趙博　時(shí)磊　黃歡　徐祖?！≈禅櫷?/p>

摘要：為有效診斷柴油發(fā)電機(jī)組中出現(xiàn)故障的傳感器類型，提出一種基于相關(guān)性-偏移量混合分析的傳感系統(tǒng)故障診斷方法。通過小波包信息熵提取柴油發(fā)電機(jī)組上不同類型傳感器采集的信號(hào)特征，利用相關(guān)性分析確定故障傳感器的類型，通過偏移量分析進(jìn)一步驗(yàn)證分析結(jié)果的準(zhǔn)確率。試驗(yàn)結(jié)果表明，采用該方法進(jìn)行傳感器系統(tǒng)故障診斷的準(zhǔn)確率可達(dá)92.52%，能夠有效識(shí)別出柴油發(fā)電機(jī)組中存在故障的傳感器類型。

關(guān)鍵詞：柴油發(fā)電機(jī)組；相關(guān)性分析；傳感器系統(tǒng)；故障診斷；偏移量分析

中圖分類號(hào)：TK401文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-6397（2023）05-0056-06

引用格式：趙博，時(shí)磊，黃歡，等.基于相關(guān)性-偏移量混合分析的船用柴油發(fā)電機(jī)組傳感系統(tǒng)故障診斷方法［J］.內(nèi)燃機(jī)與動(dòng)力裝置，2023，40（5）：56-61.

ZHAO Bo， SHI Lei， HUANG Huan， et al.Fault diagnosis method of marine diesel generator set sensing system based on correlation-offset hybrid analysis［J］.Internal Combustion Engine & Powerplant， 2023，40（5）：56-61.

0 引言

動(dòng)力系統(tǒng)作為整個(gè)船舶的核心，其安全性和可靠性直接影響船舶航行安全[1-3]。船用柴油機(jī)結(jié)構(gòu)復(fù)雜、工作條件惡劣，極易發(fā)生故障，因此對(duì)船舶動(dòng)力系統(tǒng)的狀態(tài)監(jiān)測(cè)至關(guān)重要。傳感器系統(tǒng)作為柴油發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)的主要系統(tǒng)，通過采集柴油發(fā)電機(jī)組溫度、壓力、轉(zhuǎn)速、電流和電壓等關(guān)鍵參數(shù)，向監(jiān)控系統(tǒng)提供準(zhǔn)確的運(yùn)行狀態(tài)信息。傳感器采集數(shù)據(jù)對(duì)發(fā)電機(jī)組的運(yùn)行管理、性能優(yōu)化和故障診斷具有重要意義[4]，但傳感器系統(tǒng)本身也存在故障和失效的風(fēng)險(xiǎn)，傳感器故障導(dǎo)致傳感器輸出數(shù)據(jù)不準(zhǔn)確、誤導(dǎo)性強(qiáng)，甚至完全失效，影響發(fā)動(dòng)機(jī)正常運(yùn)行。

為解決由于傳感器故障、失效等導(dǎo)致的反饋信息錯(cuò)誤問題，國內(nèi)外學(xué)者針對(duì)設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)的傳感器故障診斷方法進(jìn)行了研究：Elnour等[5]為解決非線性系統(tǒng)中的傳感器故障檢測(cè)問題，提出了概率主元的故障診斷分析法；Ding等[6]為有效監(jiān)控?zé)o人機(jī)運(yùn)作系統(tǒng)，提出了一種混合特征模型和深度學(xué)習(xí)相結(jié)合的無人機(jī)傳感器故障診斷方法；崔旭晶等[7]提出了基于小波變換的傳感器故障診斷方法，并準(zhǔn)確定位故障；魯進(jìn)軍等[8]提出了改進(jìn)主元分析方法，實(shí)現(xiàn)對(duì)速度傳感器異常的實(shí)時(shí)監(jiān)測(cè)，準(zhǔn)確定位故障部件，自動(dòng)識(shí)別故障類型。

上述方法側(cè)重于利用信號(hào)處理與專家系統(tǒng)方法對(duì)常見傳感器故障進(jìn)行識(shí)別，需要大量的訓(xùn)練數(shù)據(jù)且缺乏對(duì)整個(gè)系統(tǒng)故障傳感器的定位與識(shí)別[9-10]。針對(duì)這些問題，本文中提出一種基于相關(guān)性-偏移量混合分析的船用柴油發(fā)電機(jī)組傳感系統(tǒng)故障診斷方法，解決專家系統(tǒng)需大量訓(xùn)練樣本的問題，實(shí)現(xiàn)對(duì)不同類型傳感器故障的精準(zhǔn)判斷；通過搭建試驗(yàn)平臺(tái)，計(jì)算得到該方法的傳感器故障識(shí)別準(zhǔn)確率。

1 分析理論與分析方法

1.1 小波包熵理論

小波包能量特征能夠在一定程度上反映頻帶特征變化[11-12]。通過利用小波包基函數(shù)，將原始信號(hào)分解為多個(gè)相互獨(dú)立且?guī)捪嗤念l帶，這些頻帶中包含對(duì)動(dòng)態(tài)信號(hào)進(jìn)行檢測(cè)與分析所需的關(guān)鍵特征[13]。

將傳感器在時(shí)域上采集的信號(hào)函數(shù)f（t）進(jìn)行j層分解時(shí)，其分解式為：

式中：Ak為第k個(gè)傳感器正常工作時(shí)所測(cè)的數(shù)據(jù);Bk為第k個(gè)傳感器在經(jīng)過正常工作一段時(shí)間后，未知其是否發(fā)生故障時(shí)所測(cè)數(shù)據(jù)。

1.3 相關(guān)性-偏移量混合分析方法

正常工作狀態(tài)下，船用柴油機(jī)傳感系統(tǒng)中各路傳感器輸出信號(hào)的變化應(yīng)具有一致性，因此，可通過分析傳感器輸出信號(hào)識(shí)別故障傳感器[15]。基于上述理論基礎(chǔ)，提出一種基于統(tǒng)計(jì)學(xué)分析的船用柴油機(jī)傳感系統(tǒng)故障診斷方法，具體步驟如下。

1）利用溫度、電壓、電流等傳感器實(shí)時(shí)采集不同傳感器故障下的船用柴油機(jī)的運(yùn)行數(shù)據(jù)，利用式（4）提取采集信號(hào)的特征，生成包含不同傳感器故障特征的數(shù)據(jù)集。

2）利用式（5）計(jì)算每2個(gè)傳感器輸出信號(hào)之間的相關(guān)系數(shù)，得到傳感器閾值參數(shù)δi，當(dāng)某一傳感器與其他傳感器的相關(guān)系數(shù)均大于所設(shè)閾值時(shí)，認(rèn)為此傳感器出現(xiàn)異常。

3）為了進(jìn)一步保證診斷結(jié)果的可靠性，利用傳感器采集柴油機(jī)正常工作時(shí)的溫度、振動(dòng)、電壓、電流信號(hào)，構(gòu)建4維坐標(biāo)系；利用式（6）計(jì)算上述所認(rèn)為故障傳感器與正常所測(cè)數(shù)據(jù)偏移量；當(dāng)該傳感器所測(cè)數(shù)據(jù)偏移大于所設(shè)閾值γ時(shí)，認(rèn)為該傳感器確實(shí)存在故障，否則需重新采集數(shù)據(jù)進(jìn)行分析。

4）計(jì)算分析結(jié)果的準(zhǔn)確率

η=［（n－s）／n］×100%，（7）

式中：s為診斷結(jié)果與真實(shí)情況不符的樣本點(diǎn)個(gè)數(shù)。

故障診斷流程圖如圖1所示。

2 試驗(yàn)驗(yàn)證

2.1 試驗(yàn)平臺(tái)搭建

經(jīng)調(diào)研，船用柴油發(fā)電機(jī)組最常用的傳感器包括溫度、振動(dòng)、電流、電壓等傳感器，典型的故障情況類型主要包括：1）絕緣不良、短路、溫度補(bǔ)償線斷開等溫度傳感器故障，2）傳感器松動(dòng)、斷路、底座剛度變化等振動(dòng)傳感器故障，3）電磁干擾、斷路等電流傳感器故障，4）電磁干擾、短路等電壓傳感器故障[16]。

傳感器故障模擬方法為：1）溫度傳感器故障。通過熱電阻觸點(diǎn)處采用電阻下拉接地形式模擬絕緣不良故障；通過短接熱電阻2根引線模擬短路故障；通過斷開溫度補(bǔ)償線模擬傳感器短路故障。2）振動(dòng)傳感器故障。通過固定螺釘未擰緊、固定磁鐵退磁等方法模擬傳感器松動(dòng)；通過斷開傳感器輸出線模擬開路情況；通過使用橡膠墊作為底座模擬底座剛度變化。3）電壓、電流傳感器故障。電壓傳感器的故障類型包括電磁干擾與短路，通過傳感器旁放置變壓電路模擬電磁干擾，通過斷開傳感器輸出線模擬傳感器斷路。

本文中通過使用橡膠墊作為底座模擬振動(dòng)傳感器故障，通過在電壓、電流傳感器周圍布設(shè)電磁矯平設(shè)備模擬電壓傳感器故障，通過溫度補(bǔ)償線斷開模擬溫度傳感器故障，傳感器故障模擬如圖2所示。

基于上述理論與試驗(yàn)方案，本文中選擇一臺(tái)工作狀態(tài)良好的KDF4000XE柴油發(fā)電機(jī)組，搭建試驗(yàn)平臺(tái)，如圖3所示，其中排煙溫度傳感器安裝于排氣管末端，振動(dòng)傳感器安裝于缸蓋上，電流傳感器過孔式安裝于輸出相線上，電壓傳感器并聯(lián)于相線之間[17]。

由于溫度為緩變量，故本文中設(shè)計(jì)溫度為低頻采樣，采樣頻率為1 Hz；振動(dòng)、電流、電壓傳感器為高頻采樣，采樣頻率為1 kHz。將傳感器的輸出端連接到數(shù)據(jù)采集設(shè)備上，根據(jù)數(shù)據(jù)采集軟件使用說明，配置采樣率、采樣通道和數(shù)據(jù)存儲(chǔ)等參數(shù)。啟動(dòng)數(shù)據(jù)采集軟件，采集和記錄傳感器測(cè)量結(jié)果，正常和故障狀態(tài)下振動(dòng)傳感器采集的信號(hào)如圖4所示，圖中g(shù)為自由落體加速度。

由圖4可知：傳感器在正常工作和發(fā)生故障時(shí)所測(cè)得的信號(hào)存在顯著差異。這進(jìn)一步確認(rèn)了前文提到的可以使用偏移量來驗(yàn)證相關(guān)性分析結(jié)果，如果相關(guān)性分析結(jié)果與傳感器信號(hào)的差異相矛盾，應(yīng)重新采集信號(hào)數(shù)據(jù)以確保結(jié)果的準(zhǔn)確性。

2.2 數(shù)據(jù)處理與結(jié)果分析

2.2.1 數(shù)據(jù)處理

基于小波包能量熵特征原理，分別將振動(dòng)、電壓、電流、溫度傳感器采集的信號(hào)進(jìn)行小波包3層分解，利用式（4）求解各頻段能量熵，對(duì)各節(jié)點(diǎn)能量進(jìn)行歸一化處理，各節(jié)點(diǎn)能量所占的百分比即為所求信號(hào)特征。對(duì)振動(dòng)傳感器采集的160組數(shù)據(jù)小波包特征提取結(jié)果如表1所示。

完成各傳感器的特征提取后，將提取的160組數(shù)據(jù)集，利用式（5）計(jì)算各傳感器間的相關(guān)系數(shù)，繪制熱力圖[14]，如圖5所示。

比較不同狀態(tài)下各傳感器間相關(guān)系數(shù)的變化，得到各傳感器間的最佳閾值δi。各閾值參數(shù)如表2所示。若2個(gè)傳感器間的相關(guān)系數(shù)大于閾值時(shí)，則認(rèn)為該傳感器可能存在故障。為了進(jìn)一步測(cè)試確保診斷結(jié)果的可靠性，采用式（6）計(jì)算可能故障傳感器與正常傳感器間的偏移量是否大于閾值，若大于則認(rèn)為該傳感器確實(shí)存在故障。利用上述數(shù)據(jù)進(jìn)行試驗(yàn)可得，偏移量閾值為0.2。

2.2.2 結(jié)果分析

根據(jù)上述試驗(yàn)步驟，對(duì)模擬的振動(dòng)傳感器底座軟化等4種故障傳感器分別進(jìn)行信息采集。每種故障傳感器采集10個(gè)樣本作為測(cè)試樣本，共采集40個(gè)測(cè)試樣本。將測(cè)試樣本數(shù)據(jù)利用上述方法進(jìn)行特征提取后，對(duì)特征數(shù)據(jù)集繪制熱力圖。

根據(jù)表3中各傳感器相關(guān)系數(shù)的閾值，對(duì)傳感器是否存在故障進(jìn)行判定后，利用偏移量進(jìn)一步驗(yàn)證所判定結(jié)果是否正確，若兩者的判斷結(jié)果矛盾，則需要重新用該傳感器測(cè)量信號(hào)，重新判斷。結(jié)果如圖6所示，圖中故障類型1為溫度傳感器補(bǔ)償線斷開，類型2為電壓傳感器受電磁干擾；類型3為電流傳感器受電磁干擾，類型4為振動(dòng)傳感器底座軟化。

根據(jù)分析結(jié)果，利用式（7）計(jì)算診斷的準(zhǔn)確率，結(jié)果表明采用該方法對(duì)船用柴油機(jī)傳感器系統(tǒng)的診斷準(zhǔn)確率為92.52%，符合使用要求。相比之前的專家系統(tǒng)，該方法減少了訓(xùn)練時(shí)間，實(shí)現(xiàn)小樣本數(shù)據(jù)診斷。

3 結(jié)論

通過統(tǒng)計(jì)學(xué)對(duì)船用柴油發(fā)電機(jī)組傳感系統(tǒng)進(jìn)行研究，構(gòu)建了基于相關(guān)性-偏移量分析的傳感器故障診斷識(shí)別方法，并分析了診斷精度，明確了各類型傳感器故障相關(guān)系數(shù)閾值，為進(jìn)一步研究柴油發(fā)電機(jī)組故障傳感器位置提供參考。

1）基于相關(guān)性-偏移量混合分析的故障診斷方法，能夠準(zhǔn)確識(shí)別出故障傳感器的類型，診斷準(zhǔn)確率可達(dá)92.52%。

2）基于相關(guān)性-偏移量分析的船用柴油發(fā)電機(jī)組傳感系統(tǒng)故障診斷方法克服了傳統(tǒng)專家系統(tǒng)故障診斷需要大量樣本的缺陷，實(shí)現(xiàn)小樣本、高效率診斷。

參考文獻(xiàn)：

［1］ 蔣佳煒，胡以懷，方云虎，等.船舶動(dòng)力裝置智能故障診斷技術(shù)的應(yīng)用與展望[J].中國艦船研究，2020，15（1）：56-67.

[2] 胡以懷.船舶機(jī)損事故分析及安全評(píng)估[M].北京：人民交通出版社，2013：12-13.

[3] JIANG J W，HU Y H，CAI D L. Fault diagnosis expert system of marine propulsion system based on access da-tabase[C]//Proceedings of International Conference on Image and Video Processing， and Artificial Intelligence. Shanghai， China： SPIE， 2018.

[4] 王逍夢(mèng)，任章.基于小波變換的二階傳感器故障診斷研究[J].兵工自動(dòng)化，2013，32（5）：74-78.

[5] ELNOUR M，MESKIN N，AL-NAEMI M. Sensor data validation and fault diagnosis using Auto-Associative Neural Network for HVAC systems[J].Journal of Building Engineering，2017，42（29）： 18524-18531.

[6] DING F G， MAI Y Z， HONG Q J. A hybrid feature model and deep learning based fault diagnosis for unmanned aerial vehicle sensor[J].Neurocomputing， 2018， 319： 155-163.

[7] 崔旭晶，王憲勇．使用小波分析的水下機(jī)器人多傳感器故障檢測(cè)[J].單片機(jī)與嵌入系統(tǒng)應(yīng)用，2018，18（11）：33-36.

[8] 魯進(jìn)軍，吳萌嶺，牛剛．軌道交通制動(dòng)系統(tǒng)速度傳感器的故障診斷方法研究[J].鐵道學(xué)報(bào)，2021，43（1）：85-93.

[9] MANIA N， NADER M， MOHAMMADREZA D. Sensor fault detection and isolation of an industrial gas turbine using partial adaptive KPCA[J].Journal of Process Control， 2018， 64： 37-48.

[10] 陳龍，單海強(qiáng)，徐興，等.基于擴(kuò)展 Kalman 濾波器組的 ECAS 系統(tǒng)傳感器故障診斷[J].振動(dòng).測(cè)試與診斷，2019，39（2）：389-449.

[11] SANA U J， YOUNG D L， IN S K. A distributed sensor-fault detection and diagnosis framework using machine learning[J].Information Sciences： An International Journal，2021，547： 777-796.

[12] WANG H， PENG M J ， YU Y，et al. Fault identification and diagnosis based on KPCA and similarity clustering for nuclear power plants[J].Annals of Nuclear Energy，2021，150：1-12.

[13] 沈艷霞，楊雄飛，趙芝璞．風(fēng)力發(fā)電系統(tǒng)傳感器故障診斷[J].控制理論與應(yīng)用，2017，34（3）：321-328.

[14] 方有亮，李肖磊，張穎，等.基于小波包樣本熵和支持向量機(jī)的框架結(jié)構(gòu)損傷識(shí)別[J].科學(xué)技術(shù)與工程，2021，21（14）：5862-5869.

[15]丁輝，仲躍，張俊，等.基于相關(guān)性函數(shù)的多傳感器自適應(yīng)加權(quán)融合算法[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2016，30（2）：114-118.

[16] LUCKE M，MEI X Y，STIEF A， et al. Variableselection for fault detection and identification based on mutual information of alarm series[C]//Proceedings of IFAC Symposium on Dynamics and Control of Process Systems Including Biosystems.Florianópolis，Brazil：IFAC，2020： 673-678.

[17] 朱少豪，汪勇，楊益新.高階聲場(chǎng)傳感器的噪聲空間相關(guān)性及其陣列超指向性方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2020，41（10）：1477-1485.

Fault diagnosis method of marine diesel generator set sensing system

based on correlation-offset hybrid analysis

ZHAO Bo1， SHI Lei2， HUANG Huan3， XU Zufu3， ZHU Hongwei3

Abstract：To effectively diagnose the types of sensors that cause faults in diesel generator sets， a sensor system fault diagnosis method based on correlation-offset hybrid analysis is proposed，which employs wavelet packet information entropy to extract distinctive features from signals obtained from diverse sensor types installed on the diesel generator set. The method utilizes correlation analysis to ascertain the types of faulty sensors and validates the outcomes through offset analysis. The experimental results show that employing this method for sensor system fault diagnosis attains an accuracy rate of up to 92.52%， which can effectively identify the types of sensors with faults in diesel generator sets.

Keywords：diesel generator set;correlation analysis;sensor system;fault diagnosis;offset analysis（責(zé)任編輯：劉麗君）

收稿日期：2023-08-09

第一作者簡(jiǎn)介：趙博（1977—），男，長(zhǎng)春人，工程師，主要研究方向?yàn)榇皺C(jī)電設(shè)備，E-mail：2435318314@qq.com。