，传感器成本高等问题，无法应用在实车检查中；间接测量法则是通过非接触式传感器来估计发电机组气缸压力。现有的间接测量办法主要分为基于振动信号的缸压重构和基于主轴角速度的缸压重构两类[2-6]，由于振动信号更易测量，能够很好的满足不拆除因素下发电机组检测的要求，于是通过振动信号来进行发电机组缸压的测量具有更广阔的应用前景。

　　基于震动信号的缸压辨认对策详细有逆向滤波和神经网络。逆滤波基于如下假设：发电机组组成可以被建模为线性时间变量(Linear Time-Invariant， LTI)装置，并且测量的振动信号是对气缸压力的非干扰响应。该手段的一个弊端是在频域中频率响应函数(Frequency Response Function， FRF)的逆运算是病态操作。为了获得更具鲁棒性的处置步骤，已经研讨了倒谱解析[7-8]和时域平滑[9]等方法。另一个缺陷是FRF随转速和负载因素改变，表明装置是非线性的。为此，Zurita[10]为不一样的运行条件使用了一个传递函数矩阵。但逆向滤波的精确度普遍过低。为了提高缸压恢复精度，提出了神经网络方案。Du等[11]利用RBF神经网络从振动信号的功率谱预测缸压。Colin[12]基于NARX循环神经网络构建了机体振动信号与缸压的逆向模型。高洪滨等[13]基于BP神经网络，在时域内建立了不同转速下振动信号与气缸压力信号之间的非线性关系，探索了重构汽缸压力的神经网络办法。Johnsson[14]以曲轴速度信号的低频特点和缸体表面振动信号的高频特征作为输入，建立复杂径向基的神经网络模型恢复缸压，最大缸压误差值控制在±3.5 bar。Bizon等[15]基于缸体振动信号利用三层径向基网络预测不同工况的缸压曲线，训练结果的峰值最大误差为3.4 bar。Bizon等[16]探讨了利用基于不一样径向基函数的前馈型人工神经网络来提升缸压识别性能和精度。Trimby等[17]利用时间序列前馈型神经网络建立曲柄连杆、机体震动与缸压之间的非线性关系，利用振动信号预测缸压峰值位置。常春等[18]利用持续小波变换分别将缸盖震动信号和缸压信号在时频域内展开，然后采用交叉小波对两信号进行时频相干解说和掩膜处理，对所得结果重构便可得到降噪后的震动信号，最后选购幅值域数据作为特点指标，利用径向基神经网络估计缸压，得到不错的效果。但此举措只对正常工况的缸压恢复进行了研究，掩膜排除不具备全工况实用性。

　　本文提出了一种基于震动信号恢复发电机组缸压的新方案，利用等角度采样技术，以震动信号的最大熵谱密度作为特点值，通过道格拉斯-普克算法对输入输出向量进行降维，最后通过遗传算法优化的多隐含层BP神经网络得到不一样工况下的缸压曲线。经平均化处置后，能够取得很好的恢复效果。

　　因为熵谱处置是一种平稳信号的频域清除举措，而实际发电机组的采集信号是非平稳的，为了进行熵谱消除，就必须对等时间间隔(Δt)序列x(t)进行重采样，使其变成等角度间隔(Δθ)序列x(θ)，而这必须依靠精确的键相脉冲时标与脉冲之间转角的对应关系，才能得到信号的等转角序列。假设机器做匀变速运动，转角与时间满足二次多项式如下

　　式中：θ(t)为轴的转角；b0，b1，b2为多项式系数；t为时间。考虑到求多项式系数的解，式(1)可以写成矩阵形式

　　式中：t1，t2，t3为三个连续的转速信号脉冲到达的时间；θ1，θ2，θ3为转速脉冲信号的角度间隔，因为转速脉冲的角度间隔是固定的(ΔΦ)。通过对式(2)求解可以得到对应转角变化的时间

　　通过式(3)可以求得等角度重采样的时间，重采样后的信号可以运用插值办法得到。台架试验中，发电机组采用康明斯WD615型全密封静音发电机组，在第六缸缸内装配Kistler6052A型缸压传感器，霍尔探头装配在发电机组输出轴端，用来测量六缸压缩上止点，在第六缸缸盖上方安装IMI-603C01型震动加载度传感器，震动传感器的详细装配位置见图1。上位机采用NI PXIe-1078计算机，配有PXIe-4499声音震动采集卡，实现震动信号的动态采集，并配有PXI-6361数采卡。发电机组运转在800 转/分钟左右的无外荷载因素下，采样率设置为65 536 Hz，通过对第六缸人为设置油路故障来表示低噪声柴油发电机的不同工况，详见表1。测量信号经等角度重采样后的效果见图2。

　　从图2可以看出，发电机组第六缸缸压信号在六缸上止点的±60°变化较明显，故选购-60°～60°内的震动信号作分析。

　　熵在信息论中是反映信息度量的一个量。某随机事件的随机性越大，即不确定性越高，则熵值也越大，所携带的信息量亦越大。因此，最大熵谱是根据熵量最大的准则，由已知自相关函数，挂车电站外推未知自相关函数后获得信号谱估计，亦即可保证已知信息量不变化，而获得估计已知信息量最大的一种谱估计举措。利用最大熵提高谱估计的分辨率，获得明显的效果。将最大熵应用到所研究的问题中，得到的结果往往更加符合实际。

　　H为样本信号的熵值；Pxx(f)为经过等角度重采样的震动信号的容量谱密度；f为信号包含的频率；l为信号数据点数。

　　ak很困难，故提出Levinson-Durbin递推算法和Burg算法[19]等改进算法，但Levinson-Durbin递推算法在计算AR数据时引入很大误差，引起谱线分裂与谱峰偏移等现象。所以采用Burg算法来进行最大熵谱陈说。

　　在最大熵谱细说中，阶数的确定尤为重要，阶数估计过小，谱线过于平滑；阶数过大，所得的谱估计具有虚假的细节。在本手段中，由于要对不一样工况的震动信号进行最大熵谱概述，于是一方面要最大程度的降低阶数，以减少计算量，另一方面，要保证阶数足够多，以使不同工况下的谱讲述有明显的差异。为此，关于不同工况下的震动信号进行了不同阶数的最大熵谱浅聊，如图3所示。

　　xji，yji)，其中，xji=Fi，j代表第j中工况。(7) 得到曲线与连接线段最大误差r

　　r≤er，则结束，F中的元素集合即为最优取样点。否则，将最大误差处的横坐标x加入F集合，跳转至(6)。初始的输入向量(熵谱密度曲线种不同工况曲线的降维排除，得到了误差控制在0.1 dB以内的62维输入向量和误差控制在0.01 MPa以内的45维输出向量。

　　因为输入与输出之间没有确定的函数关系，故选择人工神经网络来构建两者之间的关系。在缸压识别中，最为主用的是BP神经网络和径向基神经网络。BP神经网络是一种按误差逆传播算法训练的多层前馈网络。它由输入层、隐含层和输出层三部分组成，其核心是一边向后传递误差，一边修正误差的对策来不断调节网络参数，以实现或逼近所希望的输入、输出映射关系。而径向基神经网络是一种使用径向基函数作为激活函数的人工神经网络。网络的输出是输入和神经元参数的径向基函数的线性组合。

　　为了购买最优神经网络组成，以六缸压缩上止点为中心，左右60°范围的振动信号的最大熵谱密度曲线向量以及对应的缸压曲线向量分别降维后的向量作为输入、输出向量。对每种不同工况分别测取200组，共计800组完整循环。消除得到的特点向量作为训练样本。

　　径向基神经网络效果Tab.3Theeffectofradialbasisfunctionneuralnetwork由表2，表3可知，径向基神经网络较BP神经网络而言，可以达到很小的训练误差，但同时容易出现过拟合现象，在实际的缸压恢复中更实用使用BP神经网络。

　　以经验公式获得最小节点数，然后依次增加节点数量，通过比较训练误差得到最优的网络结构，最终建立62×10×35×10×45型的三隐含层BP神经网络，利用训练样本对网络进行训练，为了预防发生局部最优，不断调节学习率和学习函数，最终的神经网络训练误差见图6。从图6可以看出，多隐含层BP神经网络的训练转速比较慢，最终达到较小的训练误差。

　　另外，选择新采集的四种工况下的480个循环信号(每种工况120个循环)进行特性提取，构造测试样本带入训练好的神经网络进行验证。见图7。

　　i为染色体X上第i点处的基因；input为输入层维数；hiddenn为第n层隐含层维数；output为输出层维数。则有

　　i为BP神经网络的第i层到下一层的连接权值；bi为BP神经网络的第i+1层的节点阈值；Num(i)为BP神经网络第i层的节点数。最后对BP神经网络进行训练，最终的训练结果如图8。

　　其优化前后的误差对比及恢复效果对比见图10，图11。通过对比优化前后的多工况下恢复的缸压曲线的最大误差，可以看出，优化后的神经网络的误差累计量曲线上升的更快，说明优化后的网络可以得到更为精确的缸压。图11也表明优化后的多隐含层BP神经网络可以更加精确的恢复缸压。

　　经过480组参数的验证，经优化后恢复的缸压曲线 MPa，峰值最大误差为0.16 MPa，缸压曲线 °CA。由于发电机组的燃烧流程比较复杂，缸压曲线也会受到各个因素的影响而产生变化，于是在实际测试中，静音柴油发电机发电机组缸压一般通过某一工况下的多个循环的平均处置来得到。为了验证本神经网络的实际工作效果，对恢复出的缸压曲线个循环做平均处置，得到的缸压曲线与真实平均缸压曲线个真实循环做平均清除)作比较，缸压曲线 °CA，满足缸压恢复的精度要求。

　　利用等角度重采样后的震动信号得到最大熵谱密度曲线，通过道格拉斯-普克算法对最大熵谱密度曲线和缸压曲线进行降维处理作为输入、输出特点值，最后利用遗传算法优化后的多隐含层BP神经网络对发电机组缸压进行了恢复。经过平均化排查后，恢复的缸压曲线 MPa，峰值位置的最大误差为0.6 °CA，取得了不错的效果。该途径对发电机组多工况下的缸压曲线有着较高的恢复精度，但需要有发电机组时标信号作为辅助。该手段运用非侵入式的振动探头，可以应用于康明斯发电机组发电机组的不拆装检测。

-------------------------------------
康明斯动力设备（深圳）有限公司
静音箱式柴油发电机组销售供应与价格咨询-一站式预集成电力解决方案提供商
如果想要掌握更多低噪声柴油发电机组技术资讯，请在官网http://www.cms-power.com查询电话联系方式