Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
Identyfikatory
Warianty tytułu
Misfire detection in a diesel engine using clustering in a short-time analysis of vibroacoustic signals
Języki publikacji
Abstrakty
W pracy zaprezentowano rezultaty badań nad nowymi metodami diagnostycznymi silników spalinowych. W pracy opisano zastosowanie krótkoczasowej analizy sygnałów oraz wybranych technik rozpoznawania obrazów do diagnostyki wypadania zapłonu w silniku z ZS z wykorzystaniem sygnałów wibroakustycznych. Badania dotyczyły, przede wszystkim, silnika lokomotywy spalinowej. W zakresie niedrogowych źródeł zanieczyszczeń powietrza lokomotywy spalinowe stanowią znaczący czynnik. W zakresie tym pojawiły się wprawdzie przepisy prawne ograniczające zanieczyszczenia (np. Karta UIC 623 1-2-3 w Europie), ale ciągle brak jest jednolitych obligatoryjnych standardów monitorowania emisyjnie krytycznych uszkodzeń. Tego typu obligatoryjne systemy diagnostyki pokładowej (ang. OBD - on-board diagnostic systems) zostały już wprowadzone dla samochodów osobowych (OBD II, EOBD). System OBD dokonuje ciągłego monitorowania podstawowych parametrów systemu i jednym z jego głównych zadań jest wykrywanie wypadania zapłonu. Powyższe spostrzeżenia stały się impulsem do szukania nowych metod w zakresie diagnostyki silników spalinowych. Głównym celem badań było rozróżnienie pomiędzy stanem normalnej prawidłowej pracy silnika i stanem wypadania zapłonu. Zaproponowana metoda została zainspirowana metodami krótkoczasowej analizy Fouriera. W podejściu tym oblicza się wartości wybranych parametrów w oknie czasowym przesuwającym się wzdłuż sygnału. Dla każdej pozycji okna otrzymuje się zbiór wartości parametrów, który reprezentuje punkt w odpowiedniej wielowymiarowej przestrzeni parametrów. Wówczas ewolucja czasowa sygnału może być obserwowana jako odpowiedni wykres w przestrzeni parametrów. Można oczekiwać, że różne stany systemu (np. wypadanie zapłonu) będzie można rozróżniać jako różne położenia punktów w przestrzeni parametrów. W celu ich wykrywania zaproponowano w pracy grupowanie danych w przestrzeni parametrów. Pierwsze rezultaty pokazują, że jest możliwe rozróżnienie grup w przestrzeni parametrów, które odpowiadają różnym stanom silnika.
The paper presents some results of the research on new diagnostic methods in combustion engines. It describes the application of short-time signal analysis together with pattern recognition techniques in the diagnosis of misfire in Diesel engines through vibroacoustic signals. One considered Diesel locomotive in particular. In the area of the non-road sources of combustion gases the locomotives rate relatively high as air polluters. There are some regulations in the area of locomotives (e.g. Cart UIC 623 1-2-3 in Europe) but we still observe a lack of obligatory requirements for systems monitoring emission critical damage. Such obligatory on-board diagnostic systems were introduced for passenger cars (OBD II, EOBD). The OBD system performs a continuous monitoring of basic system parameters and one of its most important tasks is misfire detection. All these facts inclined the author to research the new relevant detection methods. The main aim of the research is to distinguish between two states: normal engine operation and the state of misfire. The general idea of the method was taken from the short-time Fourier analysis. The method is based on calculation of the values of some selected parameters in the time window sliding along the signal. For each window position one has a set of parameter values which gives the point in a corresponding multidimensional parameter space. Hence, the time evolution of the signal can be observed as the evolution plot in the parameter space. We suspect that the different system states (misfire) can be distinguished by the different position of points in the parameter space. In order to detect them, the clustering in the parameter space was performed. The first results show the possibility of distinguishing some different clusters within the parameter space which may correspond to different engine states.
Czasopismo
Rocznik
Tom
Strony
31--40
Opis fizyczny
Bibliogr. 19 poz.
Twórcy
autor
- Instytut Pojazdów Szynowych w Poznaniu
- Katedra Fizyki i Biofizyki Akademii Medycznej w Gdańsku
autor
- Wydział Maszyn Roboczych i Transportu Politechniki Poznańskiej
Bibliografia
- [1] Abarbanel H. D. I.: Analysis of Observed Chaotic Data Springer, 1996.
- [2] Allen J. B., Rabiner L. R.: A Unified Approach to Short-Time Fourier Analysis and Synthesis, Proceedings of the IEEE 65, 1558-1564, 1977.
- [3] Allen J. B.: Short Term Spectral Analysis, Synthesis, and Modification by Discrete Fourier Transform, 1977 IEEE Transactions on Acoustic, Speech, and Signal Processing ASSP-25, 235-238, 1977.
- [4] Bezdek J. C.: Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press (Second edition), 1987.
- [5] Boguś P., Massone A. M., Masulli F., Schenone A.: Interactive graphical system for segmentation of multimodal medical volumes using fuzzy clustering, Machine GRAPHICS & VISION 7, 1998, 781-791, 1998.
- [6] Boguś P., Merkisz J., Grzeszczyk R., Mazurek S.: Nonlinear Analysis of Combustion Engine Vibroacoustic Signals for Misfire Detection, SAE Technical Paper Series, 2003-01-0354.
- [7] Boguoe P., Merkisz J., Waligórski M.: Short-time methods of signal processing in combustion engine diagnostic – OBDII/EOBD perspectives, Proceedings of 29th International Scientific Conference on Combustion Engines KONES 2003, September 14-17, Wisła, Poland, 31-37, 2003.
- [8] Boguś P., Lewandowska K.: Short-Time Signal Analysis Using Pattern Recognition Methods. Lecture Notes in Computer Science. Artificial Intelligence and Soft Computing – ICAISC 2004, Springer-Verlag, 550-555, 2004.
- [9] Boguś P., Merkisz J.: Misfire Detection of Locomotive Diesel Engine by Nonlinear Analysis, Mechanical Systems and Signal Processing, Vol. 19, Issue 4, pp. 881-899, 2005.
- [10] Boguś P., Merkisz J.: Short Time Analysis of Combustion Engine Vibroacoustic Signals with Using Pattern Recognition Techniques, SAE Technical Paper Series 2005-01-2529.
- [11] Chui C. K., Wavelets: A Mathematical Tool for Signal Processing, SIAM Society for Industrial and Applied Mathematics, 1997.
- [12] Duda R., Hart P.: Pattern Classification and Scene Analysis, Wiley Interscience, 1973.
- [13] Harris F. J.: On the Use of Windows for Harmonic Analysis with the Discrete Fourier Transform, Proceedings of the IEEE 66, 51-83, 1978.
- [14] Krishnapuram R., Keller J. M.: A Possibilistic Approach to Clustering, IEEE Transactions on Fuzzy Systems 1, 98-110, 1993.
- [15] Merkisz J., Boguś P., Grzeszczyk R.: Overview of engine misfire detection methods used in on-board diagnostics. Journal of KONES – Internal Combustion Engines 8, 326-341, 2001.
- [16] Merkisz J., Waligórski M., Bogus P., Grzeszczyk R.: Some Insights into Diesel Locomotives Misfires for the Application of an OBD System, Journal of KONES Internal Combustion Engines 9, 188-203, 2002.
- [17] Mitra S. K., Kaiser J.F. (eds.): Handbook for Digital Signal Processing, John Wiley & Sons, 1993.
- [18] Portnoff M. R.: Time-Frequency Representation of Digital Signals and Systems Based on Short-Time Fourier Analysis, IEEE Transactions on Acoustic, Speech, and Signal Processing ASSP-28, 55-69, 1980.
- [19] Rose K., Gurewitz E., Fox G. C.: A deterministic annealing approach to clustering. Pattern Recognition Letters 11, 589-594, 1990.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-LODC-0005-0027