第二讲 第三部分 汽车发动机的爆震模式识别

一般爆震信号频率是 5KHz-20KHz，为防止信号畸变，采样频率必须快一倍， 所以采样频率应大于 40KHz。当采样频率固定，数据块越大，DFT 的分辨率越高。 需要特别监视的爆震信号频率由 f [k ] 决定，当采样频率、数据块长度一定， 则选取不同的 k 值，就能确定欲监视的频率。 在实际应用中，DFT 常采用迭代计算。DFT 的迭代计算公式推导如下： 根据式（1）得：
计算得到信号均值：AveKNK。 计算得到信号 I 因子 Ifactor。
第二步:爆震模式判别：
if ((IAve > 20) & (EeKNK > 1)) { //先判断时域指标 for (j=0; j<5; j++) { if (XFmax[j] > Xref[CylPtr][j]) { //再判断频域指标
6.1.2 爆震测量
爆震测量分直接测量与间接测量。 所谓直接测量是指每个气缸内都安装压力 传感器，直接测量缸压变化，这种方法最直接，但成本高昂，仅限于研究应用， 不适于批量生产的汽车应用。 间接测量是采用压电振动传感器，测量缸体的共振，这种方法简单，传感器 便宜且安装方便。现在一般采用宽频爆震传感器，而不是峰值型爆震传感器， 在 低于 20KHz 的范围内， 不存在调制峰值。 这类传感器能适用于各种型号的发动机， 但是传感器输出信号很容易混杂发动机的其它振动噪音， 特别是发动机高速运转 时，背景噪音特别大，对信号处理与模式识别提出了很高的要求。
DFT 算法如下：
N −1
X [k ] =
∑
x (n )e −
j 2 π kn / N
（1）
n=0
这里，k:频率索引数、 n:采样时间索引数、N:样本长度、 x(n):时域信号值、X[k]:正弦分量幅值。 决定 DFT 有效中心频率与带宽（频率分辨率）的三个变量是： 采样频率 fs、数据块长度和索引频率（indexed frequency） 。 它们关系如下： 奈奎斯特（Nyquist）频率： f N = f s / 2. 最小频率： f min = f N / 2. 索引频率： f [k ] = k ⋅ f min .
采用时域特征的好处是程序简洁，能有效滤除个别干扰信号造成的误判现象。在时域 判断基础上采用频域适应策略（训练与学习问题）
6.2.1 模拟滤波
模拟滤波是从传统信号处理观点出发的方法。 采用模拟电路处理爆震传感器 信号，计算特定频段内振动信号强度，以识别是否有爆震。 相应的模拟电路结构框图如下：
输入信号
信号预处理
放大器
带通滤波
整流器
积分器
参考信号发生器 图1
比较器
是否爆震
爆震信号模拟电路框图
输入是较微弱的交流振动信号， 所以首先通过可编程放大器进行放大， 然后 通过预先调整好的带通滤波器， 获取爆震频段的信号，再通过整流与积分得到放 映振动强度的信号，与实时变化的参考信号比较，从而确定是否有爆震。 采用模拟电路的好处是减少发动机电子控制单元（ECU）的计算工作量，坏 处是接口较复杂，电路调整不方便，适应性差，不过这是过去发动机电子控制系 统中处理爆震的主要方法。 6.2.2 数字频谱特征分析——DFT 频谱特征分析 数字频谱特征分析是从模式识别观点出发， 采用数字信号处理技术，分析振 动信号的频谱特征。具体是以频域特征为主，时域特征为辅，综合多个特征进行 爆震模式识别。 DFT 是离散傅立叶变换的英文简写，进行频谱分析，可采用快速傅立叶变换 FFT，也可采用离散傅立叶变换 DFT，但是 DFT 较 FFT 更适于爆震判断，原因如 下： （1） 爆震模式识别只需计算信号若干频率点的幅值，而不是整个频率段的幅值， 此时采用 DFT 运算量远比 FFT 小。 （2）为了滤除噪音，信号处理采用“加窗技术” ，由于爆震只可能出现在发动机 活塞运行上止点后 10°至 70°， 所以上止点后 10°至 70°作为信号窗口，该窗 口时间随发动机转速而变化， 例如： 500RPM 时为 20 毫秒， 8000RPM 为 1.25 毫秒。 而 FFT 处理信号长度只能是 2 的幂，DFT 则无此限制，所以 DFT 适于这种窗口时 间不断变化的特殊“加窗技术” 。
f max Gj = ∫
fj f j −1
s ( f )df
模式特征并非越多越好，特征过多，不仅增加计算量，而且模式识别能力下 降，对于一维时变信号模式识别问题，存在如下规律：
P(e)
特征数
图 2：特征数量与识别错误率 P(e)的关系
但是， 具体选取哪些时域特征与频域特征作为最优爆震特征， 难以通过理论 计算获得，只有通过反复实验摸索，同时还要兼顾运算量大小。 经反复实验，发现如下时域特征与频域特征搭配，能满足爆震识别要求, （1）时域特征：脉冲因子，方差。 （2）频域特征：给定频率附近的功率谱。 6.3.2 模式判别算法 一般模式识别中，已发展了种类繁多的判别算法，如 Fisher 线性判别、最 近邻法等，但是针对爆震模式判别，必须摸索出工程上简便可行的方法。
具体判别算法是先进行时域特征判断，经时域特征判断认为有可能存在爆 震，再进一步进行频域特征判断。 具体算法如下： 第一步:采样数据并计算时域特征与频域特征
for (j=0;j<Blocks;j++) { //Blocks 是待计算的采样数据块 Xr1,Xl1,Xr2, Xl2,Xr3,Xl3,Xr4,Xl4,Xr5,Xl5 //变量都清为 0 for (m=0;m<50;m++) { KNK = 信号采样值，//KNK 爆震信号强度 计算信号平均值：AveKnock = AveKnock + KNK 捕获信号最大值 KNKmax DFT 迭代计算：//离散付立叶运算 Xr1 = Xr1 + ResultKNK*SIN1[m],Xl1 = Xl1 + ResultKNK*COS1[m] Xr2 = Xr2 + ResultKNK*SIN2[m],Xl2 = Xl2 + ResultKNK*COS2[m] Xr3 = Xr3 + ResultKNK*SIN3[m],Xl3 = Xl3 + ResultKNK*COS3[m] Xr4 = Xr4 + ResultKNK*SIN4[m],Xl4 = Xl4 + ResultKNK*COS4[m] Xr5 = Xr5 + ResultKNK*SIN5[m],Xl5 = Xl5 + ResultKNK*COS5[m] } XReal1[j] = Xr1, XImg1[j] = Xl1 XReal2[j] = Xr2, XImg2[j] = Xl2 XReal3[j] = Xr3, XImg3[j] = Xl3 XReal4[j] = Xr4, XImg4[j] = Xl4 XReal5[j] = Xr5, XImg5[j] = Xl5 } Xmax,XFmax[0],XFmax[1],XFmax[2],XFmax[3],XFmax[4]//变量清为 0 for (j=0; j<Blocks; j++) {//计算 5 个频点的幅值 X0 = XReal1[j]*XReal1[j] + XImg1[j]*XImg1[j]; X1 = XReal2[j]*XReal2[j] + XImg2[j]*XImg2[j]; X2 = XReal3[j]*XReal3[j] + XImg3[j]*XImg3[j]; X3 = XReal4[j]*XReal4[j] + XImg4[j]*XImg4[j]; X4 = XReal5[j]*XReal5[j] + XImg5[j]*XImg5[j]; Xsum = X0+X1+X2+X3+X4; if (Xsum > Xmax) { Xmax = Xsum; XFmax[0] = X0;XFmax[1] = X1; XFmax[2] = X2;XFmax[3] = X3;XFmax[4] = X4; } }
N −1 n=0 N −1
X [k ] = ∑ x(n) cos(2πnk / N ) − j ∑ x(n) sin(2πnk / N ).
n =0
（2）
根据上式，实部、虚部分别为：
N −1
X R [k ] = ∑ x(n) cos(2πnk / N ).
n =0 N −1
X l [k ] = ∑ x(n) ⋅ sin(2πnk / N ).
KnkMet[CylPtr] = KnkMet[CylPtr] + Range[j]; } } } CylPtr++; //代表指向不同气缸的指针 if (CylPtr == 3) { CylPtr = 0; }
//爆震强度累加
Knock = KnkMet[0] + KnkMet[1] + KnkMet[2] + KnkMet[3]+KnkMet[4]; KnkMet[0] KnkMet[1] KnkMet[2] KnkMet[3] KnkMet[4] = = = = = 0; 0; 0; 0; 0;
6.2 爆震模式识别方法
爆震识别是典型的一维信号模式识别问题。 所谓模式识别是指对客观对象进行描述与分类的科学。 具体地说， 就是用计 算机实现人的模式识别能力。 模式识别的特有概念是相似度，模式识别的任务就 是根据对象特征把相似的对象分类。所以模式识别的关键是确定对象的特征。 目前爆震识别的有两大类方法：模拟滤波以及数字频谱特征分析。
//计算最终的爆震值 KnkValue[0]
if ((Knock > 10) & (Knock <= 60)) {//较弱的爆震 if (KnkValue[0] < 251) { KnkValue[0] = KnkValue[0] + 4; } } if (Knock > 60) {//较强的爆震 if (KnkValue[0] < 251) { KnkValue[0] = KnkValue[0] + 6; } }