项目材料1—动力系统故障诊断

《项目材料1—动力系统故障诊断》由会员分享，可在线阅读，更多相关《项目材料1—动力系统故障诊断（5页珍藏版）》请在装配图网上搜索。

1、1.1 研究背景及意义 船舶动力系统作为整个船舶的心脏与动脉，包括主推进装置、辅助供能装置、用于保证 船舶安全运行的设备、满足船员正常生活的设备和环境保护设备等。作为整个船舶的心脏和 动脉，其安全可靠运行将直接影响到航运的安全。近年来，船舶动力系统的自动化水平和复 杂程度均不断增长，但是其苛刻的运行条件以及强烈的时变性均增加了设备发生故障的概率， 对船舶和船上人员的生命财产安全构成了严重威胁。在前苏联对船舶故障的统计资料中，船 舶动力系统引发的故障居于首位，占到了总数的60%左右。因此，降低船舶动力系统的故障 对保证船舶安全航行具有极其重要的作用。随着计算机技术以及自动化控制水平的不断发展，船

2、舶动力系统自动化程度也越来越高。 在这种背景下，机舱监控报警系统作为“无人机舱”的关键设备，对主要船舶动力装置，如 主机、辅机以及其他系统等实现了在线工况监测，并在系统异常工作时，发出声光报警。但 是利用目前在船舶上应用的监测报警系统，轮机工作人员只能通过观察设备的运行状态参数， 人工判断设备运行状态，根据自己的经验定期维护设备。加之由于船舶机舱设备复杂，监测 项目繁多，故障原因及排除具有较大的复杂性以及困难性，使得轮机人员容易产生漏判或错 判。因此，为提高动力系统运行的可靠性，应及时发现设备运行的异常状况并排除故障，降 低事故发生的概率，避免不必要的维修费用，开展船舶动力系统故障诊断系统研究

3、，具有十 分重要的理论意义和实用价值。1.2 船舶动力系统故障诊断系统的国内外研究现状 故障诊断技术通过对设备运行状态和故障进行监测、诊断和预测，从而达到保障其安全 运行的目的，主要有四个过程组成：信号检测、特征提取、状态识别和预报决策等。在早期 故障诊断中，人们主要通过触摸设备，感受设备声音和诊断进行故障的辨识和修复。20 世 纪 60 年代以来，故障诊断逐渐发展成为一门学科。美国最先进行了故障诊断的研究，在 1967 年美国宇航局倡导，美国海军研究室主持建立了美国机械故障预防小组(Mechanical Fault Prevention Group, MFPG)负责故障诊断技术的研究和开发工

4、作，并将成果成功地应用于航 天、航空、军工和机械等行业。其他国家后续也开展了故障诊断工作。在上世纪60年代末 70年代初，英国机械保健中心(UK MHMC)对故障诊断技术进行了研究和开发，随后在80年 代初主要致力于故障诊断技术的发展和推广。瑞典、挪威、丹麦也发展了具有自己特色的诊 断技术，如瑞典的轴承监测技术和红外热像技术，挪威的船舶诊断技术以及丹麦的振动噪声 监测技术等。在日本，机械学会和机械维修学会、电气学会和自动控制学会也相继设立了专 门研究机构进行此方面的研究，其主要的优势在于钢铁、化工等民用领域。在船舶动力系统 故障诊断领域，世界各国科研机构和相关的公司也进行了大量的研究并开发了相

5、应的产品。 欧盟耗时53个月进行了名为FLAGSHIP的研究，通过将船载系统与岸基中心相结合，对船舶 运行的实时状态进行监测并从大量的运行数据中获取知识，实现主要设备的故障诊断，从而 提高船舶运行的安全性以及可靠性。劳氏船级社开发了 EHM(Equipment Health Management)系统，通过对船载数据进行分析，提高设备故障诊断的效率，并与岸上诊断 中心相结合，提高设备故障诊断的能力，以此保证船舶及船上人员的安全。康世博研发的 K-l (Kongsberg-lnformation Management System)通过此通信平台将船端与岸段联系起来， 实现船舶的远程管理和诊断；

6、其开发的K-Chief为船舶上的工作人员提供船舶主机基本的报 警以及状态监测信息，从而保证船舶的安全维护以及高效运行。另外，ABB、西门子以及GE 等也在船舶动力系统故障诊断以及健康管理方面进行了大量的工作。我国从20世纪80年代开始进行故障诊断的研究工作，其发展也经历了从简易到精密、从一 般到智能、从单机到网络的历程。上海711 研究所以船舶柴油机为主要研究对象，开发了 QY-GZZD-01 柴油机故障诊断专家系统，其基于人工神经网络、模糊诊断和规则系统结合的 专家系统原理，实现了船用柴油机的智能化在线监测，故障的实时预报和趋势预报，防止或 避免故障的发生。上海三进与武汉理工大学合作开发的M

7、SD-3船舶动力设备综合诊断系统 面向主辅柴油机、齿轮箱和液压系统等设备，运用瞬时转速方法，振动监测诊断方法和油液 在线监测方法，监测设备健康状态，诊断设备故障。在传感器技术、信号分析技术、人工智 能技术以及计算机软硬件技术不断发展的背景下，故障诊断技术将进一步向科学化和实用化 发展。故障诊断因不同的专业、不同的设备、不同的诊断专家而有不同的方法。通过对国内外文献 进行查阅和总结可知，目前应用于船舶动力系统的故障诊断技术主要包括：基于性能参数的 故障诊断，基于油液监测技术的故障诊断，基于振动监测技术的故障诊断以及基于智能分析 方法的故障诊断系统等。1.2.1 基于性能参数的故障诊断 基于性能参

8、数的故障诊断方法广泛应用于船舶柴油机的监测和故障诊断中。主要是测量主机 中的介质如空气、燃气、滑油、冷却液等参数并通过对比各种工作参数与正常工作状态下的 参数的偏差，对主机状态做出合理的评价。测量的参数包括：油温、油压、排温、排压、转 速、功率等。大量的故障信息可以通过性能参数反映出来，同时不易受外界干扰，具有较好 的信息质量，因此可以应用于较为广泛的领域。多家公司均以性能参数为基础开发了自己的 诊断系统，如挪威 KYMA 公司研制的“Marine Performance Monitoring”，MAN B&W 公 司的 PMI 系统以及 COCOS 系统等。国内外的学者也在此方面进行了大量的

9、研究工作，等利用柴油机仿真模型，运用其热力参数对大型船用低速二冲程主机进行状态 监控以及故障诊断。赵同斌探究了船舶主机性能参数与主要故障之间的关系，利用仿真的方 法，建立了一个较为通用的船用柴油机的故障仿真模型。彭秀艳等将船舶主机的油耗、转速 排压等性能参数作为故障征兆，利用 PCA-KFCM 方法进行了主机的故障诊断。黄加亮等以反 映柴油机运行性能的参数为研究对象，利用 RBF 神经网络对船用大型主机在运行过程中的 主要故障进行了诊断。1.2.2 基于油液监测技术的故障诊断 油液监测技术即通过采集设备滑油或其他介质样本，通过光、电、磁学手段对油液的理化性 能进行分析，并且通过监测油液中的磨损

10、颗粒和污染物颗粒,最终以定性和定量的方式描述 设备的润滑和磨损状态，通过寻找故障的诱发因素，对机器的工作状况进行评价并对故障进 行预测，在故障部位、原因和类型确定之后，可避免设备的重大损毁并延长设备的使用寿命。国内外众多研究机构和学者均在此方面进行了大量的研究工作，Z.Peng等以电动机驱动的涡 轮箱为研究对象，利用油液监测技术对磨损颗粒的数量以及分布进行分析，对三种涡轮箱的 故障工况进行了监测和故障诊断，并将油液监测技术与振动监测技术相结合提高了故障诊断 的准确率AnandPrabhakaran等对汽轮发电机组润滑油进行了两年的监测，利用颗粒计数法、 铁谱分析技术等对滑油中污染物数量以及元素

11、成分等信息进行了提取，研究了油液污染所产 生的故障。刘韬等以6缸柴油机为研究对象，利用M型原子光谱分析仪对6 种工作状态下的 69 个润滑油样本进行了分析，利用光谱分析法揭示了油液中不同元素的 来源，并应用与柴油机的状态监测以及磨损故障的诊断。武汉理工大学可靠性工程研究中心(REI)在船舶动力系统油液监测方面进行了大量的理论研究以及实船应用研究，通过在实 船上安装在线油液监测系统，实现油液中磨粒含量、黏度以及含水量的在线监测oX.P Yan等 利用安装在船舶动力系统中的在线铁谱仪对油液中磨损颗粒的含量进行了实时监测，并通过 图像实时了解设备的磨损状况，利用信息交互得出在反映油液状态的各个指标中

12、， IPCA 最 能反映设备的磨损状况。盛晨兴等通过在挖泥船上安装污染度计算机辅助监测系统，实现了 船舶液压系统油液污染度等级的评估，采用分级报警的方式对系统进行了实时有效的监测， 避免了由于颗粒污染物所导致的设备异常磨损。1.2.3 基于振动监测技术的故障诊断振动监测技术则是通过采集设备工作时的振动信号，在对数据进行分析和处理后，对设备状 态进行诊断。Li. B等对电动机轴承的振动信号进行提取，从时/频域的角度进行了振动分析， 利用神经网络实现了轴承故障诊断的目的。Zhixiong Li等将振动分析与磨损颗粒分析结合 起来，利用 ICA-R 算法实现了船舶主机磨损故障的诊断。杨建国、周轶尘教

13、授利用柴油机表 面的振动信号，在不解体的情况下实现了柴油机磨损故障状态的识别。余永华等利用振动监 测技术对船舶主机的主径向轴承的磨损故障进行了诊断，利用振动信号中提取的特征参数评 判轴承的磨损状况。乔新勇，刘东利等对喷油器的振动波形进行识别，在柴油机不解体的情 况下，实现了燃油系统工作状态的判断。1.2.4 基于智能分析方法的故障诊断故障诊断专家系统是智能诊断方法中应用较为广泛的方法，即根据某领域专家的经验知识形 成诊断知识库，通过构建专家系统进行逻辑推理来达到故障诊断的目的。作为船用柴油机的 主要生产厂家， MAN B&W 研制了 CAPA 专家系统实现对柴油机的故障诊断功能，包括柴油 机的

14、状态监测，故障模式识别以及故障预测等。蔡东林以船舶动力装置为研究对象，建立了 诊断知识库，采用启发式搜索策略构建了故障诊断专家系统。闫耀民在分析船舶动力机械失 效的基础上，以船舶柴油机为主要研究对象，开发了网络化的故障诊断专家系统。季晓惠， 丛望等以继电保护信息为基础，设计了船舶电力系统故障诊断专家系统，以保证船舶电力系 统供电的可靠性。除了专家系统外，神经网络也有着较为广泛的应用。N. Saravanan等以离散小波变换为基础 进行了齿轮箱故障信号中的特征提取，然后利用神经网络进行了故障模式的识别，并取得了 良好的诊断效果。 Jian-Da Wu 等将内燃机进气系统的管内压力选作评判内燃机状

15、态的指标 利用广义回归神经网络（GRNN）作为故障诊断的方法，实现了对内燃机故障诊断系统的构 建。1.3 船舶动力系统故障诊断研究中存在的问题及发展趋势 通过对相关文献的查阅可知，目前在船舶动力系统的故障诊断中还存在有 如下的问题：1）当前船舶动力系统的实时状态监测和故障诊断主要还是依赖于机舱监测报警系统采集 的各种性能参数与正常运行的参数的极限值相比较，以此判断设备的工作状况，是一种 单参数的阈值比较，灵活性较差，诊断精度不高，存在一定的误报和漏报。2）目前的故障诊断方式，多采用离线的方式，利用设备运行记录中有关参数的数据记录进 行后期分析和处理，从而判断是否发生故障以及产生故障的原因，属于

16、一种事后诊断， 存在滞后性，而实际应用中真正的故障诊断很难通过这种方式得到解决。实际应用过程 中，仍需解决设备的早期、微弱以及复合故障的诊断问题。3）现有船舶动力系统的智能故障诊断能力还很欠缺，大部分的智能方法都需要满足一定的假设条件和人为设置的参数。由于不同的方法存在自身的优缺点，如果单纯采用某种方 法很难达到良好的诊断效果。4）目前的动力系统故障诊断主要是针对设备运行当前状况的故障诊断，没要考虑未来一段 时间内设备的运行情况，缺少相应的运行状态预报功能。随着现代数学、信息、计算机等技术的发展，船舶动力系统故障诊断的发展趋势主要是：1）智能诊断系统的完善和多种智能诊断方法的融合智能诊断系统是

17、一个高度复杂的系统工程，涉及故障诊断、人工智能等多领域的方法和技 术。利用智能故障诊断系统，可实现对设备故障模式以及严重程度的判断。尤其是在船舶动 力系统包含的设备众多，设备结构复杂，引发故障产生的原因众多，不易及时判断的情况下， 智能诊断系统的不断完善将是未来故障诊断的发展趋势。由于每一种智能故障诊断方法都有 其适用的范围和不足之处，单一方法的使用会产生一定的局限性，而多种智能方法的使用为 故障诊断问题的解决提供了新的思路。因此，需结合多种智能故障诊断方法的优势，实现不 同智能诊断方法之间的优势互补，以此提高故障诊断的精度和效率。2）实时在线的故障诊断随着机舱监控系统在船舶动力系统的广泛应用

18、，实时的在线监测方式已经逐步取代定期监 测以及巡回监测的方式。通过在船舶动力系统中安装各种传感器，利用多种信号处理方法进 行故障特征的提取，利用神经网络、专家系统等方法对故障进行实时在线诊断，使得轮机工 作人员可以及时的发现设备的故障并采取相应的维修措施。3）故障事后诊断向预诊断的转变目前的故障诊断方法主要是在故障发生后实现故障定位和产生原因的确定，属于一种事 后故障诊断。但是出于对船舶动力系统复杂性的考虑，如果不在某些重大故障发生前采取措 施，将会带来巨大的经济损失和安全隐患。因此事后诊断已逐渐不能满足设备安全运行的要 求，需要在故障显化前，对设备状态进行预测，实现故障的早期预报。利用预测的

19、故障特征 参数对故障进行当前性能状态的评估以及故障的早期预报，实现对动力系统设备的早期识别 可有效的降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失。因此，在未来船舶 动力系统故障诊断发展中，趋势预测技术将会进一步发展并从事后故障诊断向预诊断逐步转 变。通过上面的分析可知，船舶动力系统故障诊断正从局部诊断向全局诊断、从单一方法到 综合方法、从静态诊断向动态诊断、从事后诊断向预诊断的方向不断发展。1.4 本文的主要研究内容以“东海救117”船舶动力系统为主要研究对象，以船舶机舱监控报警系统为基础，利 用专家系统、神经网络以及趋势预测技术对动力系统主要设备进行实时状态监测以及故障诊 断，从而

20、提高故障诊断系统的可靠性、诊断速度以及正确性。主要研究内容如下：1）对故障诊断专家系统进行详细分析，包括诊断专家系统的概念、基本功能、系统组成、 知识获取方式及表达以及推理机制等。重点研究在推理引擎 Drools 下，知识的表达以及 其推理机制的实现。利用 Drools 实现船舶动力系统主要设备的诊断知识的表达以及推 理诊断。2）分析了现有故障诊断系统在知识获取方面的不足，并在此基础上利用无监督学习的自组织映射神经网络（SOM）实现对设备当前状态的判断。在总结了设备常见故障模式的基 础上，形成故障诊断样本，利用SOM神经网络实现了设备的实时故障模式的识别。3）探究了基于时间序列和小波神经网络的船舶动力系统设备状态参数的趋势预测，对两种方法的应用范围和预测精度进行了讨论，通过引入滑动窗口的概念，实现新老数据的不 断交替。利用两种方法对主要参数进行趋势预测，以达到设备异常状态以及故障预报的 作用。4）以“东海救 117”为研究对象，研制了对船舶动力系统主要设备进行在线诊断的故障诊断系统。对整个诊断系统的框架、软硬件实现进行了设计。论文的主要框架如图1所示。