点火系统诊断方法学的优化(Optimization of the Ignition System Diagnostics Methodology)

《Vehicles》：Optimization of the Ignition System Diagnostics Methodology Marek Nad, Matus Danko, Dusan Koniar and Michal Frivaldsky

　　

定期检测内燃机(Internal Combustion Engine, ICE)车辆的点火系统至关重要，因其影响发动机性能与排放水平。虽然道路车辆需强制进行排放测试，许多工业燃烧装置却未纳入常规排放控制。在机油更换等标准保养过程中，可利用持证维修站普遍配备的电子诊断工具评估点火系统，其测量结果为火花塞(Spark Plug)状态——影响点火质量与排放生成的关键因素——提供重要依据。本文提出一种基于配备电压与电流探头示波器(Oscilloscope)的诊断系统设计。实验数据直接采集自测试车辆，包含电气量的波形记录，可清晰区分元件行为差异。所提系统可在不同工况下快速、准确地评估火花塞状态。结果证实，所选诊断方法能识别点火元件的特征变化，从而提高故障检测精度。本研究引入一种创新的非侵入式(Non-intrusive)诊断方法，适用于现代汽车工具开发。总体而言，本工作有助于提升内燃机的可靠性、效率及排放性能。

论文解读：《Vehicles》— Optimization of the Ignition System Diagnostics Methodology (Marek Nad, Matus Danko, Dusan Koniar, Michal Frivaldsky)

一、研究背景与意义

内燃机(Internal Combustion Engine, ICE)车辆的可靠性和效率受点火系统性能显著影响，传统诊断方法（目视检查、火花塞电阻测量）难以检测早期劣化和间歇性故障。尽管基于示波器(Oscilloscope)的初级(Primary)与次级(Secondary)点火波形分析已被用于无拆装判断磨损火花塞、间隙不当及线圈故障，且小波变换(Wavelet Transform)、傅里叶变换(Fourier Transform)及机器学习可辅助自动分类，但商用高压测量设备昂贵且不易普及。此外道路车辆须定期年检而大量使用汽油机的非道路工业设备不受监管，其潜在排放影响被忽视。因此有必要开发低成本、非侵入式(Non-intrusive)、基于波形特征并可量化火花塞状态的实用诊断方法，并将其简化至可用双通道示波器在普通维修车间实施。

二、主要关键技术方法

研究人员以装备笔式独立点火线圈(Coil-on-Plug, COP)汽油机的实车（Volkswagen Touareg 4.2 V8 与 Volkswagen Passat 1.8T I4）为测试对象，制备四种火花塞状态样本：全新无损伤、磨损无损伤、机械损伤导致电极间隙增大、机械损伤导致电极间隙减小。自制由150枚1206封装贴片电阻组成的高压电阻分压器(Voltage Divider, 额定30 kV/过载60 kV)配合定制适配器采集点火线圈初/次级电压与电流波形；聚焦次级侧次级电压(Secondary Voltage, V_sec)与次级电流(Secondary Current, I_sec)波形。在LabVIEW环境中编写算法：先基于平稳性检测(Stationarity-based Segmentation)划分信号的非平稳段(即点火与放电段)，再提取10维特征向量——次级电压段样本数、段间样本数、两段方差、两段与零参考信号的互相关系数，以及次级电流段方差、互相关系数、最大值和最小值——采用k最近邻(k-Nearest Neighbors, kNN)分类器对新/旧/大间隙/小间隙四类火花塞状态进行模式识别，并通过变k值实验确定最优参数及分类准确率。

三、研究结果

1. 2.
   Materials and Methods
   研究人员指出点火过程可用能量方程 ρC_pdT/dt = Q_chem(em) ? Q_loss描述，将波形划分为诱导期(Induction Period / 自由基池积累、Q_chem≈Q_loss)、热失控(Thermal Runaway / Q_chem>Q_loss)与火焰后振荡(Post-Flame Oscillation)三物理阶段。从实测V_sec?I_sec曲线面积求沉积总能量 E = ∫₀^t∫V·I dt，结合点火延迟时间(Ignition Delay Time, τ)、电弧持续时间(Arc Duration)、击穿电压(Breakdown Voltage, V_b)、峰值放热率(Peak Heat Release Rate, Q_max)及最大压升率(dP/dt_max)做物理解释。实测表明初级侧参量受ECU控制与线圈感性特性约束，对不同火花塞状态变化不敏感；而次级侧电压电流直接反映火花隙击穿与放电过程，对电极磨损、几何形状及间隙电阻变化敏感，故后续分析专注次级侧信号。点火过程在时域分为线圈储能饱和期(Coil Saturation Period)、火花放电期(Spark Discharge)及混合气燃烧期(Combustion of the Fuel–Air Mixture)。
2. 3.
   Experimental Results and Verification
   研究人员用每类200个训练特征向量与200个测试向量进行kNN分类，考察k值影响。结果表明k=15时总体分类效果最优：新火花塞判别成功率56.5%，磨损火花塞80.5%，间隙偏小火花塞84%，间隙偏大火花塞50%；随机猜测基准为25%。次级电压与次级电流波形随四类火花塞状态呈现可区分差异——新件为参考红线，磨损呈绿色偏移，间隙增大呈黑色偏移，间隙减小呈蓝色偏移，算法可将非标准状态标记为不合格(不合规将致排放升高)。初级侧波形在各条件下几无差异，验证仅次级侧适于自动分类。最终通过剔除非信息参量将测量需求减至仅需双通道示波器加自制高压分压器即可完成诊断，并在不同车型上验证可行性，同时指出不同发动机需建立专属参考数据集以补偿同种点火模块的电压波形固有差异。

四、讨论与结论翻译

本研究的核心成果是验证了一种可靠的非侵入式诊断方法学，通过分析仅次级点火电压与电流波形来识别特定火花塞故障状态（包括电极磨损及导致电极间隙改变的机械损伤）。关键的是，本研究证明诊断算法判定为不合规的每种状态均直接与导致尾气排放升高的条件相关联。相对简单的k最近邻(kNN)分类算法已展现足够分类精度，无需使用高级人工智能算法（如神经网络），且kNN易于植入发动机电控单元(Electronic Control Unit, ECU)以扩展车载诊断功能。此外，通过系统性排除非信息参数显著简化了诊断流程，将仪器需求降至仅一台双通道示波器，提升了该方法在普通维修车间的实用性与可及性。尽管所提方法具鲁棒性，一关键发现是即便使用相同点火模块，不同发动机型号电压波形仍存在显著差异，因此须为各发动机类型建立涵盖所有考虑火花塞状态的专用参考数据集，这对确保诊断精度与方法广泛适用性至关重要。