5.6 往複機械和内燃機診斷
與旋轉機械相比，這方面的發展要少得多，但已經開發出許多基于不同方法的技術。其中一些主要旨在診斷壓縮機和泵中的燃燒故障或等效的與壓力有關的異常，而其他技術旨在檢測機械故障，或兩者兼而有之。兩種主要方法之一使用某種形式的時頻分析，可以診斷與壓力或機械有關的故障，而另一種方法則試圖通過對加速度或扭轉振動的外部測量重建氣缸壓力（或壓力扭矩）。
5.6.1 時頻分析方法
在第2.3.1節描述的平均短時傅裡葉變換（STFT）方法不僅可以用于檢測變化，如第4.3節所述，還可以用于診斷。例如，第4章的圖4.13顯示了一個氣缸中點火不良的瓦斯發動機的頻率内容和它們發生的曲軸角度的差異。通過對各種事件的時間了解以及對機器的一些經驗，可以認識到檢測到的變化來自通過排氣閥的排氣流量大大減少。類似地，在圖4.14中，圖表中的變化接近TDC，但頻率比柴油發動機中的燃燒信号高，是以通過一些經驗，可以診斷差異最有可能是由于活塞拍擊增加而引起的。
正如在第3.8.3節中提到的，維納-維爾分布（WVD）具有與WVD相同的分辨率，但具有較小的幹擾項，隻要信号是二階循環平穩的（通過去除周期成分）。它的另一個優勢是，用于減少幹擾的平均化同時在幾個周期内對結果進行平滑處理，就像剛才讨論的平均STFT方法一樣，是以通常是更好的診斷工具。圖5.54展示了Antoni博士論文（見[45]）中的一些結果，顯示了WVS（圖5.54(b)）相對于WVD（圖5.54(a)）的優勢。圖5.54(c)和(d)分别展示了堵塞和打開的噴油器對第三個工作氣缸的影響。
最近，在[46]中，Antoni展示了WVS在往複式壓縮機診斷中的應用。平均了102個周期的WVS（圖5.55(a)）在時間和頻率方向上的分辨率大約是圖5.55(b)的STFT的兩倍。圖5.55(e)的WVD（一個周期）具有與WVS大緻相同的分辨率，但很難确定哪些分量代表幹擾項。WVS的時頻表示比圖5.55(d)的時間信号提供了更多關于不同僚件的資訊。
壓縮機在正常狀态下的情況在[46]中有較長的描述，同時描述了分析過程，但在[47]中，該方法應用于壓縮機中的多種故障。
上述結果顯示了使用時頻圖進行診斷的困難性；即使肉眼能夠看到圖表中的差異，也很難在不求助于圖像分析或類似方法的情況下提取資訊。許多人嘗試從圖表中提取資訊，以便用于訓練神經網絡以識别裝置狀态。
其中一種最早的方法在[48]中描述，該方法使用WVD在視覺上比較不同故障的結果。在時頻圖中，局部能量在多個區域内積分，然後使用生成的數組來訓練網絡。或者，可以使用演化AR模型（類似于第3.6.4節的ANC濾波器）對信号進行模組化，然後使用模型參數來分類裝置狀态。
另一種從往複機器的診斷中提取時頻資訊的方法是使用WVD的矩和累積量，正如[45]中所提出的。是以，每個時間點上都會計算頻譜的不同階矩和累積量。例如，一階矩是“重心”，可以視為“平均頻率”。如果突然出現高頻脈沖，第一矩将急劇增加。二階累積量（中心矩）表示圍繞“平均頻率”的“回轉半徑”，進而表示“平均帶寬”，對于單一頻率峰值而言，與阻尼有關。實際上，正如[45]中指出的那樣，可以直接從時間信号計算WVD的這些矩和累積量，而無需生成完整的WVD。
5.6.2 汽缸壓力辨識
在内燃機中，汽缸壓力提供了關于發動機狀态的大量資訊，特别是關于與燃燒有關的故障。直接測量汽缸壓力是理想的，但即使在實驗室中發動機上經常安裝了壓力傳感器，但在實地操作的發動機中并不切實際。這些傳感器不僅昂貴，而且由于它們所受到的極端惡劣條件，它們的使用壽命相當有限。是以，許多研究工作緻力于從外部測量中确定汽缸壓力。後者包括對發動機氣缸頭或缸體進行的加速度測量以及對曲軸的扭振測量。
5.6.2.1 從加速度測量中
最早嘗試使用逆濾波從外部加速度響應中提取柴油機汽缸壓力信号的方法之一是使用倒譜 [49]。稍後的一項類似嘗試，使用維納濾波器實作類似結果，見于 [50]。
正如在第5.4.3.2節與齒輪相關的讨論中所述，以及更一般地在第3.4節中所述，倒譜具有将測得的響應分離成其強迫函數和傳遞函數分量的可能性，前提是響應被單一源主導。理想情況下，确定逆濾波器應基于對壓力信号的測量，但可能可以在實驗室中對測試發動機進行，然後更廣泛地應用于未安裝壓力傳感器的發動機。
悉尼大學和羅馬大學之間的一項合作研究成果見于 [51, 52]。這些研究基于對單缸空氣冷卻柴油發動機的測量，其示意圖如圖5.56所示。圖中未顯示缸頭和缸體上的散熱片，但這意味着可以直接在噴油器的存取腔中（3号）安裝一個加速度計。在水冷發動機上通常無法做到這一點。另一個加速度計（4号）被放置在一個缸頭螺栓的頂部。
由于加速度計3和4對于曲軸平面内的慣性力很敏感，是以在正常于該平面的缸體壁上放置了另外兩個加速度計（1和2）。汽缸中安裝了一個壓力傳感器。
圖5.57（摘自[51]）顯示了一個典型的壓力信号（p(t)），加速度信号（a(t)）以及用于将它們與循環的其他部分的雜散噪聲分開的漢甯窗（w(t)）。在多個循環中測量了壓力信号與所有四個加速度計信号之間的頻響函數（FRF），同時測得了相應的相幹度，後者作為頻率函數給出了關系的線性度量。圖5.58比較了加速度計2和4的相幹度，發現在加速度計4（安裝在缸頭螺栓上）的相幹度要好得多。加速度計3（安裝在缸頭上）與4号相似，但并不比4号更好，而加速度計1的結果與加速度計2相似。
良好的相幹度表明反轉的FRF可以用作将加速度轉換為壓力的逆濾波器。圖5.59顯示了在一個速度（2400 rpm）和三個負載（50%，75%，100%）下進行操作時的結果。這表明為任何負載生成的逆濾波器在其他負載下也能很好地工作。然而，發現這樣的濾波器對于其他速度不起作用。圖5.60顯示了在相同的三個負載和兩個速度（2400 rpm，3000 rpm）上平均的一個FRF的相幹度。相幹度略低，但在3 kHz的頻率範圍内保持在80%以上。圖5.61顯示了相應的逆濾波器在其生成的全速負載範圍内的良好性能。再次強調，壓力信号的一部分與曲軸角度相關而不是時間（例如，壓縮/膨脹），但部分依賴于時間（例如，燃燒過程中的化學反應），是以很難有一個可以在速度範圍内使用的逆濾波器。
由于避免直接測量壓力信号的潛力，[51]和[52]都比較了頻域方法和倒譜方法來形成逆濾波器。這在任雅萍的博士論文工作中得到了總結[53]，圖5.62展示了使用差分倒譜（方程（3.54））從外部加速度測量中提取壓力信号的結果，以确定敲擊的程度。任雅萍對響應的差分倒譜進行了極點和零點的曲線拟合，并用此生成逆濾波器。就像在第5.4.3.2節中一樣，感興趣的讀者可以在[24]中找到有關确定結構傳遞函數的倒譜方法的更多詳細資訊。
與逆濾波相關的問題之一是它通常涉及抵消極點和零點，如果它們不能完全對齊，結果可能很差。高崗和蘭德爾在[54]中表明，通過使用一種特殊的平滑技術，這個問題可以得到緩解。這利用指數視窗将極點和零點有效地從Laplace平面的虛軸移開，并減小不比對的影響。
瑞典呂勒奧技術大學的兩篇博士論文[55, 56]擴充了這項工作，與SAAB-Scania Trucks合作的研究項目。該工作的一些方面可以在[57–59]中找到。Zurita [55, 57]擴充了倒譜方法，使用了類似于[54]建議的視窗（與前沿平滑錐形相結合，以避免指數視窗開始處的躍變），并将結果與基于多變量分析的方法進行了比較。他表明可以從重建的壓力信号中準确确定點火的開始[57]。Johnsson [56, 58–59]修改了Zurita的視窗，并通過結合加速度計（高頻）和曲軸扭振測量（低頻）的貢獻來獲得更好的重建結果，根據測得的壓力與相應信号的相幹度決定頻率截止。由于壓力和扭振之間存在非線性關系，他采用了由曼徹斯特大學的研究人員最初提出的徑向基函數神經網絡來生成逆濾波器，效果相當不錯。然而，即使神經網絡能夠通過在一系列結果之間進行“插值”而産生良好的結果，它們很難複制原始訓練集中偏離的異常“故障”條件。
在對後者進行讨論後，将再次讨論加速度和扭振測量的組合，詳情請見第5.6.2.3節。
5.6.2.2 從扭振測量中擷取
正如在第2.3.2節和4.3.3節中指出的，曲軸的扭振直接反映了氣缸壓力的任何變化，是以許多研究緻力于尋找逆濾波器，以從扭振中确定氣缸壓力。
由于它們之間的關系非常非線性，這使得情況變得複雜。将扭矩與壓力相關聯的力臂由下式給出
其中θ是曲軸角度，r是曲軸半徑，L是連杆長度，可以看出，盡管這是衆所周知的，但它非常非線性。将壓力轉換為扭矩相當容易，但進行反向操作非常困難，因為在上止點（TDC）和下止點（BDC）處，這種關系是奇異的。可以提出，最好使用壓力扭矩而不是壓力作為條件變量。
另一個複雜因素是慣性扭矩對整個曲軸傳動扭矩的相當大貢獻，特别是在高速時。同樣，雖然高度非線性，但這很容易計算，然而在[61]中提出了使用“合成”角速度和加速度的方法，其中去除慣性效應，使得驅動扭矩與這些合成變量之間的關系變得線性。
與将扭振與驅動扭矩相關聯的大部分工作假定曲軸是有效剛性的，是以來自任何氣缸的扭矩脈沖對角速度具有相同的影響相比，對于大型多缸發動機，曲軸在顯著激勵的頻率範圍内可能具有扭振共振，是以壓力變化對響應振動的影響取決于測量點。
這個問題最近進行了研究[62]，發現可以制作曲軸的簡單扭振動态模型，基于常數線性慣性和彈簧元素以及線性比例阻尼，該模型能夠在健康和故障條件下非常接近地複制測得的扭振。所研究的20缸發動機的模型如圖5.63所示，并在曲軸的自由端進行測量，那裡安裝了一個扭振減震器。
根據測量時間負載的估計壓力曲線，估計了每個氣缸的扭矩輸入。由于模組化的目的是檢測狀态的變化，特别是燃燒異常，是以基于熱力學原理和燃料噴射對應的熱釋放率（RoHR），制作了壓力曲線的參數模型。對于75%的負載，可獲得壓力曲線，并使用優化（遺傳算法後跟Levenberg–Marquardt最小二乘法優化）對參數進行拟合，結果非常接近。
線性化的動态模型被用于找到曲軸的扭曲的固有頻率和模态形狀，然後計算了每個氣缸的壓力扭矩與測量點之間的傳遞函數。圖5.64顯示了通過優化模型的固有頻率和阻尼值（保留已識别的模态形狀）所獲得的改進，使用遺傳算法來最小化在正常條件下模拟信号與測得信号之間的差異。對于名義上相同的發動機，其健康狀态下的測得信号有所不同，但同樣獲得了同樣好的結果，這表明可以通過這種方式彌補一個發動機與另一個發動機之間的小差異。
正如[62]所報告的，已經發現可以使用該模型來訓練神經網絡以識别與正常狀态的偏差，定位有問題的氣缸，并大緻确定與感應噴射器故障相對應的RoHR的變化。該模型是使用兩次測量的健康狀态之間隔了兩年（并使用差異來給出标準偏差的估計）以及在相同時間進行的三次對不同氣缸的感應噴射故障的測量進行訓練的。
關于曲軸扭振的測量，有三種主要的可能性。[62]中的測量是使用雷射扭振測振儀（Polytec OFV-400）進行的，但這些裝置非常昂貴。實際上，在那種情況下，使用靠近測量點安裝的軸編碼器進行頻率解調的結果進行了比較，它們非常相似。小的差異可以歸因于雷射振動儀測量了絕對的扭振，包括整個發動機的晃動，而軸編碼器提供了曲軸相對于發動機架構的相對扭振。在這種情況下，後者更相關，因為它是與氣缸壓力直接相關的參數。正如在第5.4.2節中提到的，編碼器信号的頻率解調可以通過兩種方法進行（如圖5.18所示）。基于脈沖定時的方法通常是推薦的，因為它在每個旋轉中提供固定數量的樣本，進而避免了需要進行階跟蹤的需求。另一方面，它确實提供了旋轉角度與時間的映射，如果需要，可以用于從角度采樣轉換為時間采樣。
雷射振動儀在頻率範圍上可能更為優越，通常可達10 kHz。對于編碼器解調，極限更可能是按軸階數計算，但也取決于信号。典型的編碼器每轉提供大約1000脈沖，但如第1.3節所述，這僅允許測量高達此值四分之一的階，即250。對于以1500 rpm或25 Hz運作的發動機，是以最大頻率範圍約為6000 Hz左右。這是基于隻需要用兩對旁帶來描述每個頻率分量的假設，但這取決于信号，而且在捕獲之前沒有辦法對信号進行低通濾波以避免混疊。第4章的圖4.17給出了一個具有嚴重爆燃的火花點火發動機的編碼器信号的譜圖示例。在這種情況下，“編碼器”是通過檢測齒輪圈（157）的經過的探測器的信号。在第三次諧波周圍的旁帶的擴散可能可以加倍，而不會引起混疊，這意味着将具有每轉脈沖數為六倍的編碼器的基頻進行解調将達到測量極限。
5.6.2.3 利用加速度和扭振測量
盡管理論上扭振振動的頻率範圍可達10 kHz，但大多數成功應用扭振振動來檢測燃燒異常的案例都是使用相對較低階次的變化，比如完全或部分爆燃。例如，在[62]中神經網絡特征向量的最佳參數是發動機循環頻率的第一和第四諧波的複數值。Johnsson [56, 58–59] 發現扭振振動信号與氣缸壓力的相幹性在低頻（高達20階）時最高，而加速度信号（在缸頭螺栓上測量）的相幹性在較高頻率時更好，但在較低頻率時較差。使用扭振振動（使用去除慣性影響的合成角加速度）與壓力扭矩的相幹性可能在更高頻率上是有效的，但正如Johnsson建議的那樣，從外部測量中估算氣缸壓力的最佳方式可能是使用扭振振動來處理信号的低頻部分，而使用加速度信号來處理高頻部分。這仍需要進行充分的論證。
同樣可能的是，使用壓力扭矩而不是壓力本身會得到更可靠的結果，這對于往複機械的診斷同樣可能是一個有效的參數。撰寫時，這也是一種推測。