【视频案例】| 利用GT-SUITE缸压分析以检测气缸泄漏

2天前浏览13

一、研究背景及意义

气缸的泄漏量的多少是气缸性能的好环的一个的重要的指示指标。鲁棒性和高保真性的油缸泄漏检测对监测气缸的健康状况具有重要意义。主要体现在以下两个方面：

有助于及早发现问题，避免公司在保修/服务方面的重大支出
减少因油耗增加而产生的不良二氧化碳排放

具体的气缸的泄漏量对于发动机的影响如下图1所示。

图1 缸内泄漏对发动机的影响说明

曲轴箱通风系统通常不被认为是提高内燃机(汽缸)性能的主要因素。气缸泄漏可能是由于衬套磨损，活塞环退化所致。通过排气泄漏的汽缸泄漏会导致发动机性能下降，同时有害排放物(UHC、CO、PM)泄漏到曲轴箱中，反过来对曲轴的使用寿命和润滑油的质量产生不利影响。增加泄漏表明更高的泵气损失和退化的气缸状态,从而降低发动机效率、降低燃油效率和增加二氧化碳排放。在发动机的整个循环过程中，大部分泄漏气体产生的时期是在压缩和膨胀冲程期间。在燃烧过程中，曲轴箱内会产生较高的峰值压力，一部分气体会通过活塞环泄漏到曲轴箱内，活塞环不能保证曲轴箱的完美密封，也不是完全气密性的。

目前的分析试图通过对气缸压力的测量来解决对气缸泄漏的检测能力。对于气缸泄漏量的分析有以下几个问题要解决：

气缸压力相对于气缸泄漏水平的变化是多少?
我们可以使用高速压力传感器来检测汽缸泄漏吗?
在试验发动机中诱导气缸泄漏是困难和不可取的，因此需要采用模拟方法。

对于上述的第二条，试验室级的传感器精度高，但是长时间运行的耐久性有问题，而且成本比较高。最近开发出新的传感器解决的高成本与耐久性的问题。

图2 Kistler 6067水冷气缸压力传感器

二、模型简介

建立GT-SUITE的气缸泄漏模型。有专门的模板用于定义气缸的泄漏模型。

建立康明斯发动机的基本模型，发动机参数是16L,6缸发动机。具体的参数如图3所示。

图3 发动机机型

根据GT-SUITE/GT-POWER专门的模型进行气缸泄漏模型的定义。具体定义如图4所示。

图4 气缸的泄漏模型

其中，图4中的等效的泄漏直径等效为气缸直径的1-5%。分析压缩上止点前：90、60、30、10度和上止点压力与气缸泄漏流量的关系，量化泄漏增加时压力的检测分辨率。

根据分析的需要，对如下的工况点进行分析。

表1 仿真工况点

三、高速高负荷（HSHL）工况点分析结果

高速高负荷的仿真分析的结果如图5所示。

图5 高速高负荷时，泄漏量与对应角度压力的影响

图5中的Non-Dim Leak的计算如下所示：

Non-Dim Leak= (Blowby Flow Rate/ Charge Flow Rate）

随着泄漏量的增加，缸内压力会下降。PCP & P@10BTDC的压力影响最大。而P@60BTDC和P@90BTDC的影响很小(<1 bar)。

在不同的泄漏量条件下，不同曲轴转角对应的压力变化量拟合曲线如图6所示。

图6 不同泄漏量时，不同曲轴转角对应拟合函数

趋势线的斜率可以帮助插值泄漏量对其他未模拟的中间泄漏水平的影响(注意R^2)。从拟合结果来看，拟合质量非常好。

最终拟合出的斜率结果如图7所示。

图7 不同泄漏量时，对应的变化斜率

三个不同曲轴转角度下的压力与标准化气流的变化(针对不同的泄漏水平)。

图8 不同泄漏量的三曲轴转角压力变化

在给定的运行条件下，偏离目标气流量的气缸内压力的变化，可以根据图8所示的曲线给定气缸的泄漏量，也就是能定义气缸的健康状态了。

从而可以得出，随着泄漏量的增加，对缸内的压力有显著的影响。泄漏量随着缸内的压力的变化而变化。并对燃料经济性有一定的影响。具体如图9分析结果。

图9 不同泄漏量对压力和BSFC的影响

四、低速低负荷分析结果

低速低负荷的仿真结果如图10所示。

图10 低速低负荷时，泄漏量与对应角度压力的影响

随着泄漏量的增加，缸内压力会下降。PCP & P@10BTDC的压力影响最大。

而P@60BTDC和P@90BTDC的影响很小(<0.2 bar)。

在不同的泄漏量条件下，不同曲轴转角对应的压力变化量拟合曲线如图11所示。

图11 不同泄漏量时，不同曲轴转角对应拟合函数

趋势线的斜率可以帮助插值泄漏量对其他未模拟的中间泄漏水平的影响(注意R^2)。从拟合结果来看，拟合质量非常好。

最终拟合出的斜率结果如图12所示。

图12 不同泄漏量时，对应的压力变化斜率

三个不同曲轴转角度下的压力与标准化气流的变化(针对不同的泄漏水平)。

图13 不同泄漏量的三曲轴转角压力变化

在给定的运行条件下，偏离目标气流的气缸内压力的变化，可以根据图13所示的曲线给定气缸的泄漏量，也就是能定义气缸的健康状态。

从而可以得出，随着泄漏量的增加，对缸内的压力有显著的影响。泄漏量随着缸内的压力的变化而变化。并对燃料经济性有一定的影响。具体如图14分析结果。

图14 不同泄漏量对压力和BSFC的影响

从图14的结果可以看出，当泄漏量大时，低速低负荷相对于高速高负荷会有气体倒流（从曲轴箱回到气缸内的情况），这在许多文献里面也有详细说明。

而对于BSFC的影响，低速低负荷的影响更显著一些。

五、结论及展望

本文根据GT-SUTIE/GT-POWER建立起的气缸的泄漏模型，根据缸内的测试压力进行气缸的健康状态进行判断。

根据仿真的结果，可以得出以下结论：

无论是在高速还是低速负载条件下，随着泄漏水平的增加，气缸压力都受到了显著影响。

这种影响在PCP和P@10 degBTDC上特别显著的能观察到。当我们远离气缸压力峰值时，影响逐渐减小。泄漏量随气缸压力曲线变化而变化，最大泄漏发生在PCP附近。在低负荷情况下，在某些曲柄角度存在反向泄漏流。

在较低负载下，即使低于1%的标准化泄漏水平也会导致PCP和P@10 degBTDC减少约1 bar，而在高负载下，这一减少量约为7 bar。这表明，如果发动机主要在低负载条件下工作，传感器应该足够好，能够准确地解决高达1bar的压力精度，从而能够捕捉到泄漏。

由于从PCP和TDC角度可以看到高达>10度的影响显著，所以传感器的曲轴转角分辨率不应该是一个问题。

该研究有助于量化气缸压力传感器的分辨率，以捕捉在两种关键工况下由于气缸泄漏而导致的气缸健康退化。

未来的模拟工作包括验证多个发动机系列、运行条件和瞬态占空比的结果，并根据性能退化(燃油经济性)定义气缸健康公差水平。

参考文献：

GammaTechConference_CylinderLeakageAnalysis_v2.pdf（Cummins-GT2020全球用户大会文章）

来源：艾迪捷

人工智能 | IDAJ带您探索最具前景的深度学习模型——生成对抗网络（GAN）

摘要生成式对抗网络（GAN, GenerativeAdversarial Networks ）是一种深度学习模型，是近年来深度学习研究中最具前景的方法之一。模型通过构建两个模块：生成器（Generator）和判别器（Discriminator）的互相博弈学习产生高质量的图片输出，解决了图片生成的难题。本文将介绍生成对抗网络基本的工作原理，以及在工业设计领域的一些应用。介绍近年来，深度学习技术的发展有了长足的进步，相比于传统机器学习技术需要人为设定特征提取方法，而深度学习技术凭借更大的容量，可以自行学习特征提取而无需人工干预。见图1。图1. 深度学习和机器学习的区别常见的深度学习算法所训练的模型对于给出标量等数据有很好的效果，但是在给出高维张量并使得该张量组成的数据有意义的情况下，却做的不是很好，例如输出高质量的图片、音频以及视频。在这个方面基于生成对抗网络（GAN）所训练的模型就能生成出非常逼真的照片，图像甚至视频。说明下面将详细介绍生成对抗网络（GAN）的设计基本原理。生成对抗网络（GAN）由2个重要的部分构成，结构见图2：1. 生成器(Generator)：通过生成器模型生成数据（大部分是图像），目的是“骗过”判别器；2. 判别器(Discriminator)：判断收到图像是真实的还是生成器生成的，目的是找出生成器做的“假数据”图2. 生成对抗网络的结构下面详细介绍一下过程：第一阶段：固定「判别器D」，训练「生成器G」；让一个「生成器G」不断生成“假数据”，然后给这个「判别器D」去判断。一开始，「生成器G」的能力很弱，所以很容易被判别器识别出来。但是随着不断的训练，「生成器G」的能力不断提升，最终可以骗过了当前的「判别器D」。到了这个时候，「判别器D」的能力不足以给出判断，断是否为假数据的概率为50%。第二阶段：固定「生成器G」，训练「判别器D」，在这一阶段，继续训练「生成器G」已经没有意义。这时需要固定「生成器G」，然后开始训练「判别器D」。通过不断的给入真实的数据和「生成器G」生成的假数据，来训练「判别器D」提高了鉴别能力，最终可以准确的判断出所有的假图片。到这个时候，「生成器G」已经无法骗过「判别器D」。循环阶段一和阶段二，通过反复的迭代，「生成器G」和「判别器D」的能力都越来越强。最终得到了一个效果非常好的「生成器G」，我们就可以用它来生成我们想要的图片或者其他数据了。GAN结构的优势在能训练任何一种生成器网络，而其他的框架需要生成器网络有一些特定的函数形式。而GAN结构的问题在于训练困难，不稳定。生成器和判别器之间需要很好的同步，而在实际训练中很容易导致生成器的梯度消失，或者导致生成器只生成重复但“安全”的样本，使得多样性变差。通过给数据样本增加噪声以及通过变更分布评价的方法可以一定程度改善训练的情况，但是总体来说使用GAN这一方法，还是很依赖于工程人员对于模型以及工程问题的理解。应用下面介绍一些基于生成对抗网络结构的应用，通常来说，生成对抗网络虽然可以生成清晰的图片，但是图片输出的内容难以控制。这里为了输出期望的图片内容，需要在模型训练时加入控制的条件，这个结构叫做cGAN。图3为基于cGAN结构训练的模型用来做内燃机喷雾预测的案例，通过给定不同的输入条件，模型可以实时输出对应的喷雾形状分布。与实际的分布情况对比发现，趋势基本一致。图3. 内燃机燃油喷雾预测案例将训练好的模型打包并通过二次开发封装，可以把训练好的模型做成实际可用的工具。图4为基于上述模型开发而成的燃油喷雾预测工具互动界面，其中使用人员可以通过调整右侧的工具条来获得实时对应的喷雾输出情况，像这样类似的工具可以有效的协助设计人员提升效率。图4. 内燃机燃油喷雾预测交互界面上述应用案例的输入为给定的分布或数字，而在某些实际的应用中，希望通过研究不同的输入的图形而给出对应的输出的图形。在这种情况下，需要模型结构可以读取图片而给出相应的图片。实现这种条件需要用到一种结构叫做pix2pix，pix2pix结构是GAN模型的变形，可以把一张图片转换为类似的图片。非常适合用来计算不同结构形状所对应的输出参数分布。图5的案例为给定不同形状的电机转子，通过pix2pix模型训练后，用来预测对应形状磁通量分布的例子。如果训练的情况良好，生成的模型可以实时给出精度很高的预测结果，从而替代大量的CAE计算。图5. 电机转子磁通量分布预测案例上述的案例输出的图像为一个三维的张量，如果对于输出的图片增加一个时间维度，便可以输出一系列基于时间变化的图片组，从而生成一段视频。如图6所示。图6. 电子转子磁通量分布预测总结通过上述的案例可以发现，生成对抗网络的技术可以替代常规的CAE仿真计算，为工业设计人员提供快速的结果参考，从而帮助设计人员提高效率并节约时间。然而模型的训练过程却有一定难度，需要相应的经验和对理论的理解才能得到满意的结果。来源：艾迪捷