柴油機應急故障診斷預警系統的應用研究

崔建偉

（潞安集團鐵路運營公司， 山西 長治 046031）

引言

動力設備是整個系統設備的心臟，是整個系統的動力來源。柴油機在船舶、電力等諸多領域得到廣泛使用，并且其復雜程度、自動化水平不斷提高，這些因素都導致其故障的發生概率也不斷提高[1]。因此，必須重視柴油機的故障診斷與預警，以便快速對故障類別與發生部位進行判定，從而減少事故，確保人的安全與最小經濟損失。

1 柴油機故障簡介

柴油機隨著其性能的不斷提升，通常含有多個子系統，其零部件也較多，并且其工作環境通常較復雜，這些因素都導致其故障的種類多且發生概率較高[2]。在諸多故障中，異響是較為常見的一種，此時意味著機體內部出現間隙過大且松動，這樣就極易在高速運轉過程中發生零部件的損壞。常見的異響主要有以下六類：曲軸軸承處異響、連桿軸承處異響、活塞與氣缸處異響、活塞銷處異響、氣缸漏氣異響、發動機附件異響。

隨著傳感器技術與計算機技術的發展，當前機械設備的故障診斷技術主要有以下四類[3-4]：振動測試、壓力測試、轉速測試與光譜、鐵譜測試。本文采用的是振動測試的方法，所有的診斷信息都是通過加速度、位移等傳感器獲取的。

2 故障診斷算法介紹

柴油機的故障類別與特征信號之間并非簡單的一一對應關系，且所有的故障信號都湮沒在巨大的振動信號中，因此要實現對其故障的診斷預警就必須先從龐大的振動信號中提取出有用的故障信號，并進一步對其進行去噪、降維與強化等處理。

在對柴油機進行信號采集過程中最重要的參數是轉速與采樣頻率。柴油機不同零部件、不同位置的諧振頻率不同，而故障信號在諧振頻率附近強度最大，因此需要尋找出最優采樣轉速。本文所述方法采用遍歷轉速采集數據后通過軟件分析尋找諧振頻率的方法。采樣頻率的選擇必須滿足采樣定理，既要保證高于2 倍諧振頻率，又要保證數據量的充足，且需預留安全系數，因此本文選用13.6 kHz 作為采樣頻率。

獲取振動信號后，本文采用基于經驗模態分解（EMD）與時間序列模型（AR）相結合的EMD-AR 方法來從中提取出特征信號，從而獲得EMD-AR 譜。鑒于柴油機結構的復雜性以及故障類別的多樣性，其故障的發生原因通常是多種因素共同導致的，因此按前述EMD-AR 方法所提取到的特征信號在表征柴油發動機故障情況時通常都具有模糊性和隨機性，所以模糊診斷可以提高診斷的準確率。將模糊推理系統（Fuzzy Reasoning System, FR） 與神經網絡（Neural Network, NN） 相結合的模糊神經網絡（FR-NN）系統中，既保留了FR 的學習能力，又保留了NN 的推理能力，能夠極大提升診斷預警的準確率。

3 故障診斷預警系統

將基于前文所述算法的診斷預警系統作為子系統嵌入船舶柴油機的整機智能診斷系統中，該系統主要包含下頁圖1 所示硬件與軟件兩部分。其中，硬件系統主要完成振動信號的采集、傳輸、處理、存儲等預處理部分內容，軟件系統負責前文所述特征信號的提取、故障診斷與預警功能。

軟件系統的核心模塊包含專家知識庫模塊、故障和預警報警處理模塊和故障診斷模塊。由于柴油機在不同功率時的振幅不同，且不同柴油機的負法與振幅關系具有隨機性，故而必須充分考慮上述因素，通過模糊神經網絡算法的不斷學習，區分不同運行狀態下振動信號的特征。

圖1 柴油機典型故障預警裝置構成圖

通常柴油機曲軸箱與傳動箱殼體的振動信息既包含柴油機機身的整體振動信息，又包含各氣缸的振動信息，因此能夠較全面地反饋出柴油機的各部位的振動信息與振動狀態。

無故障狀態下曲軸箱殼體振動的振幅隨時間與相位的變化振幅是趨于穩定的，此時柴油機整機的振動較為平穩。與此類似，傳動箱殼體在無故障狀態下其振幅也較為平穩，僅在點火相位附近出現沖擊振動，但其幅值對比缸體的振幅已明顯減小。

通常，柴油機的振動大小與其功率大小有關，功率越大，振動越強。此外，當柴油機發生故障時，其殼體的振動會出現顯著增強，從而導致柴油機整機振動能量的顯著增強。傳動箱發生齒輪斷裂故障時曲軸箱殼體的振動趨勢圖如圖3 所示，其振動加速度顯著增大，且超過了警報閾值，并可以進一步依據各個監測點的振動情況來判定故障發生的位置，從而采取有效措施。圖4 為對振動信號按前文所述方法進行降噪處理后的振動信號頻譜圖。

上述實際應用可知，通過分析柴油機工作過程中的振動信號，可以有效實現柴油機的故障診斷與預警功能。

4 結論

將故障診斷算法作為模塊嵌入船舶柴油機整機的故障預警系統中，較好地實現了故障的識別、定位與預警功能，由此可見本文所述柴油機應急故障診斷預警系統可滿足實際需求。