韓敏 李錦冰 許美玲 韓冰

柴油機是目前應(yīng)用最為廣泛的船舶動力裝置,其能否健康運行直接影響了船舶運輸?shù)陌踩托蔥1].為實現(xiàn)船舶的視情維護(hù),保障船舶長期穩(wěn)定運行,船舶柴油機的故障預(yù)測技術(shù)就顯得尤為重要.故障預(yù)測技術(shù)的應(yīng)用可以阻止故障的進(jìn)一步發(fā)展[2],減少甚至避免柴油機故障,在最大程度上減小機損帶來的損失,節(jié)省定期檢查的時間,提升運輸?shù)男蔥3].

但由于船舶柴油機的工作原理和工作環(huán)境均十分復(fù)雜,在實際的故障預(yù)測過程中獲得準(zhǔn)確的船舶柴油機故障信息非常困難[4].為了更好地將故障預(yù)測技術(shù)用于船舶柴油機領(lǐng)域,學(xué)者們提出了多種方法并獲得了較好的結(jié)果[5?7].Morgan等[8]提出一種基于潤滑樣品的光譜分析檢測和診斷故障的方法,用于實現(xiàn)較為準(zhǔn)確的柴油機故障早期診斷.Porteiro等[9]使用神經(jīng)網(wǎng)絡(luò)估計發(fā)動機的負(fù)荷和健康狀態(tài),并確定故障原因,通過使用不同的數(shù)據(jù)來獲得最佳的個體和整體預(yù)測準(zhǔn)確度.Diez-Olivan等[10]提出了一種基于非參數(shù)密度估計的異常檢測和nu-SVM正態(tài)性建模的數(shù)據(jù)驅(qū)動學(xué)習(xí)框架,用于解決真實故障信息有限時的船舶柴油機故障預(yù)測問題.這些方法的提出有效地提升了故障預(yù)測的精度,擴(kuò)展了故障預(yù)測在船舶柴油機方面的應(yīng)用.

但在實際的船舶柴油機故障預(yù)測過程中還容易遇到兩個問題,一是當(dāng)柴油機系統(tǒng)出現(xiàn)工作狀態(tài)轉(zhuǎn)換時會引起非常明顯的狀態(tài)參數(shù)變化,嚴(yán)重影響故障分析的精度.現(xiàn)有的解決方法主要是容錯和數(shù)據(jù)冗余等,但都不利于船舶柴油機故障預(yù)測的實際應(yīng)用.另一個問題是柴油機系統(tǒng)工作原理和工作環(huán)境均十分復(fù)雜,其狀態(tài)參數(shù)容易受各種干擾等不確定性因素的影響,用于提高故障預(yù)測精度的高精度船舶柴油機模型建立十分困難[11],無法更好地展現(xiàn)參數(shù)的變化,影響船舶柴油機的故障分析精度.而現(xiàn)有的建模方法一般包括數(shù)據(jù)建模方法和機理建模方法,但兩種方法建立模型在要求精度較高時均非常困難.

基于卡爾曼濾波器的狀態(tài)估計的故障預(yù)測方法是利用狀態(tài)參數(shù)的估計值與觀測值進(jìn)行比較獲得的殘差來判斷系統(tǒng)的健康狀態(tài)[12],在出現(xiàn)故障趨勢的早期將故障判斷出來,實現(xiàn)故障預(yù)測.隨著人們對故障預(yù)測精度要求的不斷提高,多種改進(jìn)方法被提出并應(yīng)用于故障預(yù)測領(lǐng)域[13],包括擴(kuò)展卡爾曼濾波器[14]、無跡卡爾曼濾波器[15]等.這些方法的提出有效提高了故障預(yù)測的效率,但仍無法在適應(yīng)船舶柴油機復(fù)雜的工作環(huán)境.2007年Gillijns等[16]擴(kuò)展了未知輸入卡爾曼濾波器(Unknown input Kalman filter,UIKF),可以利用未知輸入項實現(xiàn)不同工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測,同時降低系統(tǒng)高精度建模的復(fù)雜性[17].但該方法的預(yù)測結(jié)果不穩(wěn)定,同時也會延遲故障的發(fā)現(xiàn).Keller等[18]在2013年提出了一種間歇性未知輸入卡爾曼濾波器(Intermittent unknown input Kalman filter,IIKF),可以有效避免未知輸入對故障預(yù)測效率的影響,但無法達(dá)到降低建模復(fù)雜度和提升預(yù)測精度的目的.

為解決現(xiàn)有船舶柴油機故障預(yù)測和卡爾曼濾波器存在的問題,本文提出了一種增強型間歇性未知輸入卡爾曼濾波器(Enhanced intermittent unknown input Kalman filter,EIIKF).這種方法結(jié)合了UIKF和IIKF的優(yōu)勢,有效地降低了建模的復(fù)雜度,同時可以應(yīng)對船舶柴油機工作環(huán)境復(fù)雜且工況多變的特點.隨后提出并采用改進(jìn)的序貫概率比檢驗方法對殘差進(jìn)行處理,判斷柴油機的關(guān)鍵狀態(tài)參數(shù)是否存在變化趨勢,進(jìn)而評估系統(tǒng)的健康狀態(tài).仿真結(jié)果表明,本文所提方法可以更早地發(fā)現(xiàn)故障,減小故障誤判,提高船舶柴油機故障預(yù)測精度.

1 EIIKF參數(shù)預(yù)測原理

為實現(xiàn)復(fù)雜工作環(huán)境下的船舶柴油機狀態(tài)參數(shù)的預(yù)測,本文提出并使用了一種EIIKF算法.它可以應(yīng)對預(yù)測過程中的不確定性,并最終實現(xiàn)更好的船舶柴油機系統(tǒng)故障預(yù)測.

1.1 EIIKF模型

首先,建立EIIKF狀態(tài)模型如式(1)所示:

其中Ak,Bk,Ck,Dk均為模型中的系數(shù)矩陣,用于描述柴油機關(guān)鍵狀態(tài)參數(shù)變化趨勢,xk為狀態(tài)矩陣,yk為輸出矩陣,νk和ωk分別為過程噪聲和測量噪聲,下標(biāo)k是指預(yù)測序數(shù).未知輸入補償項主要由未知輸入系數(shù)矩陣Fk和未知輸入項組成,用于補償柴油機不同工作狀態(tài)轉(zhuǎn)換過程和不確定性因素引起的誤差,其中本文所提方法中的和上文提到的UIKF和IIKF的未知輸入項相比,增加了一個更加靈活的間歇性系數(shù)矩陣,用于調(diào)整未知輸入項對狀態(tài)估計過程的影響,如式(2)所示:

其中,dk?1|k是未知輸入項dk的估計值,用于減小預(yù)測誤差,同時應(yīng)對具有不同工作狀態(tài)轉(zhuǎn)換過程的參數(shù)預(yù)測.其中的θ為柴油機是否存在工作狀態(tài)轉(zhuǎn)換的指示,當(dāng)值為1時表示存在工作狀態(tài)轉(zhuǎn)換,值為0時表示不存在.其中ρθk參數(shù)矩陣中元素選擇策略如式(3)所示:

其中,i為預(yù)測的狀態(tài)所在矩陣位置,c1為大于或等于1的常數(shù),c2為一個小于1大于0的特定常數(shù).

由于船舶柴油機工作環(huán)境復(fù)雜且工況多變,建立的系統(tǒng)狀態(tài)參數(shù)模型無法有效展現(xiàn)這一特點,嚴(yán)重影響預(yù)測精度.本文所提EIIKF可以使用未知輸入項對預(yù)測過程中不確定性進(jìn)行補償,降低建模復(fù)雜度,同時實現(xiàn)工作狀態(tài)轉(zhuǎn)換情況下的參數(shù)預(yù)測.

1.2 參數(shù)更新和狀態(tài)估計

本文中采用增廣矩陣的方法推導(dǎo)未知輸入估計項dk?1|k,將Xk|k設(shè)定為狀態(tài)xk|k和未知輸入估計項dk?1|k的增廣矩陣,即. 同樣使用增廣矩陣方法估計協(xié)方差矩陣,令則整體的協(xié)方差矩陣寫為,經(jīng)更新計算,其中為先驗狀態(tài)估計和后驗狀態(tài)估計的協(xié)方差矩陣,是未知輸入的估計與實際應(yīng)輸入值的協(xié)方差矩陣.觀測值和估計值差對未知輸入的影響系數(shù)矩陣為,對狀態(tài)后驗估計值的影響系數(shù)矩陣為,則,運算的同時對參數(shù)進(jìn)行更新[18],如式(4)所示.

利用式(5)對式(4)解耦,

獲得式(6)所示的EIIKF遞推公式.

1.3 狀態(tài)參數(shù)預(yù)測算法

為應(yīng)對船舶柴油機存在的工作環(huán)境復(fù)雜且工況多變的特點,EIIKF在進(jìn)行參數(shù)預(yù)測時利用未知輸入項對系統(tǒng)狀態(tài)估計過程中的不確定性進(jìn)行補償,利用不同的未知輸入項的間歇性系數(shù)矩陣ρθk實現(xiàn)工作狀態(tài)轉(zhuǎn)換情況下的參數(shù)預(yù)測.使用EIIKF進(jìn)行具有工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測的具體過程步驟如下:

步驟1.建立需要預(yù)測的目標(biāo)系統(tǒng)狀態(tài)參數(shù)模型,選定未知輸入間歇性系數(shù)矩陣ρθk,默認(rèn)初始無工作狀態(tài)轉(zhuǎn)換;

步驟2.進(jìn)行數(shù)據(jù)濾波處理,判斷是否存在工作狀態(tài)轉(zhuǎn)換,當(dāng)存在轉(zhuǎn)換時改變,并變換預(yù)測模型為工作狀態(tài)轉(zhuǎn)換模型,不存在工作狀態(tài)轉(zhuǎn)換時不進(jìn)行調(diào)整,根據(jù)現(xiàn)有數(shù)據(jù)和式(6)進(jìn)行參數(shù)更新;

步驟3.重復(fù)進(jìn)行步驟2,若步驟2發(fā)現(xiàn)正在進(jìn)行工作狀態(tài)轉(zhuǎn)換,則需要判斷是否完成工作狀態(tài)轉(zhuǎn)換,若完成時改變,切換模型,并在正常工作模型基礎(chǔ)上調(diào)整μk值.

2 改進(jìn)的序貫概率比檢驗方法的殘差處理

為實現(xiàn)完整的船舶柴油機故障預(yù)測,本文提出了一種改進(jìn)的序貫概率比檢驗方法,并將其用于殘差處理,將原有的序貫概率比檢驗方法轉(zhuǎn)換為實時在線判定的方法,同時也提高了故障判斷精度.

序貫概率比檢驗的殘差處理是一種基于統(tǒng)計規(guī)律的方法,其原理如式(7)所示,

其中,zk是第k個采樣點處觀測值,yk為第k個采樣點的預(yù)測值.令H1為假設(shè)出現(xiàn)故障,H0為假設(shè)無故障,則λ(k)為假設(shè)有故障和無故障時出現(xiàn)現(xiàn)有殘差分布情況的概率比值的對數(shù)[19].分析可知,系統(tǒng)正常時,使用卡爾曼濾波器估計值與觀測值產(chǎn)生的殘差符合均值為0的高斯分布,當(dāng)系統(tǒng)出現(xiàn)故障時,估計值與觀測值出現(xiàn)較大偏差,符合均值不為0的高斯分布.因此λ(k)可寫作為式(8)所示.

序貫概率比檢驗結(jié)果是一種殘差累加,可以更加有效地發(fā)現(xiàn)緩變故障.由于系統(tǒng)的故障模式不一,故障閾值的選擇需要使用特定的方法.通過統(tǒng)計獲得整個系統(tǒng)的誤判率β,即未出現(xiàn)故障卻判斷為出現(xiàn)故障的比率;以及漏判率α,即出現(xiàn)故障卻判斷為未出現(xiàn)故障的比率.使用式(9)獲得兩個判斷的閾值.

當(dāng)λ(k)<η時判定系統(tǒng)沒有故障,當(dāng)λ(k)>δ時判定系統(tǒng)產(chǎn)生了故障,在η<λ(k)<δ時無法判斷系統(tǒng)健康狀態(tài),需要繼續(xù)進(jìn)行判斷.

在實際應(yīng)用中我們可以認(rèn)為當(dāng)λ(k)<δ時即不可判定系統(tǒng)存在故障,在連續(xù)多個采樣點保持λ(k)<0之后可以判定此處沒有故障.本文提出的改進(jìn)序貫分析方法直接忽略此處的η,選定特定常數(shù)n,在連續(xù)n個采樣點均滿足λ(k)<0時可以將λ(k)歸零,重新開始判斷.

上述的方法仍可能出現(xiàn)較大的誤判率,因此本文提出的改進(jìn)序貫概率比檢驗算法選定了一個滑動窗口,其窗口長度為N,計算滑動窗口內(nèi)λ(k)>δ的次數(shù),這個次數(shù)與窗口長度N之比可認(rèn)為是此時發(fā)生故障的概率[20],本文中一般選用N=50就可以保證要求,可以過濾大部分誤判現(xiàn)象.根據(jù)對故障誤判要求不同,可以人為設(shè)定靈活的概率?作為故障發(fā)生與否的閾值.

綜上所述,使用改進(jìn)的序貫概率比檢驗方法對殘差進(jìn)行處理的步驟歸納如下:

步驟1.利用歷史數(shù)據(jù)和式(8)獲得λ(k),根據(jù)統(tǒng)計計算獲得故障誤判率β和漏判率α;

步驟 2.根據(jù)式(9)獲得故障判斷閾值δ,選定固定常數(shù)N和n的值,選定判定閾值?;

步驟 3.利用式(8)在線獲得λ(k),當(dāng)出現(xiàn)n次符合λ(k)<0時將其歸零,連續(xù)判定最近N個采樣點內(nèi)符合λ(k)>δ的次數(shù),計算此時出現(xiàn)故障的概率;

步驟4.當(dāng)概率超過所選閾值概率?時判定此時出現(xiàn)故障,未超過則持續(xù)進(jìn)行步驟3和4.

3 仿真實驗

為驗證本文所提方法在柴油機故障預(yù)測過程中的有效性,以MAN公司6S35ME-B9型柴油機為對象建立AVL BOOST柴油機模型,根據(jù)AVL BOOST柴油機模型計算獲得特定工作狀態(tài)參數(shù)數(shù)據(jù),工作狀態(tài)轉(zhuǎn)換數(shù)據(jù)直接使用柴油機臺架實驗數(shù)據(jù).此外,采用在AVL BOOST建立的柴油機模型中逐步增加故障因素的方法仿真獲得故障發(fā)生過程數(shù)據(jù),三者組合獲得仿真數(shù)據(jù),其中采樣間隔是10s.在柴油機處于負(fù)荷工況時選取75%負(fù)荷和90%負(fù)荷兩個平穩(wěn)工作狀態(tài)各800個樣本,兩個工作狀態(tài)轉(zhuǎn)換數(shù)據(jù)95個樣本.在柴油機處于推進(jìn)工況時選取90%推進(jìn)和75%推進(jìn)兩個平穩(wěn)工作狀態(tài)數(shù)據(jù)各800個樣本,兩個工作狀態(tài)轉(zhuǎn)換數(shù)據(jù)42個樣本.排氣口堵塞故障發(fā)生過程數(shù)據(jù)1035個樣本,空冷器冷卻不足故障發(fā)生過程數(shù)據(jù)1025個樣本,渦輪機機械效率下降故障發(fā)生過程數(shù)據(jù)1151個樣本.

溫度壓力等熱力學(xué)參數(shù)信號是非常重要的船舶柴油機健康狀態(tài)的指示器[21],本文主要通過這些熱力學(xué)狀態(tài)參數(shù)對柴油機故障進(jìn)行分析.為實現(xiàn)對柴油機中子系統(tǒng)健康狀態(tài)的預(yù)測,本文選擇的關(guān)鍵狀態(tài)參數(shù)主要包括壓力機流量、壓力機前后壓差、空冷器前后溫差、空冷器前后壓差、排氣溫度和排氣壓力等.壓力機流量和壓力機前后壓差在很大程度上可以表征渦輪增壓器的健康狀態(tài),空冷器前后溫差和壓差可以在很大程度上表征空冷器的健康狀態(tài),而排氣溫度和排氣壓力出現(xiàn)變化則可以表征氣缸系統(tǒng)的潛在故障.另外本文中假設(shè)所有故障都是柴油機系統(tǒng)故障,在實際應(yīng)用時可以通過多源信息融合的方法區(qū)分系統(tǒng)故障和傳感器故障.

3.1 在線預(yù)測

為驗證本文提出EIIKF的參數(shù)預(yù)測特性,分別采用UIKF和IIKF兩種算法對多種具有不同工作狀態(tài)的柴油機狀態(tài)參數(shù)進(jìn)行預(yù)測并與EIIKF預(yù)測結(jié)果進(jìn)行對比.由于系統(tǒng)影響因素較多,使用專業(yè)知識進(jìn)行柴油機關(guān)鍵參數(shù)的建模過程非常復(fù)雜.本文采用自回歸方法利用歷史數(shù)據(jù)對不同狀態(tài)參數(shù)變化過程建模[14],并將這些模型用于參數(shù)預(yù)測.

使用三種算法對柴油機排氣溫度等參數(shù)進(jìn)行預(yù)測的均方根誤差(Root mean-squared error,RMSE)結(jié)果對比如表1所示.UIKF是在預(yù)測過程中加入未知輸入,可以減小參數(shù)預(yù)測過程中的不確定性噪聲引起的誤差.但從圖1也可以發(fā)現(xiàn),該方法參數(shù)預(yù)測值較為敏感,容易引發(fā)故障誤報.IIKF可以較好地完成具有工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測,但不能體現(xiàn)系統(tǒng)正常工作狀態(tài)特征.EIIKF結(jié)合了兩種方法的優(yōu)勢,可以有效進(jìn)行具有工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測,同時表1可以明顯發(fā)現(xiàn)本文所提方法在參數(shù)預(yù)測方面得到了較好的結(jié)果,同時能夠避免預(yù)測模型輸出敏感引起誤報的可能性.

表1 三種算法參數(shù)預(yù)測誤差對比表Table 1 The residual comparison of three algorithms for parameter prognosis

下面以排氣溫度的90%推進(jìn)工作狀態(tài)向75%推進(jìn)工作狀態(tài)的轉(zhuǎn)換為例對EIIKF的工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測能力進(jìn)行驗證并與UIKF和IIKF預(yù)測結(jié)果進(jìn)行對比.如圖2所示,在第40個采樣點處開始進(jìn)行工作狀態(tài)轉(zhuǎn)換,在第97個采樣點完成工作狀態(tài)的轉(zhuǎn)換.

從三種算法對工作狀態(tài)轉(zhuǎn)換過程的參數(shù)預(yù)測結(jié)果中,可以發(fā)現(xiàn)在工作狀態(tài)轉(zhuǎn)換之后UIKF的預(yù)測精度變差,可知UIKF預(yù)測方法的魯棒性不強.EIIKF和IIKF均可以完成工作狀態(tài)轉(zhuǎn)換的參數(shù)預(yù)測,但I(xiàn)IKF在穩(wěn)定工作狀態(tài)的預(yù)測過程中精度較低,影響故障預(yù)測效果.

圖1 三種算法對排氣溫度的預(yù)測結(jié)果比較Fig.1 The comparison of parameter prediction results for exhaust temperature of three algorithms

圖2 三種算法對具有工作狀態(tài)轉(zhuǎn)換的排氣溫度預(yù)測結(jié)果Fig.2 The prediction results of exhaust gas temperature with working state transition by three algorithms

圖3是使用EIIKF加入未知輸入項和未加入未知輸入項時應(yīng)對上述工作狀態(tài)轉(zhuǎn)換過程進(jìn)行預(yù)測結(jié)果對比.加入未知輸入時EIIKF的預(yù)測誤差RMSE=0.3789,對故障預(yù)測影響不大,而未加入未知輸入時RMSE=1.0732,可以有效區(qū)分故障因素和工作狀態(tài)轉(zhuǎn)換因素引起的參數(shù)突變.

圖3 EIIKF對加入和未加入未知輸入時的排氣溫度預(yù)測結(jié)果Fig.3 The prediction results of exhaust gas temperature with and without unknown input by EIIKF

3.2 在線殘差處理

本文提出并采用改進(jìn)的序貫概率比檢驗方法用于預(yù)測殘差處理,并與現(xiàn)有殘差處理方法進(jìn)行仿真對比.其中用作仿真的排氣溫度數(shù)據(jù)組成如下:在75%負(fù)荷工作狀態(tài)平穩(wěn)運行800個采樣間隔后向90%負(fù)荷工作狀態(tài)轉(zhuǎn)換,轉(zhuǎn)換完成后平穩(wěn)運行至1695個采樣點開始加入故障因素,在2650個采樣點處出現(xiàn)數(shù)據(jù)突變,可以認(rèn)為此處發(fā)生故障的可能性最大.

圖4是使用EIIKF進(jìn)行的排氣溫度進(jìn)行參數(shù)預(yù)測的結(jié)果,同時使用三倍標(biāo)準(zhǔn)差方法[23]對殘差進(jìn)行判斷,可以發(fā)現(xiàn)在第748、897和2065個采樣點以后分別發(fā)現(xiàn)了故障,與實際情況不符,因此三倍標(biāo)準(zhǔn)差方法存在誤判和較嚴(yán)重的漏判現(xiàn)象.

圖4 EIIKF排氣溫度的預(yù)測結(jié)果及三倍標(biāo)準(zhǔn)差殘差判斷Fig.4 The prediction result of exhaust gas temperature use EIIKF and three-sigma range residual judgment

圖5是使用傳統(tǒng)序貫概率比檢驗方法和本文所提改進(jìn)序貫概率比檢驗對上述EIIKF預(yù)測產(chǎn)生殘差處理的情況對比,改進(jìn)的序貫概率比檢驗方法明顯可以較早地發(fā)現(xiàn)故障.使用傳統(tǒng)序貫概率比檢驗方法計算排氣溫度殘差故障閾值,β=0.2449,α=0.1069,則判斷閾值δ=7.0636.在第62、1534至1558個采樣點和1991個采樣點以后處均超出閾值,可以看出傳統(tǒng)序貫概率比檢驗方法也存在較為嚴(yán)重的誤判現(xiàn)象.

使用本文提出的改進(jìn)序貫概率比檢驗結(jié)果進(jìn)行排氣溫度殘差分析,在連續(xù)30個采樣點的序貫結(jié)果小于0時認(rèn)為系統(tǒng)無故障,此時可以將歸零.此處的β=0.2427,α=0.0643,則故障閾值δ=11.7783.為減小故障誤判,此處滑動窗口長度選用N=50,選用閾值概率?為100%,在第1947個采樣點處發(fā)現(xiàn)故障.因此本文所提改進(jìn)序貫概率比檢驗方法相較傳統(tǒng)序貫概率比檢驗方法可以保證特定誤判率要求的故障預(yù)測,相較三倍標(biāo)準(zhǔn)差方法明顯較早發(fā)現(xiàn)故障.

表2是幾種殘差處理方法對三種不同故障發(fā)生過程判斷結(jié)果,選用誤判率、漏判率和精確度三種評價指標(biāo)對殘差處理方法進(jìn)行比較.在表2中可以發(fā)現(xiàn)本文所提改進(jìn)序貫概率比檢驗方法保證了較低的誤判率,同時也具有較高的精確度,只有序貫概率比檢驗在故障2的判斷時精確度高于改進(jìn)序貫概率比檢驗方法,但該方法的誤判率明顯過大,認(rèn)為此處出現(xiàn)了故障預(yù)測失敗.因此可知,改進(jìn)的序貫概率比檢驗方法可以應(yīng)對在線的故障判斷,在減小故障誤判的同時較早地發(fā)現(xiàn)故障,更好地應(yīng)用于系統(tǒng)視情維護(hù).

圖5 序貫概率比檢驗和改進(jìn)序貫概率比檢驗結(jié)果對比Fig.5 The comparison of sequential probability ratio test results and improved sequential probability ratio test results

表2 幾種方法殘差處理對比表Table 2 The comparison of several methods for residual processing

3.3 故障預(yù)測驗證

為驗證本文所提方法的有效性,對柴油機運行工況變化過程中的系統(tǒng)故障進(jìn)行預(yù)測,并使用改進(jìn)的序貫概率比檢驗方法對殘差進(jìn)行處理,測試結(jié)果如表3所示.

表3 IIKF和EIIKF故障預(yù)測對比表Table 3 The comparison of IIKF and EIIKF for fault prognosis

比較表3中兩種方法的故障預(yù)測特性可以發(fā)現(xiàn),在具有工作狀態(tài)轉(zhuǎn)換的故障預(yù)測過程中,EIIKF對上述故障均實現(xiàn)了較好地預(yù)測,且相對IIKF具有明顯優(yōu)勢.由于IIKF在參數(shù)預(yù)測時存在預(yù)測精度不理想的現(xiàn)象,會出現(xiàn)部分參數(shù)的故障預(yù)測失敗的問題.

4 結(jié)論

本文針對船舶柴油機工作環(huán)境復(fù)雜和工況多變的特點,提出了一種EIIKF算法用于彌補參數(shù)預(yù)測過程中的不確定性,降低建模復(fù)雜度,實現(xiàn)具有工作狀態(tài)轉(zhuǎn)換情況下的船舶柴油機狀態(tài)估計.然后提出并使用改進(jìn)的序貫概率比檢驗處理預(yù)測殘差,可以按照特定誤判率要求評估柴油機的健康狀態(tài),最后通過對柴油機具有工作狀態(tài)轉(zhuǎn)換的狀態(tài)參數(shù)進(jìn)行預(yù)測,說明該方法的有效性.仿真結(jié)果證明,本文所提方法能有效解決船舶柴油機參數(shù)建模復(fù)雜和具有工作狀態(tài)轉(zhuǎn)換情況下的故障預(yù)測問題.