《Vehicles》：Intelligent Fault Diagnosis in Gasoline Engines Using Convolutional Neural Networks
编辑推荐：
本研究聚焦于应用卷积神经网络（Convolutional Neural Network, CNN）对YESA 3140型汽油机点火线圈与燃油喷油器的断电故障进行检测。研究目的是设计一种能够识别火花点火发动机（Spark Ignition Engine, SIE
本研究聚焦于应用卷积神经网络（Convolutional Neural Network, CNN）对YESA 3140型汽油机点火线圈与燃油喷油器的断电故障进行检测。研究目的是设计一种能够识别火花点火发动机（Spark Ignition Engine, SIE）在最优工况及四个喷油器与四个线圈分别发生特定电源断开故障状态下运行的CNN模型。研究人员使用MyDAQ数据采集卡及LabVIEW 2024版软件采集发动机爆震传感器（Knock Sensor, KS）与凸轮轴位置传感器（Camshaft Position Sensor, CMP）信号。严格遵循采样规程：发动机处于正常工作温度及怠速时，每种工况重复采集5 s信号，且诱导故障后先运行5 min再采样。获取的KS信号被转换为时频谱图（spectrogram）用于训练多种CNN模型。最终所得CNN分类误差达3.21%。该算法通过在多台奥托循环发动机上人为植入监督故障进行了验证。
基于卷积神经网络(CNN)利用爆震传感器信号时频谱图进行汽油机点火线圈与喷油器故障诊断的研究解读
一、 研究背景与目的
传统汽车维修车间多依赖技师经验进行故障诊断，主观性强易导致误诊及不必要的拆修。火花点火发动机（Spark Ignition Engine, SIE）随时间推移易发生机械与电气故障，影响效率并增加排放。虽然基于物理模型、小波变换或专家系统可诊断异常，但在高工况变异性或缺乏精确模型时受限。机器学习尤其是深度学习中卷积神经网络（Convolutional Neural Network, CNN）具备自动提取复杂特征能力，将一维振动/声学信号转为二维时频谱图（spectrogram，即时间—频率—能量分布的图谱）输入CNN已成为机械故障诊断的有效策略。本研究针对YESA 3140汽油机，提出利用KS信号生成的时频谱图训练CNN，实现正常工况及8种单缸喷油器/点火线圈断路故障共9类状态的智能分类，为SIE提供可复现的无损智能诊断方案。论文发表于《Vehicles》。
二、 主要关键技术方法
研究人员以YESA 3140四缸汽油机为实验对象，布置爆震传感器（Knock Sensor, KS）与凸轮轴位置传感器（Camshaft Position Sensor, CMP），通过National Instruments MyDAQ卡及LabVIEW软件以20 kHz采样频率采集信号（满足KS传感器特征频率9.35 kHz的奈奎斯特Nyquist准则）。设定9种工况（正常+4缸独立喷油器断线+4缸独立点火线圈断线），每种工况预热5 min后采集5 s怠速信号，各10次重复。采用Butterworth滤波处理CMP信号以定位完整发动机周期完成分段，对KS分段信号计算短时傅里叶变换生成dB尺度时频谱图并存为PNG图像。构建输入为224×224×3像素的CNN模型，含多层3×3卷积核（滤波器数由16递增至56）、批归一化（Batch Normalization）、ReLU激活、最大池化（MaxPooling, 3×3及2×2）及两层全连接层（256与128神经元），输出层9神经元配Softmax多分类。用生成时频谱图集训练与验证，并以混淆矩阵及ANOVA方差分析评估。
三、 研究结果
3. Results（结果）
研究人员展示模型验证结果：混淆矩阵显示CNN对所有验证样本均正确分类，每类112个预测全对角分布，无分类错误，表明网络能精准区分正常与各类单缸线圈/喷油器故障。LabVIEW开发诊断界面可显示故障气缸（红色高亮）及对应故障码。ANOVA分析表明CNN预测与发动机真实状态属同一分组（p-value = 0.953），置信度95.3%~98%；Tukey法及置信区间重叠证实预测均值与真实响应无显著差异；残差正态概率图呈线性、直方图对称分布于零、残差vs拟合值无模式、观测顺序无时序相关，满足统计假设，验证模型拟合良好。
四、 讨论与结论翻译
讨论部分总结：
研究表明CNN对SIE点火线圈（1~4缸）及喷油器特定断路故障具高分类精度，最小误差边际分别为6%、2%及0.2%，与既往ANN及SVM研究可比（本模型信息损失3.21%）。将时频表示（时频谱图）与深度学习结合使CNN同时捕获时域与频域特征，免去人工特征工程，优于传统ML方法。此途径提升振动/声学诊断的分类性能。
结论部分（原文翻译）：
所构建CNN由输入层、ReLU激活、MaxPooling降维层及输出分类层组成，实现故障分类准确率100%，最小信息损失3.21%。单因素方差分析（One-way ANOVA）显示发动机实际故障分类与CNN结果无统计学显著差异（p = 0.953），证实模型识别准确性。本文采用MyDAQ与LabVIEW（采样率20 kHz）采集KS与CMP信号，所生成时频谱图满足CNN训练与验证需求。该研究推进了无需拆解发动机的物理介入即可诊断的方法，克服传统车间拆检习惯；应用CNN不仅优化诊断时间，也为喷油与点火系统故障检测提供更经济、精确、高效的替代方案。结果表明，仅利用KS信号时频谱图输入CNN可有效自动识别SIE点火线圈与喷油器故障，CNN较传统ANN更擅长处理大数据量且无饱和或性能劣化问题。
