船舶电力直驱推进装置状态监测和智能诊断

宁昶雄, 张雪琴, 严新平, 欧阳武

(1.武汉理工大学 船海与能源动力工程学院, 湖北 武汉 430063; 2.国家水运安全工程技术研究中心 可靠性工程研究所, 湖北 武汉 4 300632; 3.武汉理工大学 交通与物流工程学院, 湖北 武汉 430063)

自21世纪以来,船舶电力推进系统的发展达到了空前的繁荣,特别是将电机与水力部件一体化、取消传动环节的先进电力直驱推进装置,因其功率密度大、布置多样、机动灵活、高效节能、环保低噪等显著优点,目前广泛应用在破冰船、邮轮、科考船、钻井平台等船舶上[1]。我国在2021年发布的《十四五规划和2035年远景目标纲要》[2]中再次强调了海洋装备智能化绿色化的战略目标,随着“碳达峰”及“碳中和”长期愿景的提出,船舶电力直驱推进装置正在迎来前所未有的发展空间和广阔舞台。电力直驱推进装置是船舶动力系统的核心做功单元,其可靠性、安全性直接决定了船舶航行安全。吊舱推进器、轮缘驱动推进器等电力直驱推进装置一般悬吊在船体之外,面临着状态未知、故障获悉滞后、故障危害严重等问题。“中国制造2025”计划中将智能运维规划为重要发展战略,其核心支撑技术包括了状态监测和故障诊断,具备对推进装置的状态感知和健康认知能力也是未来船舶无人化、智能化的重要基础。

状态监测手段不足、失效模式不明确、无法预测故障等问题将会很大程度限制了电力直驱推进装置的应用和大功率化的发展。具备健康管理功能是先进电力直驱推进装置发展的必然趋势。2017年ABB推出了其工业数字化解决方案AbilityTM,并为我国自主建造的极地科考破冰船“雪龙2号”提供电力推进健康状态管理系统[3],结合其智能传感器对船舶的主要设备进行监测、诊断和提供维护建议。总体而言,目前专门针对船舶电力直驱推进装置状态监测及智能运维的研究,国内外少有报道。将电力直驱推进装置拆分成若干核心部件,从核心部件出发,寻找与其结构形式和工况相似的对象,从监测和诊断技术中找到参考也是一个重要研究途径。本文首先将电力直驱推进装置按照结构形式来划分介绍,分析其特点及常见的失效模式;其次整理电力直驱推进装置各部件的状态监测和智能诊断技术的研究现状;最后对该领域存在的问题做出分析,并展望了未来具体的研究方向。

1 电力直驱推进装置的特点分析

吊舱式[4]和轮缘式[5]是2种主要的船舶电力直驱推进装置。吊舱式是当下备受推崇的一种结构形式,其电机被安装在吊舱内,电机转子直接与螺旋桨相连,由全回转机构实现360°的矢量推进,目前绝大部分新造邮轮采用图1(a)所示推进器。国内已有数家单位相继研制出兆瓦级吊舱推进器样机,并开展了示范应用。由招商局邮轮制造有限公司、上海中车汉格船舶与海洋工程有限公司、南京高精传动设备制造集团有限公司、武汉理工大学联合研制的7.5 MW中压吊舱推进器已进入制造阶段;如图1(b)所示,轮缘驱动推进器采用新型的电力直驱推进技术,将驱动电机、螺旋桨、轴承和导管等集成一体,螺旋桨安装在电机转子环内,电机定子安装在导管内,通电时定子驱动镶嵌有永磁铁的转子旋转从而带动螺旋桨产生推力,可以进一步提高功率密度和降低噪声。武汉理工大学与海军工程大学、广州海工船舶设备有限公司联合开展轮缘推进器关键技术研究,成功研制出了多种规格轮缘驱动推进器,如图2所示,部分推进器采用了对转轮缘驱动技术、磁液双悬浮轴承技术和超耐磨减振轴承技术等,获得了全国首个轮缘推进器CCS认证证书,这些推进器在纯电池动力集装箱船、科考船、拖轮、旅游船、无人水质监测船、无人灯光艇等船舶中得到应用。

图1 船舶电力直驱推进装置的结构形式Fig.1 The structure of marine integrated electric propulsion devices

图2 武汉理工大学与广州海工联合研制的轮缘推进器Fig.2 Rim-driven thruster jointly developed by Wuhan University of Technology and Guangzhou HG Marine Co., Ltd.

综合这2种电力直驱推进装置共同具有的核心部件,可归纳为电机、轴承和密封、螺旋桨及壳体(或导管),这些部件的失效将极大降低推进装置的安全性,甚至可能使船舶在航行过程中失去动力。梳理这些部件的故障模式是提出状态监测、故障诊断技术的基础。

1.1 电机系统

感应电机因其结构简单、制造成本低、可靠性高的特点而在船舶推进电机上广泛应用,其又可分为异步电机和同步电机,在大功率交流推进系统中,各国基本趋向于使用同步电机。永磁电机的定子结构与感应电机相似,但转子替换成了永磁体,因此无励磁损耗以及集电环、电刷相关的损耗,实现了更高的转矩密度和效率,轮缘推进器主要采用这种电机。

上述电机的故障模式主要包括机械故障、电气故障和磁故障,具体可分为:1)定子损坏导致一个或多个绕组开路或者短路;2)异步电机的转子导条或端环断裂;3)转子的静态、动态或混合偏心;发生在轮缘电机中还会导致护套损伤;4)轴承或齿轮的失效;5)同步电机转子励磁绕组短路;6)永磁电机的永磁体退磁、损伤[6-8]。

实际工业应用中定子故障在中高压大型感应电机故障中占比最大[9],此外轴承故障也是常见的电机故障。逆变器和控制器与电机共同组成电机系统,在没有冗余和容错控制的情况下,任何一个部分发生故障都会导致系统失效。逆变器中的功率开关器件和直流母线电容的开路、短路是主要故障模式[10],而各种拓扑结构和容错结构的应用,可提高逆变器的可靠性。控制器由中央处理器和配套电路组成,处理器根据电流信号、位置信号、控制程序和指令对逆变器进行控制,而位置传感器的信号异常和损坏是控制器主要的故障模式[11]。轮缘推进电机采用无位置传感控制技术,位置预测精度不够导致控制难度大。

1.2 轴承和密封

无论是吊舱推进还是轮缘推进,轴承都是其中的关键部件。径向轴承用于支撑螺旋桨轴、螺旋桨及其附件的重量,推力轴承需要承载螺旋桨产生的推力并传递至整个船体。吊舱电力推进装置使用油润滑轴承,优点为技术较成熟、承载力大、润滑效果好,但也常出现滑油泄漏和烧瓦的问题。这种轴承主要失效模式为:磨损、擦伤、胶合、烧瓦、疲劳、腐蚀、气蚀。在实际使用中,占比最高的前4个故障原因为滑油不干净、滑油不足、安装误差、对中不良和载荷过大等。

水润滑轴承是轮缘驱动推进装置的核心部件,但由于水的粘度低,其承载能力相比油润滑下降很大,摩擦副之间容易产生异常磨损。目前针对水润滑轴承的研究以轴承高分子复合材料、承载机理和减振降噪等内容为主[12-13],对于其故障诊断的专题报道较少。文献[14]总结了水润滑径向轴承的故障模式,包括有疲劳、胶合、磨损、烧蚀、气蚀、压痕6种,但总体而言,船舶推进系统水润滑轴承的故障模式和机理尚未完全揭示清楚。

滚动轴承是吊舱电力推进装置常用轴承形式之一。ISO 15243国际标准对滚动轴承的故障模式及原因等做了明确的分类和规定[15],但针对船舶电力推进器中滚动轴承的失效形式报道较少,鉴于风电机组的结构和工况与推进器类似,其轴承的主要故障模式可供参考:塑性变形、润滑剂失效、电弧腐蚀、磨损、安装不当[16]。

吊舱电力推进装置需要安装密封防止外部海水或内部滑油泄漏。推进系统常用的密封包括皮碗密封、气胎密封、机械密封、填料密封等,也是吊舱电力推进装置的核心技术之一,多屏障唇形密封结构和油气调节系统方案是较为先进方案。密封失效模式主要为磨损和泄漏,主要原因包括:摩擦磨损、轴系振动、轴倾斜、密封面高温、杂质侵入[17]。

1.3 螺旋桨

螺旋桨是电力推进器产生推力的主要部件。由于长期浸泡在水中,工作环境恶劣,受力复杂多变,尤其是叶梢处线速度大、厚度薄,发生损坏的可能性高。在轮缘推进器中,由于螺旋桨根部安装在转子内壁,桨叶叶梢处于旋转中心,线速度低,可靠性有所提高。目前螺旋桨的研究主要涉及理论设计与优化、空泡、尾流、噪声等,根据实际应用情况统计,螺旋桨故障模式主要包括:缠绕故障、接触摩擦、断裂、变形、鸣音、气蚀等。

2 电力直驱推进装置状态监测技术

电力直驱推进装置故障诊断的前提是获取可靠的状态信息数据,这依赖于先进的传感和信号分析技术,并根据阈值指标和退化趋势初步判断设备有没有故障。本文梳理了集成电力推进器主要部件的状态监测技术,如图3所示。目前集成电力推进器成熟的监测系统较少,ABB推出了AbilityTM平台结合智能传感器实现了对吊舱推进器中的电机和轴承关键健康指标的无线遥测。

图3 船舶电力直驱推进装置主要部件的状态监测技术Fig.3 Condition monitoring technology for main components of marine integrated electric propulsion devices

2.1 电机、逆变器及控制器

反映电机健康状态的参数包括电参数、振动、温度、磁场等,为了获取这类信号,目前应用较多的监测手段可概况为:

1)振动监测:振动监测是在旋转机械上应用最广泛的一种非侵入式监测技术,通过振动传感器来提取振动信号,可从中提取大量与电机健康状态相关的特征[18-20]。但集成电力推进器中空间小、各部件振动信号的耦合程度高,传感器的布置和信号的解耦是难点;

2)电参数监测:电流和电压作为电机的电参数,可通过供电系统或专用传感设备获取,各种故障模式的特征都在电参数信号中有所反映[21-22],这是最易于实现的监测手段;

3)电磁场监测:正常情况下,感应电机气隙中的磁通量随时间和空间呈正弦变化,当电机出现故障则会导致磁通量的分布产生偏离[23]。通过监测电机的轴向磁通量可以分析出定子匝间短路、转子断条、偏心及轴承等的故障[24]。但是集成电力推进器中大量电力电子元器件会产生大量电磁干扰,对监测效果的影响需要评估;

4)温度监测:电机定转子和轴承等的故障会导致异常温升,传统监测手段通常将热电偶安装在绕组中,近些年发展出了无传感器的定子温度监测方法和转子温度无线遥测方法[25-26]。除了点测温方法,热成像可以对电机整体温度分布进行测量并标记出最高温度点的位置[27],该方法通常作为辅助监测手段;

5)气隙扭矩监测:定子绕组不平衡和转子损坏时,电机气隙中会出现扭矩谐波,不同的故障会在气隙转矩中产生特定频率,由于无法直接测得气隙扭矩,通常与仿真结果相比较来确定故障的存在,但可表征的故障类型有限[28]。

逆变器和控制器的健康状态通常反映在回路的电参数信号中,无需额外的监测手段。此外,将声发射技术引入到推进电机中,通过安装压电传感器采集应力波来识别电机转子、定子和轴承的机械故障,具备故障定位和早期故障的监测能力,还可侧面反映电气故障,但容易受到环境噪声的影响[29],尤其集成电力推进器中各部件集成度较高,之间的声干扰不可忽视。由于轮缘推进器取消了密封装置,永磁电机直接置于水环境中,定转子表面会覆盖有金属或高分子防水护套(图4)。护套损伤可能导致水渗入到定转子中,严重时会使电机短路损毁。目前尚缺乏可靠的轮缘推进电机护套损伤原位监测手段,研究人员也尝试利用超声技术进行护套损伤定位和损伤程度识别,超声C扫描[30]、激光超声[31]、螺旋导波[32]等需进一步论证。此外,光纤光栅(fiber bragg grating,FBG)超声光纤传感技术[33]、分布式光纤技术也为轮缘推进电机状态监测提供了思路。

图4 轮缘推进电机防水护套安装状态Fig.4 Installation status of the waterproof sheath of the rim-driven motor

2.2 轴承和密封

集成电力推进器轴承的健康状态与其润滑状态关联紧密,各种损伤的出现会导致振动、温度、压力等参数产生异变。从性能角度看,监测技术可概况为:

1)振动监测:振动监测被广泛应用于滚动轴承[34]状态判别,通过频谱分析、小波变换等现代信号处理手段,提取特征信息用于故障诊断[35]。与滚动轴承相比,集成电力推进器中使用的滑动轴承自身故障模式与振动特征之间的映射关系尚不明确[14],大多从转子系统角度来识别系统故障,例如根据轴心轨迹的形状来判断不平衡、不对中、油膜涡动等故障[36]。此外多源信息融合是滑动轴承故障诊断的研究热点[37];

2)温度监测:温度属于缓变信号,当轴承的故障或极端工况出现一段时间后,温度会表现出异常。这种特点导致其对于早期故障的表征不敏感,但由于轴承具有一定的容错能力而且测温技术较可靠且实施成本低,常被用于烧瓦等故障监测。监测方法通常为热电偶、热成像[38]和光纤传感[39]等;

3)磨损监测:磨损直接决定了设备的使用寿命。目前,油液监测是闭式润滑轴承最常见的磨损监测手段[40],但难以应用于使用开式水润滑轴承的轮缘推进器中。此外,声发射技术也可用于滚动轴承[41]和机械密封的磨损监测[42-43],对材料表面的剥落、断裂、分层等的识别具有优势。该技术被引入滑动轴承中,结合智能算法对磨损识别具有较高精度[44];

4)液膜厚度和压力监测:液膜厚度可直接反应轴承的润滑状态和机械密封端面间隙大小[45],润滑膜厚的测量方法主要有电涡流法[46]、电阻法[47]、电容法[48]、超声法[49]、光纤法[50]等;根据润滑膜的压力分布还可以判断轴承是否存在偏载情况[51],该方法在滚动轴承上尚无应用。

2.3 螺旋桨

螺旋桨安装在船体外部且不可视,其状态监测是一个经典难题,通常采取对螺旋桨轴的振动和电机电参数的监测[52]间接反映桨叶的健康状态。Song等[53]提出监测水声信号提取其中螺旋桨的特征频率,通过计算和试验验证了该方法在低信噪比的情况下仍具有较好识别能力,并表示在未来可以用于桨叶的故障诊断。针对飞机桨叶的监测手段也可以提供参考,如将微型振动传感系统[54]或光纤应变传感器[55]安装于桨叶上。

3 电力直驱推进装置故障诊断技术

目前,针对船舶电力推进装置故障部件的诊断方法可分为基于模型和基于信号处理的传统诊断方法和智能诊断方法3类,如表1所示。其中基于模型的诊断方法起步最早[56],根据故障部件的监测信息与其仿真模型输出信息之间的残差值来实现故障诊断[57]。但是船舶电力直驱推进装置属于多变量动态系统,电机、螺旋桨和轴承等关键部件相互耦合,难以建立准确的数学模型和部件的失效模型,对于复杂失效模式的诊断,该方法很难付诸实施。相比之下,基于信号处理的方法不需要具体的数学模型,只依赖电流、振动和声音等信号就可以获得故障特征,具有快速和高效的优点。如今小波分析[58]、经验模态分解[59]、包络分析[60]等信号技术已被广泛应用于船舶推进装置的故障诊断领域。但船舶集成电力推进器不同于传统的轴系推进,其系统集成化和自动化程度更高,各部件间的关系更加复杂,单靠信号处理技术无法做出快速准确的判断,其故障特征的评估仍要依靠经验丰富的研究者。

表1 船舶电力直驱推进装置诊断方法对比Table 1 Comparison of diagnostic methods for marine integrated electric propulsion devices

随着各种状态监测技术成功应用于船舶电力推进器,服役过程中产生的海量运行数据中蕴含了各部件的健康信息。如图5所示,电力推进装置的状态监测系统将采集的数据输入故障诊断系统中来进行故障模式的识别,以实现“知”晓电力推进装置是否产生了故障,产生了何种故障。智能诊断方法不拘泥于复杂的解析模型和故障机理层面的探索,利用数据挖掘技术,获取推进装置各部件监测数据与各类故障之间隐含的非线性映射关系。同时合理且有深度的数据挖掘能获取细节化的故障特征,进而发现船舶电力直驱推进装置部件潜在的早期微小故障,具有较高的工程实用价值[61]。本文从故障诊断的角度出发,重点分析目前主流的几种智能诊断方法在船舶推进装置上的研究和发展,包括专家系统、模糊逻辑和机器学习。

图5 船舶电力直驱推进装置故障诊断方法分类Fig.5 Classification of fault diagnosis methods for marine integrated electric propulsion devices

3.1 专家系统

专家系统作为智能诊断方法中早期代表,是一种基于规则和推理方法来解决复杂问题的计算机系统。通过归纳总结船舶电力推进装置各部件的故障类型、容错控制,将相应的领域众多专家经验集于一体,形成知识库和推理机来代替大部分不重复的脑力劳动。文献[62]针对船舶电机部件以故障树的形式构建了一个3层知识库结构,第1层判断电机类型,第2层记录特定机器的故障症状,第3层确定每种症状的可能原因和维护措施。通过引入权重因子来根据历史数据改进故障树,确保电机的维修时间和成本最小化。文献[63]针对由螺旋桨引起的推进装置故障的问题构建了基于远程故障诊断的专家系统。如当增压系统发生故障时,会检查是否因为电机螺旋桨不匹配导致主机转速下降,排气温度升高;当轴承发生异常振动时,会检查是否螺旋桨存在磨损、空蚀、变形、断裂、质量不均匀、水动力不平衡等问题,或者是否由于船艉的不均匀流场导致螺旋桨产生激励力,造成轴和船舶振动。专家系统不需要大量的历史数据,利用经验知识解决复杂的专业问题。这也导致目前的应用主要在船舶电机和螺旋桨上,因为该对象应用广泛、失效案例丰富,而水润滑轴承的专家系统则尚未见报道。鉴于电力直驱推进装置部分失效模式尚不明确,一旦出现知识库之外的新故障,专家系统既没有对应的规则推理又缺乏自学习的能力,在实际应用中存在一定的局限性。

3.2 模糊逻辑

模糊逻辑也是一种发展较早的智能诊断方法,当船舶电力推进器部件的故障现象比较模糊时可借助隶属函数和模糊关系建立故障模式和特征信息的不确定关系。文献[64]中收集了船舶推进器螺旋桨-轴的实验故障信号作为模糊逻辑的输入,引入遗传算法自动生成最优模糊神经结构,极大地缩短了诊断时间。模糊逻辑和专家系统的结合被广泛地应用于故障诊断研究[65],将电机[66]、轴承[67]、螺旋桨[52]等核心部件的特征向量存放在事实数据库。规则知识库中以模糊集的方式存放不确定的专家知识,通过特征向量与规则库之间的模糊匹配,进而识别出故障类型。在面对不精确的数据、模糊的故障现象和原因时,模糊逻辑更具灵活性和容错性。同时其依赖于专家经验知识,诊断结果是由模糊规则和模糊集推理得出,相较于单纯的专家系统来说,降低了对专家知识的需求,但对于缺乏相关知识的新研装备,应用仍具有一定的局限性。因此,在诊断如船舶电力直驱推进装置的多部件耦合集成系统时,如何根据先验知识选择合适的模糊规则和模糊集至关重要。

3.3 机器学习

机器学习的主要思想是借助电力直驱推进装置运行过程中正常数据和故障数据,以数据驱动的方式获得诊断模型。人工神经网络(artificial neural network, ANN)是机器学习故障诊断中最常用的分类器之一,主要应用于船舶推进器电机[68]、轴承[69]等关键部位的诊断,故障决策时不需要专家经验,整个过程更加自主化。然而,ANN的建立需要在大量样本数据的基础上,但集成电力推进器结构紧凑,空间狭窄,现阶段无法布置太多传感器,因此,关键部位单一的数据来源限制了网络的诊断能力。此外ANN收敛速度慢,泛化能力差,当样本选择不当,实船数据与训练数据库不匹配时,实时诊断存在困难。

支持向量机(support vector machine, SVM)作为一种相对较新的智能算法,克服了ANN收敛速度慢,易陷入局部最优的缺点。目前,针对实际应用中船舶推进装置难以获得大量故障样本的问题,文献[70]提出了一种SVM和连续小波变换(continue wavelet transform, CWT)结合的诊断方法,使用非常窄的尺度从特定的频带中提取电机启动过程中振动信号的细节特征,与ANN相比该方法实现简单且诊断精度较高。通常训练集由历史运行数据构成,电力直驱推进装置的正常数据远多于故障数据,文献[71]将基于模型的方法和SVM方法相结合来解决不同类别的训练样本不平衡的问题,建立船舶推进装置的仿真模型,利用改进后的SVM对仿真数据进行定量的故障检测。SVM在处理小样本,非线性数据的分类时更具优势,但由于船舶电力直驱推进装置内部高温、高湿、高盐的恶劣的环境,以及螺旋桨和电机带来的非定常激励力的影响,传感器所监测的信号中干扰因素较多。单一的SVM受低信噪比样本、不平衡样本以及模型参数的影响很大,和其他人工智能技术的结合,是弥补其局限性的发展方向之一。

深度学习以其强大的自学习能力成为目前智能诊断的热点,各种深度学习算法已应用于推进器部件的故障诊断中。如深度置信网络(deep belief networks, DBN)具有自适应地提取原始数据的故障特征的能力,在船舶轴系故障诊断中,其克服了背景噪声、电路元器件零点漂移等干扰因素实现了故障类型的自动识别[72]。针对船舶集成推进装置微小故障不易发现,浅层机器学习算法难以有效识别故障特征等问题,文献[73]将轴承故障特征提取和分类环节融合到一个学习体中,利用一维卷积神经网络(one dimension-convolutional neural networks, 1D-CNN)直接提取原始数据的有效特征,并设计了一维全局均值池化层代替传统的全连接层,减少了参数量和诊断时间,更加适用于微小故障的快速诊断。同时,船舶电力直驱推进装置工况复杂多变,浅层机器学习算法存在一种模型只能针对一类特定工况的问题,文献[74]将胶囊网络(Caps-Net)与卷积网络(convolutional neural networks, CNN)相结合,建立了一种具有强泛化性的模型。利用不含池化层的CNN提取原始图像的重要特征,将基于动态路由算法的胶囊网络作为分类器,实现在不同工况下电机的多故障智能检测。此外,深度迁移学习在处理变工况、小样本情况下的故障诊断问题极具优势,可通过缩小源域和目标域的分布差异,实现诊断模型的迁移[75],有潜力解决试验室模型难以工程化应用的问题。

相比ANN、SVM这些浅层的机器学习算法,深度学习无需任何先验知识,可以直接在采集的信号上迭代学习提取特征,实现端对端的故障诊断。同时,深度学习模型的可移植性强,在不同问题领域具有良好的适用性和泛化能力,是未来船舶电力直驱推进装置智能诊断的一个重要方向。目前,深度学习在船舶电力推进装置的故障诊断中仍处于起步阶段,主要围绕船舶轴承、电机和逆变器[76]等单个部件开展的试验研究。船舶电力直驱推进装置样本量少且样本不平衡的现状是限制深度学习方法在实际船舶中应用的重要因素。如何将故障诊断模型从试验室转化到实船领域,深度迁移学习为其提供了解决思路。

4 存在的问题与对策建议

电力直驱推进装置智能运维研究的核心问题之一是如何实现对其健康状态的感知,这又包括了3个问题,首先明确健康指标,其次是如何“感”,再是如何“知”,分别取决于故障模式和机理分析、状态监测技术、故障诊断技术。

目前对集成电力推进器故障模式和机理的认识还停留在单个部件层面,各损伤模式之间的相互影响规律研究仍存在许多空白。此外轮缘推进器在国内还处于研发和推广阶段,其主要部件故障模式和机理的研究尚未报道,仍需开展大量的理论和试验研究。

针对电力直驱推进装置的特点,目前状态监测方向存在以下3个问题:

1)推进器集成化程度高,内部空间狭小,集成电力推进器整体被吊装在船舱外部,这使得传感器的布置难度增加,可布置的传感器数量减少,可监测性下降;

2)传感器的工作环境恶劣,狭窄的推进器内部存在高温、高湿、高盐的环境,部分传感器需要浸泡在海水、泥沙水中,对传感器本身的防护性和可靠性提出了更高的要求。同时,电力推进系统中大量的电力电子元器件会对传感器信号产生电磁干扰;

3)由于电力直驱推进装置中电机、轴承、螺旋桨的安装紧凑,电机的不平衡磁拉力、螺旋桨的非定常水动力等之间互相干扰,导致各部件的振动信号高度耦合,增加了后续诊断的难度。

为了解决电力直驱推进装置状态监测中的技术难题,本文提出了在未来需要重点关注的研究方向:

1)传感设备应朝着小型化、集成化、智能化的范式发展,在零部件的设计制造阶段就实现其状态参数的获取,与部件融为一体形成智能装备,对其全生命周期健康状态进行监测,同时单个传感器应具备多种状态参数的采集能力,尽可能在传感设备有限的情况下获取更多的参数;

2)针对电力直驱推进装置对传感器可靠性以及信号传输可靠性的高要求,如何将光纤传感、超声无损监测等对电磁干扰不敏感、易于实现分布式传感网络的监测技术应用于电力推进器是重要发展方向之一;同时,基于5G的物联网技术为解决信号传输易受干扰的问题提供了思路;

3)发展先进的信号处理技术,针对多部件耦合信号进行分离,引入数据清洗技术,同时结合多维度不同类型的信息融合技术,对数据进行预处理,可提高信号的有效性。

智能诊断依赖于数据的种类、数量、质量等,对电力直驱推进装置智能诊断的难点总结为:

1)由于传感设备的安装空间有限,可能存在样本采集来源单一、样本量少的问题;

2)传感设备的工作环境恶劣,易导致传感器零点漂移或信噪比差,同时各部件之间运行存在相互干扰,导致采集的信号耦合成分多,需要降低诊断对数据扰动的敏感性;

3)目前尚没有电力直驱推进装置的故障数据集,故障模式和故障机理还有待进一步揭示。基于实测数据的故障诊断存在样本不平衡、模型训练不充分,易发生欠拟合和过拟合等问题;

4)电力直驱推进装置实际服役环境复杂多变,目前基于实验室条件的模拟工况和状态信号离推进装置实际服役状态有较大差别,这会影响服役时的故障诊断精度。

总的来说,电力直驱推进装置的智能诊断还面临许多问题,近些年对深度迁移学习的研究为解决这些难题提供了解决思路,该方法在不同工况、小样本情况下诊断极具优势,可以将试验室条件下的诊断模型迁移到实际工程中。

5 结论

1)船舶电力直驱推进装置中的水润滑推力轴承、轮缘电机护套的故障模式和机理尚不明确,缺乏失效案例和故障数据集的统计,直接影响故障诊断研究开展和模型准确性。

2)电力直驱推进装置的特殊性导致其状态监测系统尚未成熟,嵌入式智能传感、光纤传感、超声无损监测等测试技术为电力直驱推进装置状态监测提供了思路。

3)智能诊断方法各有优劣,但在实际推进器中应用仍存在许多难题,其中深度迁移学习针对这些问题极具优势,是重点研究方向。具备全寿命周期健康感知的集成电力推进系统是未来发展趋势。