一种船用柴油发电机组健康诊断方法

赵俊超， 汪佳彪， 艾麦提布拉丁， 王起硕， 毛冬麟

(上海船舶设备研究所， 上海 200030)

0 引 言

当前，随着科技的不断进步，机械设备正朝着精密化、自动化和智能化方向发展，这些先进设备在提高生产效率、提升产品质量和节约生产成本的同时，也带来了高昂的维护和保障成本[1]。传统的船用柴油发电机组诊断基本上为故障诊断，即根据机组出现异常时的参数和状态，或在机组发生故障之后对其进行拆检，判断引发故障的原因并进行处理，这种方式效率低、成本高，无法提前判断机组的运行状态并预防故障发生。若机组在运行过程中发生故障，轻则导致机组停机，重则影响船舶的正常运行。

本文以船用柴油发电机组为研究对象，采集功率、转速和滑油温度等大量机组运行参数，采用统计学方法分析数据特征，采用专家经验法分析故障类型及相应特征，通过机器学习进行相应训练，得到一套机组故障识别算法。在此基础上，搭建一套机组健康诊断系统，对机组的运行状态进行监测、分类和识别，实现对机组的健康状态诊断、故障预测和故障报警。

1 基于统计学的机组参数分析

统计学的基本原理是基于概率论思维建立一种数学模型，通过收集与所观察系统有关的数据，对其进行数理分析和归纳总结，找出主要规律和特征，为制订相关决策提供科学依据。随着科技的飞速发展，当前统计学不断吸收和融合新理论，已在很多领域得到应用[2]。

本文以实验室现有的某型船用柴油发电机组为试验对象，采集机组的功率、转速、排气温度、滑油温度、滑油压力、冷却水温度、冷却水压力、海水温度和罩内空气温度等参数。数据采集频率为1 Hz，1个工作周期为8 h。对采集到的参数进行归一化处理，并绘制成曲线图，结果见图1。从图1中可看出机组运行时其基本参数的变化趋势。

图1 机组运行参数统计

由图1可初步分析出机组参数具有以下表象特征：

1) 转速随功率的升高而下降；

2) 排气温度、罩内空气温度和冷却水温度分别与功率成正相关关系；

3) 滑油温度的升高相较冷却水温度的升高有所延迟；

4) 海水泵压力几乎没有变化，与功率和转速无关；

5) 柴油机滑油压力与转速成正相关关系，转速越高，压力越大；

6) 海水泵后温度几乎不变；

7) 冷却水压力与转速成正相关关系；

8) 部分缸排温偶尔出现异常波动。

以上表象特征可关联柴油发电机组的运行原理和内部特性，如：1)为机组的下垂特性；2)和3)是热扩散导致的；4)的原因为海水泵由外部供电，不受机组运行的影响；5)和6)的原因为滑油泵和淡水泵均为机带泵，受机组转速的影响；7)的原因为试验用海水为外部水源，其泵后温度仅受外部环境温度的影响；8)为传感器故障导致的数据采集波动。

因此，可简单地将以上关联变量拟合为一个具体的公式。例如，可采用最小二乘法将排温均值与功率拟合为图2所示的曲线。

图2 柴油发电机组排温均值与功率拟合曲线

拟合曲线的函数表达式为

y=8.12×10-9x3-6.45×10-5x2+0.22x+b

(1)

式(1)中：b为不同气缸的修正值。因此，可根据该曲线和机组当前运行功率计算出排温理论值，通过设置合适的b值限定排温上下限，将实际测量的排温与计算出的排温范围相比较，判断机组气缸运行是否异常。

类似地，可采用相同的方法对机组其他参数进行判断。

2 基于层次分析法的机组健康评分

在对机组运行参数进行分析的基础上，进行机组健康评分计算。机组结构复杂，健康构成参数众多，不同传感器提供的信息都存在局限性和不确定性，单独根据某台传感器检测的参数判断设备的健康状态会出现较大的误差。因此，需对不同传感器的数据进行整理、分析和判断，根据某种优化准则将互补、冗余的信息组合起来，产生对观测对象的一致性解释和描述，由此提高信息的可信度和系统的容错能力[3]。

本文采用层次分析法进行机组健康评分计算，统一量化各项指标，根据不同指标对决策目标的影响程度和实际情况分配权重[4]，在综合分析各参数在保证机组正常运行方面的重要性之后，合理选择最能反映机组运行状态的指标。本文选用的柴油发电机组运行状态评估指标见图3。

图3 柴油发电机组性能综合评估指标体系

机组健康评分的计算式为

P=u1+u2+u3

(2)

u1=u11+…+u17

(3)

u14=u14A1+…+u14An+u14B1+…+u14Bn

(4)

式(2)～式(4)中：P为机组实际健康评分；u1为柴油机评分；u2为发电机评分；u3为电品质评分；u11为转速评分；u17为滑油压力评分；u14为排温评分；u14An为An排温评分；u14Bn为Bn排温评分。

同时，引入参数劣化度g(劣化度即机组某参数实际状态与故障状态相比的劣化程度)，其取值范围为[0, 1]。当参数在正常范围内时，劣化度为0，此时的健康值为100；当参数的取值逐渐接近并超过报警限值时，劣化度由0逐渐变为1，此时的健康值变为0或60(具体数值根据参数的重要程度确定，例如：当停机类故障劣化度为1时，健康值为0；当不影响机组短时间正常运行的故障劣化度为1时，健康值为60)。若某个因素是由若干个子因素构成的，为提高系统的安全性，该因素的劣化度取其子因素的劣化度的最大值。

机组设备结构复杂，参数繁多，其综合评价由多个参数共同决定，若单纯对多个参数的健康值求平均值，将其作为系统的健康值，则当某个参数发生劣化时，系统评分可能会被其他健康评分平均掉，从而无法显示系统真实的健康状态。因此，机组健康评分应采用某种合适的权重分配。

本文采用随劣化度变化的动态权重分配法对机组健康评分进行权重分配：当某一运行参数在正常范围内时(此时劣化度为0)，其权重为初始权重；当参数的运行状态发生变化时，其权重开始增加；当参数的取值超出报警限值时，其权重变为1。如此便可将故障直观地显示在机组的综合评估结果中。同时，权重值不呈线性变化，其在参数开始劣化时缓慢变化，当劣化度较大(如大于0.6)时，权重增长速度变快，迅速变为1，将故障参数的变化迅速体现在整体系统中[5]。

机组健康评估原理见图4，将机组参数作为输入变量，可实时得到机组在当前状态下运行的健康指数。图5为某时段机组健康状态评分变化曲线与同时段采集到的机组部分设备参数变化曲线对比。

图4 机组健康评估原理

图5 某时段机组健康状态评分变化曲线与同时段采集到的机组部分设备参数变化曲线对比

3 基于专家系统的故障分类

在得到健康评分之后，预测机组健康评分下降的原因，即在机组出现异常时，能通过异常参数判断出机组发生故障的原因，从而实现健康诊断。故障判断方法有很多，其中专家系统是近几年设备故障诊断领域广泛采用的方法之一，内容包括诊断知识的表达、诊断推理方法、不确定性推理和诊断知识的获取等。随着计算机科学和人工智能的不断发展，基于专家系统的故障诊断方法克服了基于模型的故障诊断方法对模型的过度依赖，是开展故障检测的有效方法，已在很多领域得到应用[5]。

基于专家系统的故障诊断方法的原理为：当系统发生故障时，相关领域的专家可根据故障发生前后系统的运行参数和设备状态，根据对系统结构及相关历史故障的深刻了解迅速作出判断，确定故障发生的原因和部位。对于复杂系统的故障诊断而言，这种方法尤其有效。

在前期对机组的运行参数进行整理之后发现其中存在很多异常数据，对这些异常数据进行提取和归纳，根据专家经验和历史故障，将这些异常数据分为几种类型，分别对应不同故障，其中特征明显的4种故障及其数据特征如下。

1) 故障A：当机组功率发生变化时，某一参数剧烈抖动，持续一段时间之后恢复正常。

2) 故障B：在机组平稳运行过程中，某一参数突然增大(或变小)，持续一段时间之后恢复正常。

3) 故障C：在机组平稳运行过程中，某一参数持续出现瞬间突变(尖峰)的情况。

4) 故障D：在机组平稳运行过程中，某一参数出现次数极少的偶发突变(尖峰)的情况。

上述4种典型故障的机组故障类型特征曲线见图6。

图6 4种典型故障的机组故障类型特征曲线

4 基于机器学习的机组故障识别

在对故障进行分类之后，需研究一种故障识别算法，使系统能在参数发生变化时准确识别出对应故障并做出相应提示。已有研究证明，机器学习算法在解决分类问题方面的效果优于传统算法，尤其是在解决非线性分类问题方面[6]。因此，本文采用机器学习算法对数据进行训练，得到一套机组故障识别算法，根据前期采集的参数对机组性能的描述情况，对不同数据进行规约，形成500组模型训练数据集和模型测试数据集(训练数据集中的数据占总数据的70%)。采用不同的机器学习算法对训练数据集进行训练，得到相关模型函数，采用测试数据集对模型函数进行验证，并将验证结果作为反馈优化训练模型。

在综合分析比较多种机器学习算法的特点和适用范围之后，选用决策树、KNN(K-Nearest Neighbor)和朴素贝叶斯网络搭建机器学习模型。

1) 决策树的原理为：类比树状结构的形式对数据进行分类，树的每个叶节点对应1个分类，非叶节点对应某种属性的划分。决策树的优点是可读性好，对人工分析很有帮助[7]。本文在进行决策树模型训练时，将决策树准则选为基尼系数，最大深度设为默认不限，分裂策略选择最优的分裂策略，每个叶子节点需要的最少样本数设为1个，并使各类别的权重相等。

2) KNN为限定半径最近邻近法，通过计算选择最近质心来分类[8]。本文在进行KNN模型训练时，将K值设定为5，近邻样本的权重选用uniform模式，限定半径最近法算法选用auto模式，权衡选择较优的算法。

3) 朴素贝叶斯的原理为：基于概率思想对数据进行分类，分别为先验为高斯分布的朴素贝叶斯、先验为多项式分布的朴素贝叶斯和先验为伯努利分布的朴素贝叶斯[9]。由于本文中的数据认为是连续的，因此选用先验为高斯分布的朴素贝叶斯算法，先验率采用默认值，对模型进行训练。

KNN算法常用于对非正态分布且密度函数未知的数据进行分类，对异常值不敏感；决策树算法对数据处理的要求较高，需对数据进行分类，分类过程需面向问题本身，当数据量较大时，预测的准确度会下降；朴素贝叶斯算法对数据的要求较高，预测的准确度较高，通常在数据较少的情况下应用。

分别运用上述3种算法模型对训练数据集进行训练，采用测试数据集进行测试，得出3种机器学习算法在本文故障分类中的应用效果，选取其中3种故障的测试结果进行比较，结果见表1。

表1 3种机器学习算法应用效果比较

由表1可知：KNN算法的准确度约为65%，相对较低；决策树算法和朴素贝叶斯算法的应用效果较好，准确度均在90%以上，符合算法的应用特性，满足项目设计技术的需求，其中朴素贝叶斯算法的准确度在96%左右，效果最佳。

最终将前期得到的机组健康评分系统与故障识别算法相结合，建立完整的机组健康诊断系统(见图7)，将机组参数作为输入变量，可实时得到机组在当前状态下运行时的健康指数，若发生故障，则可自动通过故障识别算法对故障数据进行判断，并在界面显示相应故障。

图7 柴油发电机组健康诊断系统

5 结 语

当前，受使用环境复杂、空间狭小等因素影响，船用柴油发电机组检修较为困难，维护和维修成本高昂。若设备在运行过程中发生故障，且因无相关预警系统而未能及时发现并作相应处理，轻则导致设备停机，重则影响整个生产系统的正常运行。

本文研究的船用柴油发电机组健康诊断系统可对机组的运行状态进行实时监测，实现对机组的健康状态诊断、故障预测及故障报警，在实际应用之后，可建立一套通用型故障预测算法解决方案，为各类机械类设备、电力设备提供完整的故障诊断、故障预测智能化功能开发解决方案，从而降低企业的运营成本，提高设备的自动化程度。