基于发动机表面振动的虚拟传感技术，用于监测使用不同燃料（柴油和氨-氢）时气缸内的压力

《Engineering Applications of Artificial Intelligence》：Virtual sensing for in-cylinder pressure based on surface vibration of engines running on various fuels: diesel and ammonia-hydrogen

　　摘要：由于传感器成本和耐用性的限制，直接测量缸内压力在实时发动机控制中仍然不切实际。因此，基于振动的缸内压力重建成为了一个有前景的替代方案。一个关键挑战在于表面振动信号的高度非平稳频谱特性，这些特性会因发动机转速的瞬变而产生不可预测的频率偏移，从而降低了传统数据驱动模型的泛化能力。为了解决这个问题，我们提出了局部谱质心网络（LscNet），这是一种针对非平稳振动信号设计的架构创新。LscNet的核心是局部谱质心注意力（LSCA）模块，它是频率域注意力机制的问题驱动改进。LSCA能够动态识别主导的局部谱质心，并自适应地分配频带权重，而不依赖于固定的谱模板，为非平稳振动传感中的频谱漂移问题提供了解决方案。在持续变化的转速（1000-1500转/分钟）条件下，对柴油发动机和氨氢发动机进行了评估，训练和测试条件不重叠，LscNet分别实现了0.148巴（压力单位，1巴=10^5帕）和0.404巴的平均绝对误差，同时准确重建了包括峰值燃烧压力（PFP）、峰值压力位置（PPP）、50%质量分数燃烧时的曲轴角度（CA50）和热释放率等关键燃烧指标。因此，这项工作做出了双重贡献：（i）通过局部质心引导的注意力，在频谱自适应时间序列建模方面实现了人工智能方法的进步；（ii）开发了一种在柴油和氨氢平台上得到验证的稳健虚拟传感算法，实现了实时、逐循环的燃烧监控。

引言：逐循环解析的缸内压力对于发动机诊断（例如爆震或失火检测）至关重要，并且是实时燃烧控制的基础信号（Hmida等人，2021年；Cuisano等人，2022年；Maurya，2016年）。然而，由于传感器的限制，直接测量在车载应用中仍然不切实际。因此，基于外部信号的虚拟传感作为一种低成本、非侵入式的替代方案引起了极大的兴趣。虚拟传感已经发展成为跨多个工程学科的实时监控的变革性技术，它桥接了物理测量和数字模型。与传统的侵入式传感器不同，虚拟传感利用数学模型和辅助测量来估计那些难以直接监控的关键参数（Lin等人，2025年）。这一范式已在结构力学中成功应用，例如利用支撑位置的位移来推断整个区域的应变场。例如，在铁路桥梁中利用纵向位移进行虚拟应变传感（Maes和Lombaert，2023年）；利用叶尖位移来测量整个叶片的应变分布（Ao等人，2025年）；利用多个点的应变来虚拟感知整个区域的应变（Lee等人，2024年）；并且利用有限的测量点通过深度学习模型预测整个船体的全局应力场（Sun等人，2024年）。此外，虚拟传感可以通过激励-响应关系实现，例如通过操作载荷监测结构变形（Lee和Lee，2025年）或使用车载运动传感器监测桥梁响应（Siu等人，2024年）。当可用传感器数据与目标测量之间的相关性不如上述情况明确时，可以采用多源数据融合进行虚拟传感（Zhao等人，2025年）。例如，使用多源传感器测量基于单桩的风力涡轮机的土壤应变响应（Zou等人，2023年），通过多源传感器融合预测风力涡轮机的弯矩（Moynihan等人，2024年），以及使用多点位移数据监测风力涡轮机支撑结构的疲劳（Fallais等人，2025年），以及预测建筑物在地震激励下的结构响应（Meng等人，2024年）。这种广泛的适用性突显了虚拟传感的潜力，它可以替代昂贵、维护繁琐且难以部署的物理传感器，用稳健的计算模型取而代之。

从外部信号重建缸内压力是一个长期存在的激励-响应虚拟传感问题。在这项技术中，方法大致可以分为知识驱动和数据驱动两种方法。知识驱动方法依赖于热力学参数或曲轴旋转，通过内燃机（ICE）热释放模型或曲轴动力学模型来计算缸内压力。已经采用了诸如迭代收敛燃烧热释放模型（Wang等人，2019年）或结合扩展卡尔曼滤波器的技术（Pla等人，2021年）。类似地，刚性或柔性曲轴动力学模型结合扩展卡尔曼滤波器（Quartullo等人，2023年）也被用于压力重建（Song等人，2024年）。这些方法具有良好的可解释性，并且在稳定运行条件下是可靠的。然而，由于传感器响应和计算延迟，它们在实时性能方面存在限制。具体来说，集成在ICE内的热电偶的采样率不超过10赫兹（Lee和Lee，2025年），这在1200转/分钟的情况下每个循环只能记录一个温度点。因此，无法捕捉进气过程的动态温度或跟踪超过1200转/分钟的循环间温度波动。因此，热模型更适合于模拟几个循环的平均压力，而不是逐循环跟踪它们。尽管使用瞬时速度或扭矩的曲轴动力学模型对速度变化相对敏感，但它们受到时间步长迭代的串行阻塞延迟的限制。计算延迟使得难以准确逐循环跟踪真实的缸内压力。另一方面，使用表面振动和瞬时速度信号的数据驱动模型在ICE的缸内压力重建中越来越受到关注。然而，轴系统内的退化因素——如活塞摩擦力的变化（Liu等人，1998年；Zhang等人，2024年）、衬套摩擦的变化（Litwin，2016年）和减震器性能的恶化（Homik等人，2021年）——可能会引入不确定性，扭曲瞬时角速度，使其不太适合在受控实验室条件之外的实时监控。相比之下，缸内压力与表面振动之间的传递函数保持稳定，为全生命周期的缸内压力监控提供了更多可能性（Zhang等人，2025年）。尽管如此，ICE的表面振动频率成分非常复杂（Zhu等人，2024年）。这些振动是对多个激励源的同时响应（Li等人，2025年），包括来自缸内压力本身、气门传动机构、燃油喷射器、活塞敲击、轴承、齿轮以及各种高压和低压泵（Xu等人，2018年；Lin等人，2024年）。因此，在缸内压力重建中使用表面振动信号涉及三个关键步骤：（1）识别由缸内压力引起的振动成分；（2）从缸内压力到表面振动的频率响应函数（FRF）的构建；（3）从表面振动到缸内压力的逆变换。从缸内压力到表面振动的FRF是第一个引起广泛关注的关键问题。开发了一个两输入单输出的FRF模型，结合主成分分析和偏移补偿过程，根据柴油发动机的加速度计数据计算缸内压力（Jia等人，2015年）。然而，由于未能去除与压力无关的干扰成分，在多传感器配置和多循环平均的条件下，重建误差只能部分减少。Han等人应用卡尔曼滤波技术引入了缸内压力重建中的降噪能力（Han等人，2018年）。卡尔曼滤波的基本假设基于高斯噪声，而发动机振动中的噪声并不符合这一点。因此，峰值燃烧压力的预测出现了显著误差，特别是在低压段。Jeon等人假设非燃烧引起的振动主要存在于与活塞运动相关的频率上，允许通过自适应时域加权来减轻由机械激励引起的干扰成分（Jeon等人，2023年）。此外，他们假设由缸内压力引起的振动能量与燃烧的热释放率成正比，然后给出了缸内压力重建的微分方程。实验结果表明，预测50%质量分数燃烧时曲轴角度（CA50）的平均平方误差为1.45°CA（对于单喷射发动机）和3.96°CA（对于双喷射发动机）。这种方法可以同时实现上述关键步骤（1）和（3），但与缸内压力相关的成分没有很好地被识别。这是因为该方法只考虑了机械激励的单一窄频带，而不是在整个频谱中识别它。这些简化的假设也限制了整体重建的准确性，特别是在估计峰值燃烧压力时。虽然传统方法明确估计了逆频率响应函数（FRF），但神经网络提供了一个稳健的数据驱动替代方案。它们隐式地学习了这种逆映射的非线性逼近，同时在单个框架内提供了固有的降噪能力。Du等人使用径向基函数神经网络（RBF）建立了 sequential cylinder head 振动与缸内压力波形之间的关系。然而，由于RBF的有限适应降噪能力和缺乏针对性的降噪步骤，峰值燃烧压力值及其对应的曲轴角位置的准确性受到影响（Du等人，2001年）。Johnsson利用复域RBF从旋转速度和结构振动中自适应重建缸内压力，并通过设计的时间窗口来消除噪声。峰值燃烧压力的最大误差为3.2巴，峰值燃烧压力的时间误差在±6°CA范围内（Johnsson，2006年）。鉴于RBF网络本质上是插值方法，它们对外部操作条件（如新的发动机速度或燃料类型）的外推能力有限，这激发了对更具适应性的深度学习架构的需求。这个问题导致了为序列数据设计的深度学习模型，如循环神经网络（RNNs）和长短期记忆（LSTM）网络（Al等人，2024年），它们在时间序列问题方面具有强大的适应能力。然而，在这种情况下，卷积神经网络（CNNs）提供了一个更有吸引力的解决方案。卷积层的关键优势在于它们的功能类似于有限脉冲响应滤波器，这使它们能够模拟物理传递函数的幅度-频率和相位-频率特性，从而在其数据驱动的适应性之上引入了一定程度的物理一致性。Andreas等人提出了一个双分支卷积神经网络（CNN），将低频振动成分分配到一个分支，高频成分分配到另一个分支。这种方法促进了频率特定的处理，使CNN在目标降噪和重建方面更加有效。峰值燃烧压力的平均误差为4.3巴，峰值燃烧压力的时间误差为0.9°CA（Ofner等人，2023年）。这项研究专注于单缸发动机，在顶部死中心（TDC）附近的缸内压力波动更为明显，导致峰值燃烧压力误差略大，峰值压力位置（PPP）的误差也较为明显。此外，由于该模型是在恒定速度1500转/分钟下测试的，因此对其适应不同运行条件的能力也存在担忧。

这些限制背后的主要障碍在于缸内压力与表面振动之间频率域映射的固有不确定性。这种不确定性源于发动机转速的瞬变，这压缩或拉伸了燃烧事件的时间轮廓，从而引入了振动谱的比例缩放。这个问题使得振动谱高度非平稳且依赖于条件，削弱了假设稳态频谱特性的固定特征或静态深度学习模型的可靠性。除了发电场景外，大多数ICE应用不可避免地会遇到速度变化，至少会在经济速度范围内显示波动（Babagiray等人，2022年）。尽管一些模型通过未见数据在多个速度下进行了测试，但很少有模型专门讨论如何减轻速度变化的影响。在使用时域信号重建缸内压力时，分析频率必须随旋转速度的变化而变化，这使得去噪更加复杂（Kumar等人，2025年）。或者，如果使用与曲轴旋转对齐的角度域信号进行重建，可以将频率域转换为阶域，在该域中缸内压力以固定频率比分布（Qin等人，2021年）。然而，由于阶域中的传递函数会随着基频率的变化而变化，因此FRF的估计更加困难。为了动态处理频谱偏移，提出的局部谱质心网络（LscNet）通过离散余弦变换（DCT）将特征图内部转换为频率域，以应用提出的局部谱质心注意力（LSCA）机制。我们的方法是一种时域重建方法，因为它以原始的时间序列振动信号作为输入。然而，为了动态处理频谱偏移，网络通过DCT将特征图转换到频率域，以便应用所提出的局部频谱中心注意力（LSCA）机制。LSCA能够动态处理由于转速变化而引起的振动和缸内压力信号中的频谱偏移。通过利用局部频率中心统计信息，传统频率域注意力的有限固定频谱分析能力得到了提升，实现了全频谱分析。LscNet使用了来自柴油发动机和氨-氢发动机的数据集进行了测试。在可变工作速度下，该模型的性能根据平均绝对误差（MAE）、峰值点火压力（PFP）、峰值压力位置（PPP）、多方指数、热释放率和50%质量分数燃烧时的曲轴角度（CA50）等指标进行了全面评估。结果表明，该方法在1000-1500转/分钟的范围内对柴油发动机和氨-氢发动机平台进行了有效重建，有效地解决了由速度变化引起的频谱非平稳性问题。这为在这些研究条件下的缸内压力重建方法提供了坚实的基础。

**数学原理**
给定一个来自某个气缸的激励，发动机表面振动可以在拉普拉斯域内进行数学表征：
$$
U_{TM}(s) = G(s) \cdot T(s)
$$
其中 $T(s)$ 表示从气缸到测量点的振动传递函数，$U_{TM}(s)$ 是由于该气缸激励而在测量点产生的振动分量。

在测量点，总振动 $U_{TM}(s)$ 包括其他干扰噪声 $U_N$。

**数据采集实验**
从柴油发动机和氨-氢发动机中收集了振动和缸内压力数据（图4）。对于柴油发动机，在气缸盖和气缸体上都安装了加速度计；而对于氨-氢发动机，由于发动机结构限制，仅在气缸体上安装了加速度计。所有数据是在发动机从1000转/分钟逐渐加速到1500转/分钟的过程中，在半开节气门条件下记录的，持续时间为180秒。

**缸内压力重建**
除了对柴油发动机气缸盖振动和氨-氢发动机气缸体振动进行的主要测试外，还进行了辅助测试来重建柴油发动机气缸体数据。这作为基线，用于分离测量点差异与燃料变化的影响。结果如表3所示。
首先，比较角域和时间域重建，时间域的结果明显更优越。这与我们之前的研究结果一致。

**超参数的影响**
超参数是各种机器学习模型中不可忽视的关键因素。分别研究了超参数对模型性能的影响。图13说明了残差块数量对重建精度的影响。结果显示，在柴油发动机和氨-氢发动机的数据集中，使用两个或七个残差块时，PFP和PPP都相对较小；然而，考虑到计算成本，使用两个残差块是一个合理的选择。

**结论**
在这项研究中，提出了一种新的缸内压力重建方法，用于解决可变工作速度下的发动机状态监测问题。随着发动机转速的连续变化，缸内压力激励和振动响应的主要频率及其谐波也会相应变化。当重建模型在频谱域缺乏频率跟踪能力时，它难以准确提取与缸内压力相关的成分，从而限制了重建效果。

**作者贡献声明**
苟鑫：撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、概念化。
张俊宏：监督、资源、项目管理、资金获取。
吴斌阳：资源、资金获取、数据整理。
朱晓龙：数据整理。
戴胡伟：监督、项目管理、资金获取。
林洁伟：撰写——审稿与编辑、监督、项目管理、资金获取、形式分析。

**利益冲突声明**
作者声明与本研究、作者身份或文章发表没有潜在的利益冲突。

**致谢**
作者感谢国家关键研发计划（批准号2024YFB2505404）、高科技船舶研究项目“低速海洋发动机的智能控制与基于状态的维护技术”以及威海动力有限公司（WCDL-GH-2025-0074）的支持。

**作者名单**
苟鑫 | 张俊宏 | 吴斌阳 | 朱晓龙 | 戴胡伟 | 林洁伟
天津大学引擎国家重点实验室，天津，300350，中国