SYSTEMSKISS Philip Nilsson Version 1.0 Status Granskad 2015-09-22 BoL Godkänd
PROJEKTIDENTITET HT2015, Detektion och felisolering i förbränningsmotorer Linköpings Universitet, Institutionen för systemteknik Namn Ansvar Telefon E-post Bohan Liang Projektledare (PL) 073-5840266 Markus Vilhelmsson Testansvarig (TA) 073-0642161 marvi038@student.liu.se Max Karjalainen Designansvarig (DA) 070-3757791 maxka588@student.liu.se Minh Le Tran Dokumentansvarig (DOC) 073-3329251 minle240@student.liu.se Philip Nilsson Mjukvaruansvarig (MA) 073-5284886 phini326@student.liu.se Erik Carlsson Dataansvarig (DA) 070-2951001 erica797@student.liu.se E-postlista för hela gruppen: Hemsida: http://www.isy.liu.se/edu/projekt/tsrt10/2015/enginerootfaultdiagnosis/ Kund: Volvo Car Sverige AB, 405 31 GÖTEBORG, Växel 031-3250200 Kontaktperson hos kund: Mikael Krizmanik, mikael.krizmanik@volvocars.com Kursansvarig: Daniel Axehill, B-huset 2A:581, 013-28 40 42, daniel@isy.liu.se Handledare: Daniel Jung, 013-28 20 35, daner@isy.liu.se
Innehåll 1 Inledning... 5 2 Bakgrund... 5 3 Översikt av systemet... 5 4 Modellering... 6 4.1 Modellering av motorn... 6 4.2 Validering av modell... 6 4.3 Simulering av fel... 6 5 Diagnos... 7 5.1 Detektion... 7 5.2 Isolering och rangordning... 8 5.3 Test... 9 6 Analys... 9 6.1 Analys av detekterbarhet och isolerbarhet givet modellen... 9 6.2 Analys av diagnosprestanda med avseende på extra sensorer... 9 6.3 Val av arbetspunkter... 9 6.4 Analys av falsklarmssannolikhet... 9 6.5 Analys av teststorheter... 10 6.6 Analys av modellnoggrannhet... 10 6.7 Analys av systemets realtidsprestanda... 10 Referenser... 11
Dokumenthistorik Version Datum Utförda förändringar Utförda av Granskad v 0.1 2015-09-17 Första utkast BoL, PhN v 0.2 2015-09-21 Andra utkast BoL, PhN v 0.3 2015-09-22 Tredje utkast BoL, PhN v 1.0 2015-0922 Första versionen BoL, PhN BoL
1 Inledning Detta dokument kommer att ge en överblick över hur det diagnossystem som kommer tas fram i projektet ska se ut. Även de analyser och den dokumentation av metodiken som använts för att ta fram diagnossystemet beskrivs i detta dokument. Projektets fokus ligger på modellbaserad diagnos, dess tillämpning på en modern förbränningsmotor samt analys av diagnossystemet. Analyserna ska bland annat göras ur detekterbarhets och isolerbarhetsperspektiv. 2 Bakgrund Feldetekterings- och felisoleringsalgoritmer övervakar komponenter och delsystem för att larma då komponenter felar eller inte längre uppfyller sin funktion. I personbilar är motordiagnostikalgoritmer en central och viktig del av styrsystemets funktionalitet och algoritmerna körs typiskt i realtid under normal drift av fordonet. Diagnosfunktionaliteten kan vara riktad mot On-Board Diagnostics (OBD)- lagstiftning som krävs för certifiering av fordon, eller användas som information till verkstadstekniker för att effektivisera felsökning. En enkel beskrivning av ett diagnossystem är att ett antal, så kallade teststorheter, är implementerade som detekterar olika fel. I en ideal situation har man en teststorhet för varje typ av fel och då blir felutpekningen trivial, eftersom varje larm direkt pekar ut en specifik komponent. I ett komplext system som en modern förbränningsmotor i en personbil, är det inte realistiskt med en sådan ideal situation. Detta beror delvis på att det skulle krävas en stor mängd sensorer, något som inte är ekonomiskt eller tekniskt möjligt idag. Dessutom, i en motor är delsystemen ihopkopplade på så sätt att en förändring i en komponent kommer påverka hela systemet vilket gör att ett fel på ett ställe manifesterar sig även i andra delar av motorn och ett fel kan leda till larm i flera teststorheter. Exempelvis är insug och avgas-sidorna ihopkopplade via turbo och kompressor och ett läckage av luft kan leda till onormala luftflöden på flera positioner vilket kan ge upphov till larm och samtidigt oväntade tryck vilket också kan ge larm. Att systemet dessutom är dynamiskt, det vill säga det tar en viss tid innan fel börjar påverka systemet, bidrar med ytterligare komplexitet. Fel kan också uppenbara sig under speciella driftsförhållanden för att senare inte visa sig under andra driftsförhållanden. Det kan också vara fel som försvinner efter en tid, till exempel en kloggning som sedan släpper. Dessa fel kallas för intermittenta fel och kan vara svåra att återskapa och därmed åtgärda. 3 Översikt av systemet Systemet kommer att bestå av två större delar som här kommer att beskrivas i korthet. Den första delen är den modell som kommer att användas för att modellera det nominella beteendet samt felmoder hos förbränningsmotorn. Den andra delen är själva diagnossystemet, vars uppgift det är att så långt som möjligt peka ut vad som faktiskt är fel i motorn. Figur 1: översikt av systemet visar en översikt av systemet där kopplingen mellan motormodell, motor och diagnossystem syns. Motor Sensordata Filter Styrsignal Diagnossystem Motormodell Modell output Figur 1: översikt av systemet
För att kunna fastställa huruvida det är fel på motorn eller inte behövs redundans. Redundansen ges av att kombinera modellerade med uppmätta värden. Detta gör det möjligt att konstruera teststorheter som reagerar på olika uppsättningar av fel. Vidare kommer diagnossystemet isolera vilka fel det är som möjligen kan orsaka det uppmätta beteendet. Slutligen rangordnas de möjliga diagnoserna efter vilken feluppsättning som mest sannolikt orsakar beteendet. 4 Modellering En grundförutsättning för diagnossystemet är att en modell av den aktuella motorn utvecklas. Den slutgiltiga modellen ska simulera motorn och producera relevant simuleringsdata för vidarebehandling av diagnosalgoritmerna. 4.1 Modellering av motorn Modelleringen av motorn sker komponentvis. Figur 2 nedan visar en principskiss på modellen med samtliga ingående komponenter. Pressure sensor Intake manifold Cylinders Exhaust manifold Turbine Throttle control Intake throttle Intercooler Compressor Position sensor Pressure, temperature sensor Figur 2: flödesschema som visar relationer mellan delkomponenterna i motorn Vid projektets start hade en modell av motorn framtagits av Fordonsystem, ISY. Parametrisering av samtliga delkomponenter, som beskrivs av block i ovanstående figur, ska kontrolleras mot dimensioner och egenskaper som motsvarar den fysiska motorn. 4.2 Validering av modell Innan validering av modellen sker ska mätdata från ett urval av den tillhandahållna motormappen väljas ut. Arbetspunkterna väljs så att motorns egenskaper fångas på ett sätt som är representativt för hur den används i verkligheten. Modellen ska sedan valideras mot tillgängliga mätdata genom simulering. Detta utförs först komponentvis och för hela motormodellen. Valideringen sker huvudsakligen på två olika sätt. Komponenterna valideras dels genom att jämföra de modellerade värdena mot uppmätta statiska värden. Detta ger information om modellens validitet i statiska arbetspunkter. Vidare sker valideringen genom att jämföra modellens och den faktiska motorns beteende under dynamiska förlopp, exempelvis då motorn rör sig mellan olika arbetspunkter. Denna validering ger information om huruvida modellen klarar av att beskriva de dynamiska förlopp som exempelvis kan vara förknippade med svagt detekterbara fel. En stor del av den statiska valideringen är redan gjord genom att jämföra en uppmätt motormapp med simulerade värden. På grund av detta kommer främst de delar av modellen som inte är tillräckligt bra för att utnyttjas till diagnos att modelleras om och valideras på nytt. 4.3 Simulering av fel Eftersom alla de fel som kan inträffa i ett verkligt scenario inte kommer att kunna testas i laborationsmiljö krävs även möjligheten att simulera motorns beteende vid inträffade fel. Exempel på fel som eventuellt inte kommer vara möjliga att införa på den fysiska motorn är hål i de olika komponenterna. För att testa den här typen av fel behövs således en motormodell som klarar av att simulera scenarion där det är fel på motorn. Detta innebär att felens påverkan i form av extra dynamik behöver introduceras i den ursprungliga modellen. MAF sensor
För att introducera den extra dynamiken läggs felmodeller som beskriver motorns beteende då fel inträffar till i modellen. Dessa felmodeller kan sedan användas för att simulera felbeteende hos motorn. 5 Diagnos Diagnossystemet kan delas upp i två delar: Detektion och isolering. Detektionssteget i diagnosen går ut på att detektera fel, i isoleringssteget ska sedan de möjliga orsakerna till felet pekas ut i form av diagnoser. Slutligen kommer diagnoserna rangordnas efter vilken diagnos som med högst sannolikhet stämmer. En översikt av diagnossystemet visas i Figur 3 nedan. Diagnossystem Motor och motormodell Filtrerad sensordata Modell outout Generera residualer Residualer Utvärdering av residualer och tröskling Larm Felisolering och rangordning Diagnosbeslut Figur 3: diagnosdelens principskiss 5.1 Detektion Detektion utgör de två första blocken inuti diagnossystemet i Figur 3. För att detektera de olika fel som finns krävs först och främst att de modellekvationer som ingår i motormodellen sammanställs. Sensordata från den fysiska motorn ska vid behov förbehandlas före användning. De felen som är av värde att detekteras presenteras i Tabell 1 nedan: Fel Beskrivning f paf Ökat tryckfall över luftfiltret som simulerar en strypning av luftflödet i luftfiltret. fw af Luftläckage genom ett hål med variabel diameter efter MAF-sensor och före kompressorn. fw th Luftläckage genom ett hål med variabel diameter efter gasspjället i insugsröret. fw ic, fw c fc vol Luftläckage genom ett hål med variabel diameter efter kompressorn och före gasspjället. Insugsventilens ställdon har fastnat vid godtycklig position (volymetrisk effektivitet som funktion av position). f wt Ökad friktion i turbinen. fx th Gasspjällslägets position mäts felaktigt. fy waf Mätningsfel av luftmassflöde.
fy pim Fel i sensorn för tryck i insugningsröret fy pic Laddtrycksensor, mätfel (turbo) fy tic Laddtemperatursensor, mätfel (turbo) Tabell 1: olika fel som kan uppstå i motorn Ett fel detekteras genom att en teststorhet konstrueras. En teststorhet kan bland annat skapas baserat på följande metoder: Prediktionsfel Konstruktion av residualer via konsistensrelationer eller observatör Likelihoodfunktioner Parameterskattning För varje fel ska tillämpning av ovanstående metoder analyseras och slutgiltiga valet motiveras. För att genera larm från teststorheter behövs trösklar. Trösklar designas så att icke normalt beteende hos teststorheten fångas och avvägning mellan falsklarm och missad detektion når den önskade nivån. Trösklar kan även vara adaptiva och variera i storlek så att falsklarmsannolikheten är detsamma över olika arbetspunkter. Ett exempel på en metod som kan användas för tröskling är Cumulative SUM (CUSUM). 5.2 Isolering och rangordning För att kunna peka ut vilket eller vilka fel som kan orsaka ett visst beteende krävs i det ideala fallet att man för varje fel har minst en sensor som övervakar felet. I det här projektet och även i praktiken kommer detta inte vara möjligt då en förbränningsmotor är ett så pass komplext system och fler sensorer är inte ekonomiskt optimal. Istället kan man dra slutsatser om vilken diagnos som är möjlig genom att utnyttja att de olika felen påverkar olika teststorheter. Denna information kan sedan sammanställas i en isolerbarhetsmatris för att visa vilka fel som kan isoleras. Vidare kan en beslutsstruktur tas fram, ur vilken en diagnos kan tas fram beroende av vilka teststorheter som har larmat. I det fall att det inte går att isolera vilket fel det är som orsakar motorns felbeteende ska de möjliga diagnoserna rankas. Detta skulle i någon mån kunna åstadkommas genom att räkna antalet teststorheter som larmar för de olika diagnoserna. Har man två diagnoser, så kommer man i vissa fall kunna säga att den diagnos som har sin grund i att flest teststorheter larmar är mer sannolik än den andra. Det finns dock stora begränsningar med denna metod, då den indirekt utnyttjar det faktum att vissa teststorheter ännu inte har larmat. En metod som i praktiken skulle vara mycket användbar är att bygga en databas över de fel som uppkommer. I databasen loggas sedan vilka fel som är vanligast och utifrån detta kan man på en verkstad börja med att undersöka det fel som är mest frekvent förekommande. Felens sannolikhet kan då skattas från historisk data och sannolikhetbaserad diagnos tillämpas. Ett annat försök för rangordning som är värt att undersökas är att man succesivt ökar den tillåtna falsklarmsannolikheten genom att justera tröskeln. De felen som efter justeringen orsakar förändringar i beslutsstrukturen rankas därefter.
5.3 Test Diagnossystemet testas genom att felen injiceras i den fysiska motorn. Felen som inte går att injicera fysiskt ska införas i simuleringsmiljö. Även systemets realtidsegenskaper ska testas och analyseras med avseende på exempelvis beräkningstyngd och detektionshastighet. Generellt kan sägas att alla de fel som har med feluppmätt sensordata att göra går att införa i den fysiska motorn via Volvos styrsystem INCA. De fel som inte kommer att kunna testas experimentellt är framförallt den typ av fel som kräver fysiska ingrepp på motorn. Exempel på detta är läckage som skulle kunna åstadkommas av hål orsakade av korrosion. Denna typ av hål vet man dessutom på förhand inte hur de ser ut, vilket gör att det skulle vara svårt att införa dessa även om motorn kunde modifieras fritt. 6 Analys Alla separata delar av diagnossystemet ska analyseras för att kunna utvärdera huruvida de kunde göras bättre. Vidare ska den metodik som ligger bakom framtagandet av diagnossystemet dokumenteras och analyseras. Dessa analyser ska kunna ligga till grund för vidareutveckling av diagnossystem. 6.1 Analys av detekterbarhet och isolerbarhet givet modellen Den detekterbarhet som uppnås kommer att bero på hur de olika felen syns i de modellekvationer som motormodellen består av. Detekterbarheten för de olika felen ska således dokumenteras och en analys ska göras som ska förklara vad som skulle krävas för att utöka systemets detekterbarhet. Analysen ska även inkludera resonemang vad gäller huruvida de olika felen är svagt respektive starkt detekterbara samt ifall att diagnosprestandan hos systemet skulle kunna höjas ifall fler fel var starkt detekterbara. Det arbete som leder fram till den isolerbarhetsmatris som ligger till grund för beslutsstrukturen i diagnossystemet ska sammanställas i en analys. Syftet med denna är att visa hur den resulterande isolerbarhetsprestandan uppnåtts. Vidare ska analysen förklara hur man, om möjligt, kan uppnå bättre isolerbarhetsprestanda. 6.2 Analys av diagnosprestanda med avseende på extra sensorer Det är möjligheterna att skapa teststorhet som avgör detekterbarheten av felen och dessa möjligheter ska motiveras i samband med icke-detekterbara fel. Om ett fel ej kan detekteras utförs en analys om möjligheten att installera extra sensorer. 6.3 Val av arbetspunkter De arbetspunkter som används för att utföra tester av diagnossystemet ska väljas för att representera motorn under typiska arbetsförhållanden med avseende på last och varvtal. Arbetspunkter väljs först och främst för att validera den felfria modellen av motorn. Fel injiceringarna sker också under de valda arbetspunkterna. En analys som motiverar de valda arbetspunkterna ska göras, för att säkerställa ett så bra urval som möjligt. 6.4 Analys av falsklarmssannolikhet Eftersom falsklarm är högst oönskade i den här applikationen så kommer den uppnådda falsklarmssannolikheten att utvärderas. De värden som valts på trösklarna för de olika testerna kommer att spegla en avvägning mellan falsklarmssannolikhet och missad detektion. Analysen av falslarmssannolikhet ska alltså utvärdera huruvida den uppnådda falsklarmssannolikheten är tillräcklig. Vidare ska, om möjligt, vidareutveckling föreslås för att förbättra förhållandet mellan falsklarm och missad detektion.
6.5 Analys av teststorheter De teststorheter som tas fram ska analyseras med avseende på den metod som använts. Syftet är att ta reda på vilken prestanda de olika teststorheterna har, det vill säga vilka som är mest tillförlitliga och användbara för diagnos. Ett exempel på en praktiskt användbar metod för att utvärdera prestandan hos teststorheter är styrkefunktioner. 6.6 Analys av modellnoggrannhet Modellnoggrannhet analyseras i samband med modellvalideringarna. Vid validering av varje delmodell ska delmodellens exakthet analyseras och dess användbarhet ur en diagnostisk synvinkel analyseras. Om en delmodell inte kan uppnå önskad kvalité för diagnostikens ändamål ska fortsatt användning motiveras. Möjligtvis kan modellen användas enbart inom en delmängd av valda arbetspunkter där modellens noggrannhet är god. 6.7 Analys av systemets realtidsprestanda Diagnossystemets reaktionstid kan variera beroende på olika typer av fel. Det är därför värdefullt att analysera systemets realtidsprestanda för att undersöka huruvida systemet kan vidareutvecklas i syfte att arbeta online i ett fordon. Även den tid det tar för systemet att detektera och isolera de olika felen är intressant ur ett realtidsperspektiv.
Referenser Publicerade källor Eriksson, Lars & Nielsen, Lars(2014), Modeling and Control of Engines and Drivelines. 1 uppl, John Wiley and Sons Ltd. ISBN 978-1-118-47999-5 Elektroniska källor CARB (2002).California s OBD-II regulation. Section 1968.2, Title 13, California Code of Regulations (http://www.arb.ca.gov/) Opublicerade källor Nyberg, Mattias & Frisk, Erik (2014), Model Based Diagnosis of Technical Processes. Institutionen för systemteknik vid Linköpings universitet (kurskompendium), Linköping