基于在線油液監(jiān)測的船舶發(fā)動機故障分析

張海濤

(中海油能源發(fā)展股份有限公司采油服務分公司，天津 300452)

發(fā)動機是為機械設備運行提供動力的主要設備之一，若發(fā)動機發(fā)生故障[1]，整個設備也無法正常工作，不僅會給企業(yè)帶來經(jīng)濟損失，也可能對工作人員的人身安全產(chǎn)生威脅。監(jiān)測和分析船舶運行狀態(tài)是保障船舶安全運行的基本措施。發(fā)動機在船舶運行過程中發(fā)生故障是無法避免的事情，因此對船舶發(fā)動機進行有效的監(jiān)測意義重大[2]。對此，相關研究人員進行了研究。林麗等[3]提出利用灰色預測模型對船舶發(fā)動機故障進行診斷，雖然該方法能夠對船舶發(fā)動機故障進行有效診斷，但對船舶發(fā)動機的異常征兆預測精度較低；李華兵等[4]對現(xiàn)有船舶運行性能仿真模型增加故障接口進行拓展仿真，通過注入故障參數(shù),獲得了對船舶發(fā)動機的故障點進行監(jiān)測的方法，該方法能夠快速發(fā)現(xiàn)發(fā)動機故障，但考慮實際情況甚少，不能在現(xiàn)實船舶中應用；徐曉健等[5]采用原子發(fā)射光譜分析、紅外光譜分析、PQ鐵磁性顆粒分析等指標檢測方法構建船舶機械故障監(jiān)測方法，并對監(jiān)測流程進行設計，實現(xiàn)了船舶機械故障的診斷與分析，但該方法較復雜，實際操作性能欠佳。

本文提出了基于在線油液監(jiān)測技術的船舶發(fā)動機故障判定方法，該方法采用傳感器獲取油液狀態(tài)信息實時判定發(fā)動機故障，實現(xiàn)了在線對船舶發(fā)動機的有效監(jiān)測，縮短了故障檢測時間，減少了故障發(fā)生后停機造成的損失。

1 船舶發(fā)動機中油液特征信息的提取

單一的在線油液監(jiān)測技術無法完整描述船舶發(fā)動機故障類型、故障原因等，在故障預測和故障判定方面存在局限性，因此需要設計集成傳感器系統(tǒng)，通過傳感器系統(tǒng)獲取發(fā)動機中潤滑油的相關特征信息。在傳感器系統(tǒng)內(nèi)部設置在線油液鐵譜傳感器、在線油液水分傳感器、在線油液黏度傳感器、微量泵等部件，對發(fā)動機中潤滑油的黏度、含水量、磨粒濃度特征進行提取，再將采集到的數(shù)據(jù)經(jīng)由PC104總線傳送給機艙集控室內(nèi)的服務端。圖1為油液監(jiān)測集成傳感器系統(tǒng)的整體架構圖。

圖1 在線油液監(jiān)測集成傳感器系統(tǒng)架構圖

2 船舶發(fā)動機故障診斷

利用Parzen窗法[6]劃分各類故障油液特征信息樣本的界限值，根據(jù)界限值將油液特征信息樣本劃分為正常、警告和異常3種；利用Weka軟件對油液特征信息樣本數(shù)據(jù)進行挖掘，并對提取到的油液特征進行光譜分析，實現(xiàn)對船舶發(fā)動機故障狀態(tài)檢測與判斷。

2.1 基于Parzen窗法的界限值制定

傳統(tǒng)界限值制定方法獲取的數(shù)據(jù)并不全面。本文根據(jù)油液監(jiān)測數(shù)據(jù)估算出其概率密度函數(shù)，獲取油液監(jiān)測數(shù)據(jù)的概率分布，結合線性算子設定船舶發(fā)動機故障診斷界限值。油液監(jiān)測數(shù)據(jù)估計概率密度函數(shù)Q(x)為：

(1)

式中：H為發(fā)動機磨損診斷界限值；p(t)為t時刻的發(fā)動機磨損診斷界限值。結合線性算子方程得到船舶發(fā)動機故障診斷界限值P：

(2)

式中：x為特征元素濃度。

通過式(2)可以得出一組關于分布函數(shù)的油液特征信息樣本為x1,x2,…,xl，以概率論為依據(jù)表明該組油液特征信息樣本獨立分布[7]。因此利用已給出的分布函數(shù)特征信息樣本構建經(jīng)驗分布函數(shù)，以l作為樣本數(shù)量，該經(jīng)驗分布函數(shù)Qt(x)的公式為：

(3)

通過式(3)經(jīng)驗函數(shù)的計算，利用給定油液特征信息樣本分布密度估計整體概率密度[8]。

假設d維空間中存在樣本點x，油液特征信息樣本的總數(shù)為N，對樣本點x的分布概率密度進行估計。假設超立方體體積為VN，且該立方體以x為中心，其邊長為hN，則該立方體的體積為：

(4)

該立方體涵蓋大量的油液特征信息樣本點，假設這些樣本點的數(shù)量為rN，構建函數(shù)，且要保證該函數(shù)滿足：

(5)

式中：ω(u)為函數(shù)限制條件；|uj|為立方體樣本密度。則超立方體內(nèi)部的樣本點數(shù)量為：

(6)

(7)

根據(jù)該概率密度函數(shù)將油液特征信息樣本劃分為正常、警告和異常3種，油液特征信息具體屬于哪一種需要根據(jù)船舶油液監(jiān)測的實際數(shù)據(jù)與發(fā)動機實際情況決定。

2.2 基于Weka平臺的發(fā)動機故障元素規(guī)則提取

采用Weka平臺對船舶發(fā)動機的油液特征信息進行數(shù)據(jù)挖掘和規(guī)則提取，構建船舶發(fā)動機故障診斷知識庫，提升船舶發(fā)動機故障分析的智能化水平[9-10]。船舶發(fā)動機油液特征信息的挖掘和規(guī)則提取，是在決策樹分類算法基礎上實現(xiàn)的，決策樹分類算法通常被稱為C4.5算法。通過信息增益比實現(xiàn)C4.5算法對船舶發(fā)動機故障元素進行規(guī)則提取。

根據(jù)分類屬性E的n個不同取值，設發(fā)動機故障樣本集S按類別屬性分為S1,S2,S3,…,Sn,共n個子集，那么E對S的信息增益G(E,S)為：

(8)

式中：I(S)為S的信息熵。

設S中有m個類，則

(9)

式中：rj為S中包含j類的概率。

用E對S進行分類的信息增益概率Y(E,S)為：

(10)

(11)

2.3 船舶發(fā)動機油液光譜分析

本文采用實驗與實際光譜檢測分析相結合的方法來確定機械設備潤滑油油樣的臨界特征參數(shù)，作為判定機械設備故障的有效判據(jù)。為此，建立數(shù)學模型如下：

(12)

式中：Rci為光譜分析的特性參數(shù)；Pti為機械設備第i次的光譜分析數(shù)值；Pti+1為機械設備第(i+1)次的光譜分析數(shù)值，i=1,2,…,n。

3 實驗分析

實驗中采用深圳市先波科技有限公司生產(chǎn)的FWS-II在線油液黏度傳感器，該型號傳感器黏度測量范圍為0～120 cP；分辨率為-0.7 cP；輸入電壓為直流(30±5) V，輸入電流為0.7 A；輸出信號頻率范圍為70～120 Hz；其監(jiān)測數(shù)據(jù)響應時間少于1.5 s。實驗在0 ℃～70 ℃的環(huán)境溫度、空氣無冷凝、流體溫度為-9 ℃～119 ℃且流體壓力為正常壓力條件下進行。圖2為在線油液黏度傳感器實物圖。

圖2 在線油液粘度傳感器實物圖

3.1 油液黏度傳感器性能分析

為驗證在線油液黏度傳感器的準確性和精度，將在線油液黏度傳感器測得的黏度數(shù)據(jù)與實際油液黏度數(shù)據(jù)進行對比，結果見表1。

表1 驗證實驗數(shù)據(jù)

從表1可以看出，在線油液黏度傳感器的輸出精度很高，測試數(shù)據(jù)和實際數(shù)據(jù)的誤差很小，說明本方法在船舶發(fā)動機故障分析方面具有很好的效果。這些微小誤差可能是試驗操作過程中油液的溫度變化引起的。

3.2 故障特征信息規(guī)則提取性能分析

為驗證本文方法能否對船舶發(fā)動機故障的特征信息實現(xiàn)有效規(guī)則提取，以ML-24型船舶發(fā)動機的1 346個實際油液光譜數(shù)據(jù)作為測試樣本，進行實驗研究。船舶發(fā)動機故障分析的特征信息包括油液黏度、含水量、磨粒濃度，由此設定數(shù)據(jù)特征維數(shù)為3。選取1 346個油液監(jiān)測數(shù)據(jù)樣本中50%的數(shù)據(jù)樣本進行規(guī)則提取，剩余50%的數(shù)據(jù)樣本用作規(guī)則驗證。通過規(guī)則提取平臺對數(shù)據(jù)樣本的規(guī)則進行提取，建立與故障分析和診斷相關的數(shù)據(jù)庫，表2為挖掘出的規(guī)則匯總。

表2 規(guī)則匯總

在表2中的基礎上提取規(guī)則，如圖3所示。圖中See_1為油液黏度，See_2為油液含水量，See_5為油液磨粒濃度。

圖3 基于重要元素提取的規(guī)則樹

圖3中的規(guī)則樹是基于Weka平臺生成的決策樹，該決策樹的葉節(jié)點和葉節(jié)點之外的節(jié)點表示該節(jié)點的類別屬性，在決策樹中的每一個根到葉的枝條都可以看成是一條決策規(guī)則，將這些決策規(guī)則提取。通過上述提取的決策規(guī)則監(jiān)測樣本狀態(tài)，樣本狀態(tài)的識別率可高達98.42%，因此可以看出，利用規(guī)則樹提取的樣本結果為識別和分析發(fā)動機故障提供了良好的數(shù)據(jù)基礎，提升了本文方法對船舶發(fā)動機故障的識別率。

3.3 基于在線油液監(jiān)測的船舶發(fā)動機故障診斷

為驗證本文方法判斷船舶發(fā)動機故障的優(yōu)勢，選擇電感測量方法作為對比實驗方法。對4臺ML-24型船舶發(fā)動機分別設置軸承故障、定子故障、氣隙偏心故障、轉子故障。在船舶發(fā)動機處于不同工況下，分別提取4臺船舶發(fā)動機的100組運行狀態(tài)數(shù)據(jù)樣本，將其分為5類狀態(tài)，每類含有20組狀態(tài)數(shù)據(jù)，分別為電機正常運行、軸承故障、定子故障、氣隙偏心故障、轉子故障。預處理這100組樣本數(shù)據(jù)，將其中的80組樣本數(shù)據(jù)作為本文方法的訓練樣本，剩余20組樣本數(shù)據(jù)作為測試樣本。將測試樣本劃分為5組，用Y1，Y2，…，Y5表示。

采用電感測量方法得到的船舶發(fā)動機診斷結果見表3，采用本文方法得到的診斷結果見表4。

表3 電感測量方法診斷結果

表4 本文方法診斷結果

從表3和表4可以看出，電感測量方法雖然也檢測到了船舶發(fā)動機的故障，但是檢測的故障種類并不全面，其中定子故障、氣隙偏心故障沒有被精準檢出來；本文方法可全面有效地診斷出發(fā)動機的所有故障，與之前的人工診斷故障完全一致，因此利用本文方法可全面、有效判斷船舶發(fā)動機的故障。

4 結束語

本文采用油液特征分析方法判斷船舶發(fā)動機故障，不僅可實時、動態(tài)獲取發(fā)動機故障信息，而且精準度高。基于Weka平臺提取油液的特征信息、獲取其特征規(guī)則，進一步豐富了船舶發(fā)動機故障診斷數(shù)據(jù)庫，提高了船舶發(fā)動機故障分析的智能化程度。