بخشی از مقاله
چکیده
تشخیص و برطرف کردن عیوب موتور احتراق داخلی تاثیر زیادی در کاهش مصرف سوخت ، آلایندگی ، هزینه های تعمیرات و آلایندگی صوتی دارد. هدف از این پژوهش تشخیص عیوب دهانه شمع ، انژکتور و استپر موتور و ترکیب این عیوب و تاثیر آنها بر عملکرد موتور می باشد. ابتدا عیوب ذکر شده را به طور عمده در موتور ایجاد کرده و سپس داده های مربوط به سیگنالهای ارتعاشی موتور را با استفاده از کارت دیتا و دستگاه ارتعاش سنج، شتاب سنج و سنسور ضربه جمع آوری گردید.
در ادامه به منظور ایجاد اطلاعات ورودی به شبکه عصبی ، تحلیل های مورد نیاز بوسیله نرم افزار متلب نرم افزار Matlab صورت پذیرفت. سپس به کمک شبکه عصبی و بدست آوردن بردار ویژگی مناسب تشخیص حالتهای سالم و معیوب انجام گردید که در این امر بازدهی بالایی بدست آمد. نتایج این پژوهش نشان میدهد که قابلیت تشخیص این عیوب به کمک تحلیل سیستم های هوشمند با دقت بالایی وجود دارد.
مقدمه
با توجه به افزایش تقاضا در عملکرد بهتر و نیز افزایش در ایمنی، تشخیص عیب برای پایش وضعیت موتور اهمیت زیادی پیدا کرده است. تشخیص اولیه عیوب ماشین درحالیکه ماشین هنوز در حال کار است، میتواند در جلوگیری از وقوع حوادث غیر قابل پیش بینی و از کار افتادگی سیستم کمک کند.به همین دلیل تشخیص عیوب موتوربه صورت یک موضوع تحقیقاتی در مراکز دانشگاهی و صنعتی در آمده است. یکی از مهمترین کاربردهای پایش وضعیت تشخیص عیب عدم احتراق در موتور است. سیستم های احتراق موتور درونسوز درنحوه ساخت متفاوت است، اما در عملیات پایه شبیه هم هستند
سیستم های جرقه زنی دارای مدار اولیه ای هستند که باعث القای جریان برق در مدار ثانویه میشود ؟سپس این جریان برق باید به شمع سالم در زمان مناسب تحویل داده شود ؟به منظور تجزیه عملکرد سیستم جرقه زنی از موتوراسکن استفاده می شود ؟الگوهای نوسان مشکلات سیستم جرقه زنی را نشان می دهد و به تعیین دقیق علل آنها کمک میکند. برخی شرایط در سیستم احتراق ”ازقبیل عمر شمع، فاصله دهانه شمع و غیره“، سوخت رسانی و در داخل سیلندر و همچنین عملکرداستپرموتور، برالگوی جرقه ”الگوی نوسان“ تاثیر می گذارد. شناخت الگوهای اولیه احتراق و آنچه که هر بخش از الگوها نشان میدهد، برای تشخیص مشکلات مربوط به موتور و سیستم جرقه زنی بسیار ارزشمند است
سیگنال جرقه زنی گرفته شده نیازبه مداخله فرد برای نشان دادن نقاط شروع و پایان سیگنال دارد. سپس، متخصص خودرو می تواند سیگنال گرفته شده را با آن سیگنالهایی که در کتاب ها شناخته شده است مقایسه کند . اما این نوع از تشخیص دستی ممکن است غیر قابل اعتماد باشد زیرا الگوهای سیگنال بسیار شبیه است. بعلاوه در مدلهای مختلف موتورها، با یک نوع خطای تولیدی، الگوهای احتراقی با اشکال مختلف ایجاد میشود. بنابراین یک الگوی احتراق دامنه استاندارد و مدت زمان معینی ندارد و به شکل آن بر میگردد. واضح است که مقایسه آن سیگنالها که صرفا بر اساس تجربه فردی صورت میپذیرد، یک کار دشوار است.
برای بهبود این مشکل، سیستم طبقه بندی الگوها، میتواند بسیار مفید باشد. شکل 1 برخی از عیوب سیستم جرقه زنی را نشان میدهد.[2]درسال 1990 دوباچی دوروش مختلف” تبدیل فوریه و تبدیل موجک“ برای بررسی تاثیر آنالیز فرکانسی زمانی وابسته به سیگنالهای محلی مورد مطالعه قرار داد ؟ شباهتها و تفاوتهای این دو روش مورد بحث قرار گرفته شد و نهایتا مفهوم فرکانس زمانی محلی با دو قضیه محلی سازی بدست آمد.
در سال 1998 کوهونناز سه نوع شبکه عصبی به عنوان الگوی آماری شناخت به همراه تغییر ابعاد استفاده کرد؟ رویکرد و عملکرد هریک از شبکه ها برای حل وظایف مورد بررسی قرار گرفته شد و در مقایسه ، نتیجه گرفته شد که عملکرد شبکه ها یکسان بوده است.
در سال 2004 وونگ سی ام عملکرد موتورهای بنزینی را با استفاده از SVM مدل سازی کرد و مشاهده کرد که نتایج پیش بینی شده با SVMمطابقت خوبی با نتایج آزمون واقعی دارد.[5] در سال 2011 وونگ چی من به تحلیل الگوهای احتراق توسط ویولت و SVMمیپردازد و مشاهده میکند کهSVM دقت بالاتری نسبت به ویولت دارد.
سال 2012 قاسملونیا وهمکاران الگوریتمی برای تشخیص عدم جرقه زنی تک و دو سیلندر در موتورهای درونسوز ارائه کردند ؟آزمایشات متعددی روی یک موتور در حالت معیوب ”عدم جرقه زنی شمع های مورد نظر“ و سالم انجام شد ؟برای تشخیص عیب، سیگنال سنسور کوبش تحلیل و سیگنال های ارتعاشات حوزه زمان مرتبه های مختلف از دور موتور بوسیله فیلتر ولد کالمن ؛ استخراج شده و یک مجموعه از ویژگیهای آماری بیانگر شرایط موتور از آنها محاسبه قرار گرفت ؟در ادامه، ویژگیهای محاسبه شده، رسم و تحلیل شده و مبنایی برای شناسایی عدم جرقه زنی بدست آمده است ؟نتایج بدست آمده، توانایی تفکیک خوبی برای سیستم ارائه شده نشان می دهد
شکل.1 نمونه هایی از الگوهای احتراق از سیستم جرقه زنی الکترونیکی و خطاهای موتور متناظر با آنها
در این پژوهش همزمان سیگنالهای ارتعاشی توسط کارت دیتا و دستگاههای ارتعاش سنج ثبت شده و مشاهده شده که اطلاعات کارت دیتا تطابق بسیار بالایی با اطلاعات دستگاههای ارتعاش سنج دارد. پس از آن برخی عیوب مربوط به شمع، انژکتور و استپرموتور در موتور احتراق داخلی بنزینی به طور عمدی ایجاد گردید و سیگنال های ارتعاشی در حوزه زمان ثبت شد. پس از پیش پردازش مورد نظر بر سیگنال های ارتعاشی، این سیگنال ها آماده ورود به شبکه عصبی گردیدند. در نهایت با آموزش شبکه عصبی، این شبکه عیوب تکی و ترکیبی مورد نظر را با درصد بالایی تشخیص داد؟ همچنین به منظور مقابله با این مسایل تبدیل موجک گسسته به عنوان یک روش استخراج و بازیابی ویژگی های الگوهای احتراقی ارائه شده است.
