综述：基于振动分析的内燃机燃烧事件检测技术进展

本综述系统评述了振动分析在内燃机燃烧事件检测中的最新进展，重点探讨了振动信号与燃烧参数（如SOC、PP、HRRmax等）的强相关性，以及信号分解技术（如EMD、VMD）和机器学习（ML）方法在提升非侵入式监测精度方面的应用。文章指出，振动分析方法可实现曲轴转角（CAD）误差小于1°、压力重建误差低于5%的精确监测，为替代传统缸内压力传感器提供了低成本、可扩展的解决方案，尤其适用于压缩点火（CI）和均质充量压缩点火（HCCI）发动机的实时状态监控与优化。

　　

基于振动分析的内燃机燃烧事件检测技术进展

1. 引言：燃烧监测策略与振动分析的价值

内燃机（ICE）的燃烧过程直接影响其可靠性、效率及排放性能。传统缸内压力传感器虽精度高但成本昂贵、寿命短，且难以在恶劣环境下长期使用。振动分析作为一种非侵入式技术，通过解析发动机表面振动信号（如加速度、速度）来间接表征燃烧事件，成为当前研究热点。本文聚焦压缩点火（CI）与均质充量压缩点火（HCCI）发动机，系统综述振动信号与燃烧参数（如燃烧始点SOC、峰值压力PP、压力升高率PPRR、最大放热率HRR_max、已燃质量分数MFB）的关联性，并评估信号分解与机器学习技术在提升监测精度中的应用。

2. 缸内压力与振动的关联性

燃烧过程中缸内压力的剧烈变化会引发发动机结构振动，二者存在强相关性。通过分析振动信号的时域与频域特征，可提取关键燃烧参数：

• •
  燃烧始点（SOC）：通常通过滤波后加速度信号的过零点或速度曲线的拐点识别，CI发动机中误差可控制在0.9°CAD以内，HCCI发动机因燃烧速率快误差略高（2.4–3.3°CAD）。
• •
  峰值压力（PP）：利用速度曲线过零点或加速度峰值后的极小点定位，位置误差≤0.9°CAD，压力值通过频率幅值求和法估算误差<5%。
• •
  压力升高率（PPRR）：与振动速度峰值或加速度过零点关联，最大误差≤6.69%。
• •
  最大放热率（HRR_max）：通过特定频带（如0.3–1.5 kHz）的累积振动能量或加速度首峰值判定，定位误差≤1°CAD。
• •
  已燃质量分数（MFB）：MFB50（50%燃料已燃点）对应加速度信号的绝对极小点，MFB95通过第三极小点识别，误差约1.3°CAD。

缸内压力曲线重建是另一重要方向。早期研究采用倒滤波、倒谱分析等方法，近年机器学习模型（如径向基函数网络RBF、广义回归神经网络GRNN）显著提升重建精度。例如，GRNN模型在HCCI发动机中可实现压力曲线均方根误差（RMSE）0.19 MPa，峰值压力误差0.08 MPa。递归估计算法（如卡尔曼滤波）在稳态工况下压力峰值误差可控制在4.5%以内。

3. 燃烧诱发振动的信号分解技术

为分离燃烧振动与机械噪声（如活塞敲击、气门运动），需借助信号分解方法：

• •
  滤波技术：包括低通、带通滤波及循环维纳滤波（CWF），通过频带选择提取燃烧相关成分，但依赖工况定制化设计，适应性有限。
• •
  经验模态分解（EMD）：将信号自适应分解为本征模态函数（IMF），有效识别爆震等高频事件，但存在模态混叠问题。改进方法如集合经验模态分解（EEMD）和时间变滤波EMD（TVF-EMD）提升了鲁棒性。
• •
  变分模态分解（VMD）：通过变分框架优化模态分离，对非平稳信号处理效果显著。结合鲁棒独立成分分析（RobustICA）可精准分离燃烧噪声与活塞敲击噪声，且计算效率优于EMD。自适应VMD（如基于模糊分布熵的参数优化）进一步提升了分解精度。
• •
  机器学习驱动分解：人工神经网络（ANN）、支持向量机（SVM）等模型通过数据驱动学习振动与噪声的复杂映射，在预测整体振动加速度和噪声级方面表现优异（MAPE<2.5%），但需大量数据训练且模型可解释性待提升。

4. 讨论：技术挑战与未来方向

当前振动分析技术仍面临以下挑战：

• •
  参数依赖性：VMD、EEMD等方法需手动调整模态数或惩罚因子，未来需结合优化算法（如遗传算法）实现自适应参数选择。
• •
  工况适应性：瞬态工况或多燃料策略（如双燃料、生物柴油）下信号特征易变，需开发跨工况通用模型。
• •
  实时性瓶颈：复杂分解算法（如VMD）计算量大，难以直接部署于车载系统，需与轻量级ML模型结合。
  未来研究应聚焦多传感器融合（如振动、声发射、光学诊断）、可解释机器学习框架构建，以及虚拟燃烧噪声传感器的实车应用，推动清洁高效内燃机的发展。

5. 结论

振动燃烧分析技术通过先进信号处理与机器学习模型，实现了接近传统压力传感器的监测精度（SOC误差<1°CAD，压力重建RMSE<5%），为非侵入式燃烧诊断提供了可行路径。随着算法优化与硬件集成，该技术有望成为下一代内燃机实时监控与排放控制的核心工具，助力实现更清洁、高效的动力系统。