英语原文共 11 页
机械科学与技术学报26 (8)(2012)2413~2423
www.springerlink.com/content/1738 - 494 x
DOI 10.1007 / s12206 - 012 - 0621 - 2
船用柴油机瞬时角速度故障智能诊断方法
李志雄1，新平1，*，袁成庆1，彭仲晓2
1能源与动力工程学院可靠性工程研究所，海洋动力工程与技术重点实验室，武汉理工大学交通运输部，武汉430063
2新南威尔士大学机械与制造工程学院，悉尼，新南威尔士州2052
(稿件于2010年10月21日收到;2012年3月6日修订;2012年3月11日)
摘要
船舶柴油机的正常运行，保证了预定行程的完成和效率。任何故障都可能造成重大经济损失和严重事故。因此，及时、可靠地监测发动机状态对于防止发动机故障的发生至关重要。本文描述并评价了基于经验模态分解(EMD)、核独立分量分析(KICA)、Wigner双谱和支持向量机(SVM)集成的智能诊断技术的开发与应用。这是对以往利用瞬时角速度(IAS)进行柴油机故障检测工作的扩展。在本研究中，为了解决欠定盲源分离问题，首先提出了EMD和KICA相结合的方法来估计单通道IAS传感器的IAS信号。利用KICA对Wigner双谱提取的特征进行选择。然后利用支持向量机对船舶柴油机故障进行多类智能识别。采用6缸发动机模型和“航军20”号实测IAS数据进行了数值模拟。数值和实验诊断结果均表明该方法具有较高的诊断效率。EMD-KICA和Wigner双谱提取了IAS信号的明显故障特征，SVM的故障检出率超过94.0%。为船舶柴油机故障诊断提供了一种可行的方法。
关键词:智能故障诊断;船用柴油发动机;核独立分量分析;维格纳双频谱;支持向量机;固有角速度
1、介绍
船舶动力装置是船舶的心脏。去年12月，柴油机已成为船舶应用的首选，99%以上的大型商用船舶都采用柴油机作为推进系统的主要驱动装置[1,2]。因此，提高船用柴油机的可靠性和效率已成为柴油机设计、制造和运行的主要目标。海上发动机的任何故障、故障或故障，都可能造成重大经济损失和严重事故，并可能造成人员伤亡。因此，必须及时监控机器状态并评估其健康状态，以防止故障的发生，确保行程的顺利完成和效率。
近年来，人们提出了各种船用柴油机状态监测和故障诊断的方法。目前比较流行的技术有油磨损分析[4]、基于热力学模型的方法[2]、振动分析[5,6]等。然而，在使用石油分析技术时，需要在油缸内部安装niques传感器来获取获取的信息。在实际应用中，传感器通常很难安装，而且容易损坏。在一些振动应用中也存在类似的问题。这些缺点可能导致其诊断可靠性下降，甚至误诊。热力学模型没有[2]这样的缺陷;然而，准确的模型参数通常很难确定。柴油机状态监测的一种简化方法是根据IAS中包含的大量柴油机故障诊断信息以及en-编码器价格低廉、安装方便等特点，采用瞬时角转速(IAS)进行监测[6,7]。因此，自20世纪80年代末以来，柴油机引擎故障诊断的IAS受到了人们的关注[8-13]。早期研究表明，傅立叶变换(FT)对IAS信号的应用对于发动机燃烧故障检测是有效的[8-10]。但是对于气缸数大、惯性矩大的发动机，采用基于ft的方法检测发动机故障是非常困难的。因此，Charles等[6,7]提出了一种新的极坐标表示方法来检测柴油发动机故障，证明极坐标表示比快速傅里叶变换(FFT)更有效。在IAS信号分析中还可以发现短时傅立叶变换[14]、模糊系统[15]、遗传算法[16]、人工神经网络[17]等先进技术。然而，大多数提出的方法并没有考虑到在船用柴油机引擎中测量到的IAS信号本质上是由于发动机高惯性、重叠燃烧事件以及阀、曲轴和活塞等的冲击和振动而产生的各种激励的混合物。结果，测量到的IAS信号严重失真，使得利用时频分析直接从测量到的IAS信号中识别发动机的模式有很大的困难。
幸运的是，独立分量分析(ICA)是一个强大的工具，可以从原始的混合恢复IAS信号。然而，在实际应用中，ICA经常受到两个假设的影响。一种是线性混合假设，另一种是待定BSS问题[20]，即传感器个数小于源个数。迄今为止，在机械故障诊断领域，对这两个问题的同步解决工作还比较有限。针对这一问题，提出了经验模态分解(EMD)[20]和核ICA (KICA)[21]相结合的方法，对单通道观测的IAS源进行估计。在此，Bach[21]提出的核ICA (KICA)主要研究非线性BSS问题。该组合的优点是即使在传感器个数小于独立源个数的情况下也可以进行非线性BSS处理
另一方面，高阶谱分析被证明是一种强大的特征提取工具;特别地，双谱可以强调特征频率的权重，识别相位信息，表达非线性优势[22]。然而，经典的基于傅里叶变换的双谱可能并不适用于固有频率变化的信号，因为它的平稳核与瞬态信号[22]不匹配。因此，由于Wigner分布在时间域和频率域[23]上的分辨率较高，提出了Wigner双谱。维格纳双谱保留了维格纳分布的基本特征，能够处理非线性信号。因此，利用Wigner分布提取暂态信号的时频综合信息，特别是IAS信号是合理的。
本文提出了一种基于EMD-KICA和Wigner双谱加支持向量机相结合的智能诊断方法。通过两个实例对该方法的故障检测性能进行了评价和验证。
图1 ICA的插图
在case 1中，IAS信号通过6缸柴油机模型进行模拟，在case 2中，IAS信号通过“杭军20”型液压挖泥船进行测量。两例诊断结果表明，该诊断方法可用于船用柴油机的智能故障检测。此外，为了突出这种新方法，我们还对FastICA、基于FFT的双谱以及不同的分类器等进行了比较。
2、所提算法的描述
2.1内核ICA的说明
ICA的概念如图1所示。假设被测变量的数据矩阵x =(x1,x2)hellip;hellip;xn)T Rnisin;(xi(i = 1,2hellip;n)是相同的变量测量的多通道传感器)。矩阵的线性组合是x m(mle;n)未知的独立组件(ICs)矩阵s=(s1,s2hellip;hellip;sm)Tisin;Rm。x和s之间的关系可以表示为:
x = A·s (1)
一个isin;Rntimes;m是混合矩阵。ICA的目的是找到一个变换矩阵Wisin;Rmtimes;n, scirc;= Wxasymp;年代,使投影年代circ;高阶统计独立(gt;二级独立)[24]。二阶独立的)[24]。一些ICA算法，如FastICA算法[20]，已经被用来估计独立分量。然而，这些ICA算法是基于线性模型的，难以处理非线性情况。为了解决这个问题，Bach[21]提出了一种新的ICA方法，称为kernel ICA (KICA)。他的思想是将独立性最大化视为与核的相关性最小化。
KICA算法可以简单描述如下。有关更多细节，请参考Bach[21]:
步骤1)将实测数据x居中，选择合适的核函数，初始化分解矩阵W。
步骤2)对特征空间中的数据进行白化。
步骤3)计算估计源的中心矩阵K[21]。
步骤4)计算的最大特征值lambda;F K,和做的ICA算法估计分层矩阵W。
步骤5)获得由scirc;= Wx ICs。
KICA的另一个有前途的应用是特征约简。将x替换为特征空间P，则KICA的输出为P在低维空间中的投影，即减少特征空间Q，消除冗余特征。
2.2欠定的BSS问题
ICA技术需要几个感官线索来分离原始源[20]。但是由于船舶机舱空间的限制，柴油机多通道转速编码器安装困难，导致了BSS确定不足的问题。针对这一问题，提出了一种基于EMD和KICA的单通道传感器观测IAS源估计方法。EMD-KICA的流程如下:
(1)利用EMD将IAS编码器获得的观测x(t)分解为n个固有模态函数(IMFs)。
(2)将原始观测x(t)和n IMFs作为新的多通道观测。
(3)对新的观测结果应用KICA算法，从BSS结果中确定估计的IAS源。
2.3提出的诊断方法流程图
由于双谱分析可以提供比傅氏变换[22]更有效的故障信息，因此采用Wigner双谱提取IAS信号的敏感特征。Wigner双谱扩展了标准Wigner分布，就像双谱扩展了功率谱[23]一样。
给定信号x(t)，按下Wigner分布可以得到:
（2）
对应的Wigner双谱由[23]定义:
（3）
alpha;=1/3；beta;= 2/3。因为能量在频率对上以峰值的形式出现()[23],输入数据的敏感特征可以有效地提取。此外，双谱的主片[25](即双谱对角线片)在大多数应用中都被用来捕获特征。因此，为了简化计算，将Wigner双谱的主片应用于IAS信号的有限元提取。
考虑到支持向量机具有较强的学习能力和泛化能力，能够在有限样本[26]的基础上分析数据和识别模式，本文将支持向量机用于船用柴油机故障诊断的多类识别。建议的诊断程序如下:
(1)估计年代circ;KICA.from x通过原始IAS测量数据
图3所示。单缸发动机的动力学模型。
(2)计算的维格纳双频谱估计IAS波形inscirc;和提取有用的时间和频率信息的维格纳双频谱得到原始特征空间采用P那么KICA再次选择杰出的特性来产生一个新的特征空间Q Q小于P(特性)。
(3)通过Q训练SVMs识别故障模式。
所提出的诊断方法流程图如图2所示:
图2 提出的诊断方法的原理图
3.案例研究1 -数值模拟
3.1数据模拟
图3为四冲程单缸柴油机的简化动力学模型，其中p为气体压力;fp和fr分别为气体压力产生的总切向力和垂直不平衡惯性力;theta;是曲轴角;R是曲柄半径L是连杆长度。
将瞬时角速度波动率(IASFR)定义为柴油机瞬时角速度与平均角速度之比，由[5]给出：
（4）
柴油机的瞬时角速度波动与作用在曲轴上的总功率扭矩的波动密切相关。总功率扭矩受气缸内气体压力、垂直不平衡惯性力、摩擦力和发动机负载等因素的影响。
扭矩平衡方程可以表示为[5]：
（5）
其中I为动力单元装置的惯性矩，TX为发动机的动力扭矩，TL为负载扭矩。表1。柴油机模型的运行参数。
|
油缸数量 |
6 |
点火频率f1 |
50 Hz |
|
工作转速N |
1000 rpm |
点火的顺序 |
1-5-3-6- 2-4 |
|
运行功率P0 |
40 kW |
活塞质量(kg) |
2.88 |
|
基本工作频率f0 |
8.33 Hz |
连杆质量(kg) |
4.48 |
在稳态工况下，平均瞬时角速度为常数，表示为[5]：
（6）
瞬时角速度由[5]定义:
（7）
lambda;是曲柄半径的比率和连接荷兰国际集团杆的长度,m是往复惯性质量和初始阶段。由于I难以准确确定，在不知道惯性矩I的情况下，IASFR可以根据Eqs进行交流计算。(6)(7)由[5]给出：
（8）
当故障，如燃油泄漏或气缸排气阀泄漏，影响气体压力时，由于扭矩对总功率扭矩的贡献减小，IASFR波形可能会发生畸变。因此，可以利用IASFR波形进行故障检测。
选取一台四冲程六缸柴油机(型号6135G)，基于动态模型对IASFR波形进行仿真。当发动机转速为N rpm时，每台发动机的工作时间为t0 = 120/N s，因此发动机的基本工作频率f0为：
（9）
发动机的点火频率f1为：
（10）
其中m为气缸号。
仿真中，柴油机引擎的运行参数如表1所示。正常和故障情况下原始IASFR波形仿真结果如图4所示。
图4 nor-下柴油机的原始IASFR波形误操作和错误操作条件
两种故障情况包括50
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
