潍柴动力股份有限公司 山东潍坊 261061
摘要:发动机是为机械设备运行提供动力的主要设备之一。如果发动机出现故障,整个设备无法正常工作,不仅会给企业带来经济损失,还可能威胁到工作人员的人身安全。船舶运行状态的监测与分析是保证船舶安全运行的基本措施。发动机故障在船舶运行中是不可避免的,因此对船舶发动机进行有效监测具有重要意义。对此,相关研究人员进行了研究。将灰色预测模型应用于船舶发动机故障诊断。该方法可以有效地诊断船舶发动机故障,但对船舶发动机异常信号的预测精度较低。在现有的船舶性能仿真模型中增加故障接口进行扩展仿真,通过注入故障参数得到船舶发动机故障点监测方法。该方法可以快速发现发动机故障,但考虑到实际情况,无法在实际船舶中应用;船舶机械故障监测方法是由原子发射光谱分析、红外光谱分析、PQ铁磁粒子分析和其他指数检测方法和监测过程的目的是实现船舶机械故障的诊断和分析,但这种方法比较复杂,实际操作表现不佳。
关键词:在线油液监测;船舶发动机;故障
1船舶发动机中油液特征信息的提取
单一的在线油液监测技术不能完全描述船舶发动机的故障类型和原因,在故障预测和故障判定方面存在局限性。因此,有必要设计一个集成的传感器系统,通过传感器系统获取发动机中润滑油的相关特征信息。传感器系统,在线铁谱传感器,油在线油水分传感器,在线油粘度传感器、微泵和其他组件设置提取粘度、含水量和磨料浓度发动机润滑油的特点,然后收集到的数据传输到服务结束的机舱控制室通过PC104总线。图1为油液监测集成传感器系统的整体架构图。
.png)
图1在线油液监测集成传感器系统架构图
2船舶发动机故障诊断
利用Parzen窗法划分各类故障油液特征信息样本的界限值,根据界限值将油液特征信息样本划分为正常、警告和异常3种;利用Weka软件对油液特征信息样本数据进行挖掘,并对提取到的油液特征进行光谱分析,实现对船舶发动机故障状态检测与判断。
2.1基于Parzen窗法的界限值制定
传统界限值制定方法获取的数据并不全面。本文根据油液监测数据估算出其概率密度函数,获取油液监测数据的概率分布,结合线性算子设定船舶发动机故障诊断界限值。油液监测数据估计概率密度函数Q(x)为:
.png)
式中:H为发动机磨损诊断界限值;p(t)为t时刻的发动机磨损诊断界限值。结合线性算子方程得到船舶发动机故障诊断界限值P:
.png)
其中
.png)
式中:x为特征元素浓度。通过式(2)可以得出一组关于分布函数的油液特征信息样本为x1,x2,…,xl,以概率论为依据表明该组油液特征信息样本独立分布。因此利用已给出的分布函数特征信息样本构建经验分布函数,以l作为样本数量,该经验分布函数Qt(x)的公式为:
.png)
通过式(3)经验函数的计算,利用给定油液特征信息样本分布密度估计整体概率密度。假设d维空间中存在样本点x,油液特征信息样本的总数为N,对样本点x的分布概率密度进行估计。假设超立方体体积为VN,且该立方体以x为中心,其边长为hN,则该立方体的体积为:
.png)
该立方体涵盖大量的油液特征信息样本点,假设这些样本点的数量为rN,构建函数,且要保证该函数满足:
.png)
式中:ω(u)为函数限制条件;|uj|为立方体样本密度。则超立方体内部的样本点数量为:
.png)
结合式(6)得到概率密度函数估计值HN(x)为:
.png)
根据该概率密度函数将油液特征信息样本划分为正常、警告和异常3种,油液特征信息具体属于哪一种需要根据船舶油液监测的实际数据与发动机实际情况决定。
2.2基于Weka平台的发动机故障元素规则提取
采用Weka平台对船舶发动机的油液特征信息进行数据挖掘和规则提取,构建船舶发动机故障诊断知识库,提升船舶发动机故障分析的智能化水平。船舶发动机油液特征信息的挖掘和规则提取,是在决策树分类算法基础上实现的,决策树分类算法通常被称为C4.5算法。通过信息增益比实现C4.5算法对船舶发动机故障元素进行规则提取。
根据分类属性E的n个不同取值,设发动机故障样本集S按类别属性分为S1,S2,S3,…,Sn,共n个子集,那么E对S的信息增益G(E,S)为:
.png)
式中:I(S)为S的信息熵。设S中有m个类,则
.png)
式中:rj为S中包含j类的概率。用E对S进行分类的信息增益概率Y(E,S)为:
.png)
2.3船舶发动机油液光谱分析
本文采用实验与实际光谱检测分析相结合的方法来确定机械设备润滑油油样的临界特征参数,作为判定机械设备故障的有效判据。为此,建立数学模型如下:
.png)
式中:Rci为光谱分析的特性参数;Pti为机械设备第i次的光谱分析数值;Pti+1为机械设备第(i+1)次的光谱分析数值,i=1,2,…,n。
结束语
本文采用油液特性分析方法对船舶发动机故障进行判断,既能实时动态地获取发动机故障信息,又具有较高的准确性。基于Weka平台提取油品特征信息并获得其特征规则,进一步丰富了船舶发动机故障诊断数据库,提高了船舶发动机故障分析的智能化程度。
参考文献
[1]陶辉,贺石中.基于在线油液监测的海上钻井平台发动机故障报警预测[J].润滑与密封,2017,42(7):111-116.
[2]刘晓燕,张辉,张玥.电感测量技术在船舶在线油液监测系统的应用[J].舰船科学技术,2018,40(2):197-199.
[3]林丽,邓春,经昊达,等.基于油液在线监测的齿轮箱磨损趋势分析与研究[J].材料导报,2018,32(18):3230-3234.
[4]李华兵,黄进明,荣礼.灰色预测理论在船舶机械故障诊断中的应用[J].上海海事大学学报,2017,38(3):85-89.
[5]徐晓健,严新平,盛晨兴,等.基于证据推理规则的船舶柴油机磨损类型辨识研究[J].摩擦学学报,2017,37(6):814-822.