趙俊超， 汪佳彪， 艾麥提布拉丁， 王起碩， 毛冬麟

(上海船舶設備研究所， 上海 200030)

0 引 言

當前，隨著科技的不斷進步，機械設備正朝著精密化、自動化和智能化方向發(fā)展，這些先進設備在提高生產(chǎn)效率、提升產(chǎn)品質(zhì)量和節(jié)約生產(chǎn)成本的同時，也帶來了高昂的維護和保障成本[1]。傳統(tǒng)的船用柴油發(fā)電機組診斷基本上為故障診斷，即根據(jù)機組出現(xiàn)異常時的參數(shù)和狀態(tài)，或在機組發(fā)生故障之后對其進行拆檢，判斷引發(fā)故障的原因并進行處理，這種方式效率低、成本高，無法提前判斷機組的運行狀態(tài)并預防故障發(fā)生。若機組在運行過程中發(fā)生故障，輕則導致機組停機，重則影響船舶的正常運行。

本文以船用柴油發(fā)電機組為研究對象，采集功率、轉(zhuǎn)速和滑油溫度等大量機組運行參數(shù)，采用統(tǒng)計學方法分析數(shù)據(jù)特征，采用專家經(jīng)驗法分析故障類型及相應特征，通過機器學習進行相應訓練，得到一套機組故障識別算法。在此基礎上，搭建一套機組健康診斷系統(tǒng)，對機組的運行狀態(tài)進行監(jiān)測、分類和識別，實現(xiàn)對機組的健康狀態(tài)診斷、故障預測和故障報警。

1 基于統(tǒng)計學的機組參數(shù)分析

統(tǒng)計學的基本原理是基于概率論思維建立一種數(shù)學模型，通過收集與所觀察系統(tǒng)有關的數(shù)據(jù)，對其進行數(shù)理分析和歸納總結(jié)，找出主要規(guī)律和特征，為制訂相關決策提供科學依據(jù)。隨著科技的飛速發(fā)展，當前統(tǒng)計學不斷吸收和融合新理論，已在很多領域得到應用[2]。

本文以實驗室現(xiàn)有的某型船用柴油發(fā)電機組為試驗對象，采集機組的功率、轉(zhuǎn)速、排氣溫度、滑油溫度、滑油壓力、冷卻水溫度、冷卻水壓力、海水溫度和罩內(nèi)空氣溫度等參數(shù)。數(shù)據(jù)采集頻率為1 Hz，1個工作周期為8 h。對采集到的參數(shù)進行歸一化處理，并繪制成曲線圖，結(jié)果見圖1。從圖1中可看出機組運行時其基本參數(shù)的變化趨勢。

圖1 機組運行參數(shù)統(tǒng)計

由圖1可初步分析出機組參數(shù)具有以下表象特征：

1) 轉(zhuǎn)速隨功率的升高而下降；

2) 排氣溫度、罩內(nèi)空氣溫度和冷卻水溫度分別與功率成正相關關系；

3) 滑油溫度的升高相較冷卻水溫度的升高有所延遲；

4) 海水泵壓力幾乎沒有變化，與功率和轉(zhuǎn)速無關；

5) 柴油機滑油壓力與轉(zhuǎn)速成正相關關系，轉(zhuǎn)速越高，壓力越大；

6) 海水泵后溫度幾乎不變；

7) 冷卻水壓力與轉(zhuǎn)速成正相關關系；

8) 部分缸排溫偶爾出現(xiàn)異常波動。

以上表象特征可關聯(lián)柴油發(fā)電機組的運行原理和內(nèi)部特性，如：1)為機組的下垂特性；2)和3)是熱擴散導致的；4)的原因為海水泵由外部供電，不受機組運行的影響；5)和6)的原因為滑油泵和淡水泵均為機帶泵，受機組轉(zhuǎn)速的影響；7)的原因為試驗用海水為外部水源，其泵后溫度僅受外部環(huán)境溫度的影響；8)為傳感器故障導致的數(shù)據(jù)采集波動。

因此，可簡單地將以上關聯(lián)變量擬合為一個具體的公式。例如，可采用最小二乘法將排溫均值與功率擬合為圖2所示的曲線。

圖2 柴油發(fā)電機組排溫均值與功率擬合曲線

擬合曲線的函數(shù)表達式為

y=8.12×10-9x3-6.45×10-5x2+0.22x+b

(1)

式(1)中：b為不同氣缸的修正值。因此，可根據(jù)該曲線和機組當前運行功率計算出排溫理論值，通過設置合適的b值限定排溫上下限，將實際測量的排溫與計算出的排溫范圍相比較，判斷機組氣缸運行是否異常。

類似地，可采用相同的方法對機組其他參數(shù)進行判斷。

2 基于層次分析法的機組健康評分

在對機組運行參數(shù)進行分析的基礎上，進行機組健康評分計算。機組結(jié)構(gòu)復雜，健康構(gòu)成參數(shù)眾多，不同傳感器提供的信息都存在局限性和不確定性，單獨根據(jù)某臺傳感器檢測的參數(shù)判斷設備的健康狀態(tài)會出現(xiàn)較大的誤差。因此，需對不同傳感器的數(shù)據(jù)進行整理、分析和判斷，根據(jù)某種優(yōu)化準則將互補、冗余的信息組合起來，產(chǎn)生對觀測對象的一致性解釋和描述，由此提高信息的可信度和系統(tǒng)的容錯能力[3]。

本文采用層次分析法進行機組健康評分計算，統(tǒng)一量化各項指標，根據(jù)不同指標對決策目標的影響程度和實際情況分配權(quán)重[4]，在綜合分析各參數(shù)在保證機組正常運行方面的重要性之后，合理選擇最能反映機組運行狀態(tài)的指標。本文選用的柴油發(fā)電機組運行狀態(tài)評估指標見圖3。

圖3 柴油發(fā)電機組性能綜合評估指標體系

機組健康評分的計算式為

P=u1+u2+u3

(2)

u1=u11+…+u17

(3)

u14=u14A1+…+u14An+u14B1+…+u14Bn

(4)

式(2)～式(4)中：P為機組實際健康評分；u1為柴油機評分；u2為發(fā)電機評分；u3為電品質(zhì)評分；u11為轉(zhuǎn)速評分；u17為滑油壓力評分；u14為排溫評分；u14An為An排溫評分；u14Bn為Bn排溫評分。

同時，引入?yún)?shù)劣化度g(劣化度即機組某參數(shù)實際狀態(tài)與故障狀態(tài)相比的劣化程度)，其取值范圍為[0, 1]。當參數(shù)在正常范圍內(nèi)時，劣化度為0，此時的健康值為100；當參數(shù)的取值逐漸接近并超過報警限值時，劣化度由0逐漸變?yōu)?，此時的健康值變?yōu)?或60(具體數(shù)值根據(jù)參數(shù)的重要程度確定，例如：當停機類故障劣化度為1時，健康值為0；當不影響機組短時間正常運行的故障劣化度為1時，健康值為60)。若某個因素是由若干個子因素構(gòu)成的，為提高系統(tǒng)的安全性，該因素的劣化度取其子因素的劣化度的最大值。

機組設備結(jié)構(gòu)復雜，參數(shù)繁多，其綜合評價由多個參數(shù)共同決定，若單純對多個參數(shù)的健康值求平均值，將其作為系統(tǒng)的健康值，則當某個參數(shù)發(fā)生劣化時，系統(tǒng)評分可能會被其他健康評分平均掉，從而無法顯示系統(tǒng)真實的健康狀態(tài)。因此，機組健康評分應采用某種合適的權(quán)重分配。

本文采用隨劣化度變化的動態(tài)權(quán)重分配法對機組健康評分進行權(quán)重分配：當某一運行參數(shù)在正常范圍內(nèi)時(此時劣化度為0)，其權(quán)重為初始權(quán)重；當參數(shù)的運行狀態(tài)發(fā)生變化時，其權(quán)重開始增加；當參數(shù)的取值超出報警限值時，其權(quán)重變?yōu)?。如此便可將故障直觀地顯示在機組的綜合評估結(jié)果中。同時，權(quán)重值不呈線性變化，其在參數(shù)開始劣化時緩慢變化，當劣化度較大(如大于0.6)時，權(quán)重增長速度變快，迅速變?yōu)?，將故障參數(shù)的變化迅速體現(xiàn)在整體系統(tǒng)中[5]。

機組健康評估原理見圖4，將機組參數(shù)作為輸入變量，可實時得到機組在當前狀態(tài)下運行的健康指數(shù)。圖5為某時段機組健康狀態(tài)評分變化曲線與同時段采集到的機組部分設備參數(shù)變化曲線對比。

圖4 機組健康評估原理

圖5 某時段機組健康狀態(tài)評分變化曲線與同時段采集到的機組部分設備參數(shù)變化曲線對比

3 基于專家系統(tǒng)的故障分類

在得到健康評分之后，預測機組健康評分下降的原因，即在機組出現(xiàn)異常時，能通過異常參數(shù)判斷出機組發(fā)生故障的原因，從而實現(xiàn)健康診斷。故障判斷方法有很多，其中專家系統(tǒng)是近幾年設備故障診斷領域廣泛采用的方法之一，內(nèi)容包括診斷知識的表達、診斷推理方法、不確定性推理和診斷知識的獲取等。隨著計算機科學和人工智能的不斷發(fā)展，基于專家系統(tǒng)的故障診斷方法克服了基于模型的故障診斷方法對模型的過度依賴，是開展故障檢測的有效方法，已在很多領域得到應用[5]。

基于專家系統(tǒng)的故障診斷方法的原理為：當系統(tǒng)發(fā)生故障時，相關領域的專家可根據(jù)故障發(fā)生前后系統(tǒng)的運行參數(shù)和設備狀態(tài)，根據(jù)對系統(tǒng)結(jié)構(gòu)及相關歷史故障的深刻了解迅速作出判斷，確定故障發(fā)生的原因和部位。對于復雜系統(tǒng)的故障診斷而言，這種方法尤其有效。

在前期對機組的運行參數(shù)進行整理之后發(fā)現(xiàn)其中存在很多異常數(shù)據(jù)，對這些異常數(shù)據(jù)進行提取和歸納，根據(jù)專家經(jīng)驗和歷史故障，將這些異常數(shù)據(jù)分為幾種類型，分別對應不同故障，其中特征明顯的4種故障及其數(shù)據(jù)特征如下。

1) 故障A：當機組功率發(fā)生變化時，某一參數(shù)劇烈抖動，持續(xù)一段時間之后恢復正常。

2) 故障B：在機組平穩(wěn)運行過程中，某一參數(shù)突然增大(或變小)，持續(xù)一段時間之后恢復正常。

3) 故障C：在機組平穩(wěn)運行過程中，某一參數(shù)持續(xù)出現(xiàn)瞬間突變(尖峰)的情況。

4) 故障D：在機組平穩(wěn)運行過程中，某一參數(shù)出現(xiàn)次數(shù)極少的偶發(fā)突變(尖峰)的情況。

上述4種典型故障的機組故障類型特征曲線見圖6。

圖6 4種典型故障的機組故障類型特征曲線

4 基于機器學習的機組故障識別

在對故障進行分類之后，需研究一種故障識別算法，使系統(tǒng)能在參數(shù)發(fā)生變化時準確識別出對應故障并做出相應提示。已有研究證明，機器學習算法在解決分類問題方面的效果優(yōu)于傳統(tǒng)算法，尤其是在解決非線性分類問題方面[6]。因此，本文采用機器學習算法對數(shù)據(jù)進行訓練，得到一套機組故障識別算法，根據(jù)前期采集的參數(shù)對機組性能的描述情況，對不同數(shù)據(jù)進行規(guī)約，形成500組模型訓練數(shù)據(jù)集和模型測試數(shù)據(jù)集(訓練數(shù)據(jù)集中的數(shù)據(jù)占總數(shù)據(jù)的70%)。采用不同的機器學習算法對訓練數(shù)據(jù)集進行訓練，得到相關模型函數(shù)，采用測試數(shù)據(jù)集對模型函數(shù)進行驗證，并將驗證結(jié)果作為反饋優(yōu)化訓練模型。

在綜合分析比較多種機器學習算法的特點和適用范圍之后，選用決策樹、KNN(K-Nearest Neighbor)和樸素貝葉斯網(wǎng)絡搭建機器學習模型。

1) 決策樹的原理為：類比樹狀結(jié)構(gòu)的形式對數(shù)據(jù)進行分類，樹的每個葉節(jié)點對應1個分類，非葉節(jié)點對應某種屬性的劃分。決策樹的優(yōu)點是可讀性好，對人工分析很有幫助[7]。本文在進行決策樹模型訓練時，將決策樹準則選為基尼系數(shù)，最大深度設為默認不限，分裂策略選擇最優(yōu)的分裂策略，每個葉子節(jié)點需要的最少樣本數(shù)設為1個，并使各類別的權(quán)重相等。

2) KNN為限定半徑最近鄰近法，通過計算選擇最近質(zhì)心來分類[8]。本文在進行KNN模型訓練時，將K值設定為5，近鄰樣本的權(quán)重選用uniform模式，限定半徑最近法算法選用auto模式，權(quán)衡選擇較優(yōu)的算法。

3) 樸素貝葉斯的原理為：基于概率思想對數(shù)據(jù)進行分類，分別為先驗為高斯分布的樸素貝葉斯、先驗為多項式分布的樸素貝葉斯和先驗為伯努利分布的樸素貝葉斯[9]。由于本文中的數(shù)據(jù)認為是連續(xù)的，因此選用先驗為高斯分布的樸素貝葉斯算法，先驗率采用默認值，對模型進行訓練。

KNN算法常用于對非正態(tài)分布且密度函數(shù)未知的數(shù)據(jù)進行分類，對異常值不敏感；決策樹算法對數(shù)據(jù)處理的要求較高，需對數(shù)據(jù)進行分類，分類過程需面向問題本身，當數(shù)據(jù)量較大時，預測的準確度會下降；樸素貝葉斯算法對數(shù)據(jù)的要求較高，預測的準確度較高，通常在數(shù)據(jù)較少的情況下應用。

分別運用上述3種算法模型對訓練數(shù)據(jù)集進行訓練，采用測試數(shù)據(jù)集進行測試，得出3種機器學習算法在本文故障分類中的應用效果，選取其中3種故障的測試結(jié)果進行比較，結(jié)果見表1。

表1 3種機器學習算法應用效果比較

由表1可知：KNN算法的準確度約為65%，相對較低；決策樹算法和樸素貝葉斯算法的應用效果較好，準確度均在90%以上，符合算法的應用特性，滿足項目設計技術(shù)的需求，其中樸素貝葉斯算法的準確度在96%左右，效果最佳。

最終將前期得到的機組健康評分系統(tǒng)與故障識別算法相結(jié)合，建立完整的機組健康診斷系統(tǒng)(見圖7)，將機組參數(shù)作為輸入變量，可實時得到機組在當前狀態(tài)下運行時的健康指數(shù)，若發(fā)生故障，則可自動通過故障識別算法對故障數(shù)據(jù)進行判斷，并在界面顯示相應故障。

圖7 柴油發(fā)電機組健康診斷系統(tǒng)

5 結(jié) 語

當前，受使用環(huán)境復雜、空間狹小等因素影響，船用柴油發(fā)電機組檢修較為困難，維護和維修成本高昂。若設備在運行過程中發(fā)生故障，且因無相關預警系統(tǒng)而未能及時發(fā)現(xiàn)并作相應處理，輕則導致設備停機，重則影響整個生產(chǎn)系統(tǒng)的正常運行。

本文研究的船用柴油發(fā)電機組健康診斷系統(tǒng)可對機組的運行狀態(tài)進行實時監(jiān)測，實現(xiàn)對機組的健康狀態(tài)診斷、故障預測及故障報警，在實際應用之后，可建立一套通用型故障預測算法解決方案，為各類機械類設備、電力設備提供完整的故障診斷、故障預測智能化功能開發(fā)解決方案，從而降低企業(yè)的運營成本，提高設備的自動化程度。