船舶柴油機(jī)渦輪增壓器的故障診斷技術(shù)

袁 對(duì)，陳建良

（浙江國(guó)際海運(yùn)職業(yè)技術(shù)學(xué)院，浙江 舟山 316021）

0 引言

船舶動(dòng)力系統(tǒng)的平穩(wěn)運(yùn)行對(duì)保障船舶航行具有非常重要的意義，但現(xiàn)代船舶建造的噸位越來越大，作為船舶動(dòng)力來源的柴油機(jī)也會(huì)經(jīng)常出現(xiàn)故障。渦輪增壓器故障是船舶柴油機(jī)的常見故障之一，對(duì)船舶柴油機(jī)進(jìn)行監(jiān)測(cè)并獲取其運(yùn)行參數(shù)，同時(shí)根據(jù)這些運(yùn)行參數(shù)建立模型，在船舶柴油機(jī)渦輪增壓器發(fā)生故障時(shí)第一時(shí)間發(fā)現(xiàn)故障來源并提出解決方案。由于船舶柴油機(jī)渦輪增壓器的故障非常多，且每個(gè)故障對(duì)應(yīng)的特征和現(xiàn)象也較多，如果單純依靠人工進(jìn)行排查會(huì)浪費(fèi)較多的時(shí)間且容易出錯(cuò)，目前主流的解決方案是將船舶柴油機(jī)增壓器故障現(xiàn)象和解決方案建立映射關(guān)系，將解決方案和故障現(xiàn)象對(duì)應(yīng)起來，從而實(shí)現(xiàn)對(duì)船舶渦輪增壓器的故障診斷。但渦輪增壓器的故障種類較多，這些故障和現(xiàn)象不是一對(duì)一的映射關(guān)系，因而單純依靠映射關(guān)系，很多時(shí)候難以準(zhǔn)確判斷故障種類，需要建立診斷模型，并不斷對(duì)過去的故障數(shù)據(jù)進(jìn)行學(xué)習(xí)才能解決此類故障的識(shí)別。

國(guó)內(nèi)對(duì)于船舶柴油機(jī)故障診斷的研究較多，石大亮等[1]提出一種基于關(guān)聯(lián)規(guī)則分類的船舶柴油機(jī)故障檢測(cè)方法，建立故障特征數(shù)據(jù)庫以及故障分類器，并制定了故障分類規(guī)則。曹樂樂等[2]提出了一種基于特征融合的柴油機(jī)故障診斷系統(tǒng)，將KPCA 理論以及動(dòng)態(tài)理論應(yīng)用到船舶柴油機(jī)的故障診斷中，取得了不錯(cuò)的效果[2]。這些研究解決了柴油機(jī)故障診斷中基本模型和診斷方法的問題，但是仍然缺乏對(duì)柴油機(jī)渦輪增壓器的故障診斷研究[3]，因而本文在充分研究故障診斷相關(guān)技術(shù)的基礎(chǔ)上，將BP 神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到渦輪增壓器的故障診斷中，解決當(dāng)前對(duì)船舶柴油機(jī)渦輪增壓器故障依靠人工經(jīng)驗(yàn)的問題。

1 渦輪增壓器故障特征分析

1.1 渦輪增壓器基本結(jié)構(gòu)

對(duì)船舶柴油機(jī)渦輪增壓器故障進(jìn)行分析和診斷，首先需要建立渦輪增壓器故障特征庫，船舶柴油機(jī)渦輪分解后的結(jié)構(gòu)如圖1 所示，主要包括渦輪機(jī)、壓氣機(jī)、各類殼體等[4]。

圖1 渦輪增壓器基本結(jié)構(gòu)Fig.1 Basic structure of turbocharger

1.2 渦輪增壓器故障類型

通過對(duì)各類船舶柴油機(jī)渦輪增壓器的故障進(jìn)行統(tǒng)計(jì)，可知目前渦輪增壓器的故障主要包括[5-6]：

1）漏油。漏油是船舶渦輪增壓器中最為常見的故障之一，嚴(yán)重時(shí)會(huì)導(dǎo)致渦輪增壓器無法工作，對(duì)應(yīng)檢測(cè)的指標(biāo)包括柴油機(jī)轉(zhuǎn)速、油壓、進(jìn)氣管壓力、回油管道壓力等。柴油機(jī)轉(zhuǎn)速長(zhǎng)期在低速狀態(tài)時(shí)有可能會(huì)導(dǎo)致怠速，因而不僅需要檢測(cè)當(dāng)前的轉(zhuǎn)速，同時(shí)也要對(duì)歷史轉(zhuǎn)速進(jìn)行統(tǒng)計(jì)，判斷由于怠速導(dǎo)致的漏油概率。通過檢測(cè)油壓可以直接判斷是否存在嚴(yán)重漏油，進(jìn)氣管壓力以及回油管道壓力的檢測(cè)可以判斷油氣密封是否存在問題、管道是否暢通。

2）溫度異常。渦輪增壓器內(nèi)的潤(rùn)滑油溫度或者排氣溫度過高，潤(rùn)滑油的溫度一般不能超過100℃，排氣溫度不能超過500℃，溫度過高會(huì)導(dǎo)致渦輪增壓器中的密封圈失效或者機(jī)油出現(xiàn)碳化的現(xiàn)象，而這些都會(huì)嚴(yán)重影響船舶柴油機(jī)的使用壽命。導(dǎo)致潤(rùn)滑油溫度異常的原因可能是管道堵塞、管道內(nèi)存在異物或者密封圈質(zhì)量問題，這些都可以通過溫度傳感器、壓力傳感器等獲取對(duì)應(yīng)參數(shù)。

3）噪聲異常。當(dāng)產(chǎn)生異常噪聲時(shí)通常都會(huì)讓柴油機(jī)渦輪增壓器產(chǎn)生嚴(yán)重故障，特別是內(nèi)部氣體發(fā)生泄漏、軸承磨損、進(jìn)排氣管和出排氣管故障等，這些故障也可以通過監(jiān)測(cè)進(jìn)排氣管和出排氣管的管道壓力等來判斷。

4）喘振。喘振是壓氣機(jī)中由于氣流混亂而造成葉片振動(dòng)的異?，F(xiàn)象，渦輪增壓器中的轉(zhuǎn)子故障、噴嘴變形或者空氣濾清器損壞都有可能導(dǎo)致喘振，可以通過檢測(cè)柴油機(jī)的實(shí)際運(yùn)行電流、空氣濾清器的狀態(tài)、油氣管道的壓力等判斷是否出現(xiàn)喘振故障。

1.3 渦輪增壓器故障特征

船舶柴油機(jī)渦輪增壓器的故障較多，需要對(duì)渦輪增壓器內(nèi)的多個(gè)參數(shù)進(jìn)行監(jiān)控，渦輪增壓器故障特征主要包括以下方面：

1）故障難以直接識(shí)別。一個(gè)或者幾個(gè)參數(shù)異常，通常也不能直接判斷出渦輪增壓器的故障，在這種情況下一個(gè)故障對(duì)應(yīng)著多個(gè)現(xiàn)象，同時(shí)一個(gè)現(xiàn)象也有可能會(huì)產(chǎn)生多個(gè)故障，并不是傳統(tǒng)意義的一對(duì)一線性對(duì)應(yīng)關(guān)系，也無法簡(jiǎn)單地使用程序?qū)收线M(jìn)行判斷，這些都對(duì)船舶渦輪增壓器的故障監(jiān)測(cè)和診斷提出了更高的要求。

2）故障數(shù)量多。在實(shí)際應(yīng)用中，船舶柴油機(jī)渦輪增壓器的故障種類非常多，為了簡(jiǎn)化說明建立的BP 神經(jīng)網(wǎng)絡(luò)模型，將所有故障類型分為4 類，但是在這4 類故障類型下又可以分為多種故障，因而最終建立的模型會(huì)非常復(fù)雜。

3）多種故障共存。通過前述對(duì)渦輪增壓器故障類型的分析可知，很多船舶柴油機(jī)渦輪增壓器的故障存在共同的現(xiàn)象，且會(huì)出現(xiàn)同時(shí)出現(xiàn)多個(gè)故障的情況，這就要求故障診斷系統(tǒng)根據(jù)歷史數(shù)據(jù)快速推斷出每一種故障的概率大小，從而輔助工作人員對(duì)故障得出一個(gè)初步的診斷結(jié)果。

2 基于BP 神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)

2.1 BP 神經(jīng)網(wǎng)絡(luò)模型建立

為了實(shí)現(xiàn)對(duì)船舶柴油機(jī)渦輪增壓器的故障診斷，首先需要建立BP 神經(jīng)網(wǎng)絡(luò)模型。BP 神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，通過模仿生物神經(jīng)網(wǎng)絡(luò)從而解決復(fù)雜的非線性問題，BP 神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性以及容錯(cuò)性等特點(diǎn)，因而非常適合于解決渦輪增壓器的故障診斷。一個(gè)基本的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure

在輸入層中，故障基本特征包括管道壓強(qiáng)異常參數(shù)、溫度異常參數(shù)等，輸出則為判斷得到的渦輪增壓器故障類型。建立的故障診斷模型工作過程如圖3 所示，其工作過程主要包括：

圖3 故障診斷模型工作過程Fig.3 Fault diagnosis model working process

1）確定渦輪增壓器的理想工作狀態(tài)，通過渦輪增壓器的出廠數(shù)據(jù)和參數(shù)，確定當(dāng)前系統(tǒng)采集的油溫、排氣管壓力等的理想數(shù)值。

2）矩陣初始化。將采集的渦輪增壓器所有參數(shù)初始化和歸一化，初始化時(shí)將所有樣本數(shù)據(jù)依據(jù)式（1）進(jìn)行計(jì)算。所有樣本數(shù)據(jù)處理后，數(shù)值被限定在[-1,1]，系統(tǒng)在進(jìn)行后續(xù)計(jì)算和誤差判斷時(shí)可以節(jié)約計(jì)算時(shí)間。

其中，xmax和xmin分別為該樣本中的最大值和最小值。

將樣本數(shù)據(jù)處理后形成一個(gè)標(biāo)準(zhǔn)的矩陣，此時(shí)的矩陣作為一個(gè)基本的訓(xùn)練樣本輸入。同理，將其他故障狀態(tài)下采集的所有參數(shù)進(jìn)行初始化，得到500 個(gè)訓(xùn)練樣本。

3）設(shè)定訓(xùn)練次數(shù)，計(jì)算隱含層狀態(tài)。假設(shè)輸入向量為X=（x1，x2，.....xn），輸出向量為Y=（y1，y2，....yn），激活函數(shù)為：

隱含層的表達(dá)式為：

設(shè)定模型的基本誤差，并計(jì)算出當(dāng)前隱含層和輸出層的誤差，確定誤差是否在規(guī)定范圍內(nèi)。若誤差在設(shè)定范圍內(nèi)則結(jié)束此次訓(xùn)練過程，否則繼續(xù)訓(xùn)練。若誤差設(shè)置過大則會(huì)造成故障診斷準(zhǔn)確率過低，而誤差設(shè)置過小則存在無法快速收斂、訓(xùn)練時(shí)間長(zhǎng)的問題，因而本文將誤差初始值設(shè)置為0.5%。

4）完成對(duì)200 個(gè)渦輪增壓器故障樣本的訓(xùn)練，并確定當(dāng)前建立的BP 神經(jīng)網(wǎng)絡(luò)模型能夠收斂。

5）使用已經(jīng)訓(xùn)練完成的BP 神經(jīng)網(wǎng)絡(luò)故障診斷模型對(duì)未知樣本進(jìn)行測(cè)試，即可得到故障診斷結(jié)果。

本文故障診斷模型建立在基本的BP 神經(jīng)網(wǎng)絡(luò)上，但由于故障類型較多，在將本文模型進(jìn)行擴(kuò)展時(shí)會(huì)存在泛化能力下降、收斂速度慢等問題，因而在后續(xù)的模型驗(yàn)證中主要著力解決故障識(shí)別正確率的提升以及模型的結(jié)構(gòu)優(yōu)化，故障識(shí)別正確率的提升主要通過調(diào)整系統(tǒng)誤差、步數(shù)等參數(shù)來實(shí)現(xiàn)，而模型的結(jié)構(gòu)優(yōu)化則是通過對(duì)隱含層數(shù)量的調(diào)整。

2.2 模型驗(yàn)證

對(duì)本文建立的BP 神經(jīng)網(wǎng)絡(luò)船舶柴油機(jī)渦輪增壓器故障診斷模型進(jìn)行驗(yàn)證，首先編寫Matlab 程序，將故障輸出類別定義為4 類，即漏油、溫度異常、噪聲異常以及喘振。系統(tǒng)初始化參數(shù)設(shè)置為：步數(shù)200，誤差0.5%，隱含層數(shù)量15。

對(duì)20 個(gè)基本樣本進(jìn)行測(cè)試后得到的結(jié)果如圖4所示。可以發(fā)現(xiàn)，本文建立的模型可以對(duì)絕大多數(shù)的故障進(jìn)行正確判斷，20 個(gè)樣本中有2 個(gè)樣本判斷錯(cuò)誤，故障誤差識(shí)別正確率為90%，但是由于測(cè)試樣本數(shù)量較少，和目前國(guó)內(nèi)其他柴油機(jī)故障診斷系統(tǒng)相比仍然存在不小差距，因而在后續(xù)的測(cè)試中調(diào)整步數(shù)、誤差以及樣本數(shù)量，并做進(jìn)一步測(cè)試。

圖4 故障識(shí)別結(jié)果Fig.4 Fault identification result

設(shè)置步數(shù)為500，將誤差從0.5%調(diào)整為0.2%，對(duì)400 個(gè)樣本進(jìn)行測(cè)試時(shí)發(fā)現(xiàn)，樣本測(cè)試準(zhǔn)確率可以達(dá)到97.5%，因而當(dāng)樣本數(shù)量足夠大時(shí)，通過不斷的訓(xùn)練可以使模型對(duì)故障的識(shí)別精度進(jìn)一步提升。

對(duì)建立模型中的隱含層節(jié)點(diǎn)數(shù)量進(jìn)行調(diào)整，并觀測(cè)不同隱含層節(jié)點(diǎn)數(shù)量對(duì)故障識(shí)別的影響。測(cè)試隱含層數(shù)量為10～30 時(shí)渦輪增壓器的故障識(shí)別正確率，測(cè)試樣本均為400 個(gè)，得到的結(jié)果如圖5 所示?？梢园l(fā)現(xiàn)，單純?cè)黾与[含層數(shù)量并不能提升故障識(shí)別正確率，在隱含層數(shù)量等于14 時(shí)故障識(shí)別正確率最高，為97.5%，因而在建立船舶柴油渦輪增壓器故障識(shí)別系統(tǒng)時(shí)，需要根據(jù)實(shí)際情況選擇合適的隱含層數(shù)量。

圖5 不同數(shù)量隱含層的故障識(shí)別正確率Fig.5 Fault identification accuracy of different number of hidden layers

除了對(duì)隱含層數(shù)量進(jìn)行調(diào)整，還可以進(jìn)一步對(duì)本文建立模型中的節(jié)點(diǎn)數(shù)量以及網(wǎng)絡(luò)層數(shù)等進(jìn)行調(diào)整，這樣可以進(jìn)一步優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí)為了提升模型對(duì)于不同船舶柴油機(jī)渦輪增壓器故障診斷的適應(yīng)能力，還可以將其他優(yōu)化算法，如共扼梯度法以及Gauss-Ncwton 法和本文建立的模型充分結(jié)合，提升故障診斷模型的收斂速度。

3 結(jié)語

本文基于BP 神經(jīng)網(wǎng)絡(luò)建立柴油機(jī)渦輪增壓器故障診斷模型，分析BP 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，闡述了故障診斷模型的基本工作過程，在建立的故障診斷模型基礎(chǔ)上對(duì)400 個(gè)樣本進(jìn)行基本測(cè)試，樣本測(cè)試準(zhǔn)確率最高可以達(dá)到97.5%。研究不同隱含層數(shù)量時(shí)對(duì)故障識(shí)別正確率的影響，發(fā)現(xiàn)隱含層數(shù)量等于14 時(shí)故障識(shí)別正確率最高。本文建立的船舶柴油機(jī)渦輪增壓器故障診斷系統(tǒng)依托于實(shí)際故障數(shù)據(jù)樣本，測(cè)試結(jié)果表明該故障診斷模型能夠有效應(yīng)用于渦輪增壓器的故障診斷。