A Non-Stationary System Diagnosis Using Fuzzy Pattern Recognition. Application to Engine Knock Diagnosis. Diagnostic d'un Système Non Stationnaire à Partir D'une Approche de Reconnaissance Desformes Floue. Application au Diagnostic de Cliquetis Moteur

A Non-Stationary System Diagnosis Using Fuzzy Pattern Recognition. Application to Engine Knock Diagnosis

Diagnostic d'un Système Non Stationnaire à Partir D'une Approche de Reconnaissance Desformes Floue. Application au Diagnostic de Cliquetis Moteur

Jean-Hugh Thomas

Institut d'Acoustique et de Mecanique MIAMI École Nationale Supérieure des Ingénieurs du Mans (ENSIM) Universite du Maine Rue Aristote 72085 Le Mans cedex 9

Corresponding Author Email: 
jean-hugh.thomas@univ-lemans.fr
Page: 
203-216
|
DOI: 
https://doi.org/10.18280/mmep.040108
Received: 
13 May 1998
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

Knock is a well-known problem for spark-ignition engine manufacturers . Knock detection helps achieve the best compromise between increasing engine efficiency, fuel consumption and present requirements with regard to exhaust emission legislation . The ignition timing is usually controlled so that knock never occurs even with fuel quality changes. The advantage of a knock detection method is to work within close range of knocking conditions but avoid its occurrence. The purpose of our study consists in highlighting several knock intensities from block vibration signals provided by an accelerometer. Our aim is to differentiate three kinds of engine cycles : absence of knock, increasing knock and heavy knock . The developped diagnostic approach deals with fuzzy pattern recognition. After describing the diagnostic architecture line modules and their functions, experimental results from data acquired from an engine test bench are reported. The method, experimented on a learning set, leads to several diagnoses that cooperate. 

Résumé 

Le cliquetis dans les moteurs à allumage commandé demeure un problème pour les motoristes . La détection du cliquetis doit en effet permettre de réaliser un compromis entre l'optimisation du rendement du moteur, la consommation de la voiture et le respect des normes en matière de dépollution. Souvent l'allumage est réglé avec une marge de sécurité qui garantit l'absence de cliquetis même en cas de variations de la qualité du carburant. L'enjeu de l'élaboration d'une méthode de détection de cliquetis est de se rapprocher le plus possible des conditions limites de cliquetis tout en évitant son apparition . L'objectif de l'étude présentée consiste à évaluer l'intensité du cliquetis produit dans la chambre de combustion à partir d'un enregistrement fourni par un accéléromètre placé sur le bloc moteur. Son but est de reconnaître trois types de cliquetis :l'absence de cliquetis, le cliquetis naissant et le cliquetis violent. L'approche envisagée pour mener à bien cette détection fait appel aux techniques du diagnostic par reconnaissance des formes floue. L'ensemble des modules mis en couvre conduisant au diagnostic est décrit ainsi que leurs fonctionnalités. Une expérimentation sur données réelles acquises sur banc moteur est proposée . La méthode, mise au point à l'aide d'un ensemble d'apprentissage, conduit à la réalisation de plusieurs processus de diagnostic qui coopèrent. 

Keywords: 

Supervised diagnosis, Fuzzy pattern recognition, Time-scale analysis, Knock detection .

Mots clés 

Diagnostic en mode supervisé, reconnaissance des formes floue, analyse temps-échelle, détection de cliquetis . 

1. Introduction
2. La Base de Travail
3. Le Processus de Diagnostic
4. Résultats
5. Conclusion et Perspectives
6. Remerciements
  References

[Barg95] M. Bargende. Critèrede point fort et détection automatique ducliquetis. MTZ,5600) :632-638,1995, 

[Bart92] R. Bartz, G. SchmitzandP.Bohnke. Nouvelles méthodes pourdétecter le cliquetis dans les moteursà essence. MTZ, 53(6):296-293, 1992. 

[Bez8 1] J. C. Bezdek. Pattern Recognition with fuzzy objective function algorithms.PlenumPress, 1981. 

[Chi87] M. Chiollaz, P . Flandrin and N. Gache. Utilisation de lareprésentation de Wigner-Villecomme outil de diagnostic des défauts de fonctionnement de moteurs thermiques. Onzième colloque Gretsi,pages 579-582, Nice,Juin 1987. 

[Chu89] K.M. Chun and J.B. Heywood. Characterization of knock in a sparkignition engine. SAE, (890156) :1-14, 1989. 

[Chu94] K.M. Chun and K.W. Kim. Measurement and analysis of knock in a SI engine using the cylinder pressure and block vibration signals. SAE, (940146) :286-293,1994. 

[Cho57] C. K. Chow. An optimum recognition error and reject tradeoff. IEEE Transactions on Information Theory, 16(5) :41-46, 1957. 

[Did82] E. Diday, J. Lemaire, J. Pouget and F. Testu. Eléments d'analyse des données. Dunod, 1982. 

[Dub90] B. Dubuisson. Diagnostic et reconnaissance des formes. Traité des NouvellesTechnologies série Diagnostic et Maintenance.Hermès, 1990. 

[Dud73] R.O. Duda and RE. Hart. Pattern classification and scene analysis . Wiley-Interscience Publication, 1973. 

[Est77] D. Esteban and C. Galand. Application of quadrature mirror filters to split band voice coding schemes. InICASSP-77,IEEE Int. Conf. on Acoust., Speech and Signal Proc., pages 191-195, 1977.

[Fis36] R.A. Fisher. The use of multiple measurements in taxonomic problems . Annals Eugenics, 11(7) :179-188, 1936. 

[Fre92] C. Frelicot. Un système adaptatifde diagnosticprédictifpar reconnaissance des formes floue. Thèse de doctorat, Université de Technologie de Compiègne, 1992. 

[Fre95] C. Frelicot, M. H. Masson and B. Dubuisson. Reject options in fuzzy classification rules. InProc. EUFIT'95, volume III, pages 1495-1464, Aachen, Germany, August 1995. 

[Fer96] C.V. Ferraro, F. Millo, C. Fenoglio and F. Imperio. A critical analysis of knock-detection methods based on cylinder pressure analysis. In IstInternational Conference on Control and diagnostics in automotive applications, pages 293-304, Genova(Italy), October 1996. 

[Gue94] O. Guetta and A. Morandat. Détection du cliquetis par analyse tempsfréquence et traitement d'images sur des signaux de pression chambre.Journées thématiquesduGDR TdSIetcolloque, tempsfréquence, ondelettes et multirésolution :théories, modèleset applications,pages 36.1-36.4, INSALyon, Mars 1994. 

[Mas92] M. H. Masson.Contribution à l'élaboration d'une méthode dedécision avec rejetparréseauxde neurones. Application à la surveillance de systèmes. Thèsededoctorat, Université deTechnologie de Compiègne, 1992. 

[Mas96] M. H. Masson, B. Dubuisson and C. Frelicot. Conceptiond'un module de reconnaissance des formes floues pourlediagnostic. RAIRO-APII-JESA, pages 319-341, 1996. 

[Mo195] F. Molinaro and F. Castanie. Signal processing pattern classification techniques to improve knock detection in spark ignition engines .Mechanical Systems and Signal Processing, 9(1) :51-62, 1995.

[Pa1911 S.K. Pal. Fuzzy tools for the management of uncertainty in pattern recognition, image analysis, vision and expert systems .Int. Journal ofSystems Science, 22(3) :511-549, 1991 . 

[Puz92] P.V. Puzinauskas. Examination of methods used to characterize engine knock. SAE, (920808) :1-13, 1992. 

[Tho96] J.H. Thomas.Etude de méthodesde diagnostic par reconnaissance des formes floue. Application à deux situations issues du domaineautomobile. Thèsede doctorat, Université deTechnologiede Compiègne, 1996. 

[Tho97] J.H. Thomas, B. Dubuisson and M.A. Dillies-Peltier. Engine knock detection from vibration signals using pattern recognition.Meccanica,32(5) :431439, 1997, 

[Zha92] Q. Zhang and A. Benveniste. Wavelet networks. IEEETransactions on Neural Networks,3(6) :889-898, November 1992.