基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法.pdf

第40 卷第5 期2023年9 月D0I:10.19471/ki.1673-6397.2023.05.010内燃机与动力装置INTERNALCOMBUSTIONENGINE&POWERPLANTVol.40 No.5Sept.2023基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法赵博，时磊，黄欢”，徐祖福”，朱鸿威1.海装驻上海地区第三军事代表室，上海2 0 0 0 30;2.河南柴油机重工有限责任公司，河南洛阳47 10 39；3.上海船舶设备研究所，上海2 0 0 0 30摘要：为有效诊断柴油发电机组中出现故障的传感器类型，提出一种基于相关性-偏移量混合分析的传感系统故障诊断方法。通过小波包信息熵提取柴油发电机组上不同类型传感器采集的信号特征，利用相关性分析确定故障传感器的类型，通过偏移量分析进一步验证分析结果的准确率。试验结果表明，采用该方法进行传感器系统故障诊断的准确率可达9 2.5 2%，能够有效识别出柴油发电机组中存在故障的传感器类型。关键词：柴油发电机组；相关性分析；传感器系统；故障诊断；偏移量分析中图分类号：TK401引用格式：赵博，时磊，黄欢，等.基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法J.内燃机与动力装置,2 0 2 3,40(5）:5 6-6 1.ZHAO Bo,SHI Lei,HUANG Huan,et al.Fault diagnosis method of marine diesel generator set sensingsystem based on correlation-ffset hybrid analysisJJ.Internal Combustion Engine&Powerplant,2023,40(5):56-61.0引言动力系统作为整个船舶的核心,其安全性和可靠性直接影响船舶航行安全1-3。船用柴油机结构复杂、工作条件恶劣，极易发生故障，因此对船舶动力系统的状态监测至关重要。传感器系统作为柴油发电机组状态监测的主要系统，通过采集柴油发电机组温度、压力、转速、电流和电压等关键参数，向监控系统提供准确的运行状态信息。传感器采集数据对发电机组的运行管理、性能优化和故障诊断具有重要意义4,但传感器系统本身也存在故障和失效的风险，传感器故障导致传感器输出数据不准确、误导性强，甚至完全失效，影响发动机正常运行。为解决由于传感器故障、失效等导致的反馈信息错误问题，国内外学者针对设备状态监测系统的传感器故障诊断方法进行了研究:Elnour等5 为解决非线性系统中的传感器故障检测问题,提出了概率主元的故障诊断分析法;Ding等6 为有效监控无人机运作系统,提出了一种混合特征模型和深度学习相结合的无人机传感器故障诊断方法；崔旭晶等7 提出了基于小波变换的传感器故障诊断方法,并准确定位故障；鲁进军等8 提出了改进主元分析方法，实现对速度传感器异常的实时监测，准确定位故障部件，自动识别故障类型。上述方法侧重于利用信号处理与专家系统方法对常见传感器故障进行识别，需要大量的训练数据且缺乏对整个系统故障传感器的定位与识别9-10 。针对这些问题,本文中提出一种基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法，解决专家系统需大量训练样本的问题，实现对不同类型传感器故障的精准判断；通过搭建试验平台，计算得到该方法的传感器故障识别准确率。收稿日期：2 0 2 3-0 8-0 9第一作者简介：赵博（19 7 7 一），男，长春人，工程师，主要研究方向为船舶机电设备，E-mail:。文献标志码：A文章编号：16 7 3-6 39 7(2 0 2 3)0 5-0 0 5 6-0 6第5期赵博，等：基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法571分析理论与分析方法1.1小波包炳理论小波包能量特征能够在一定程度上反映频带特征变化 1-12 。通过利用小波包基函数,将原始信号分解为多个相互独立且带宽相同的频带，这些频带中包含对动态信号进行检测与分析所需的关键特征 13 。将传感器在时域上采集的信号函数f(t)进行i层分解时,其分解式为：2if(t)=Zfi(t),i=1式中：t为时间,i为节点，f(t）为第j层分解树上节点i的小波包系数。对应小波包分解树节点的小波包系数式中：j,（t）为具有尺度指标j、位置指标h和频率指标i的小波函数。c.可通过小波包函数ih,（t)重构得到。信号分解后，融合了小波包分解的Shannon熵表达式为：1.2统计学分析方法皮尔逊相关系数是基于变量之间的协方差,衡量2 个变量之间线性相关程度的统计指标 13 ，可以表示2 个变量是否以及如何随着彼此的变化而变化。皮尔逊相关系数式中：m为样本点编号,X为第m个样本的值，n为样本测量总数，X和Y分别为Xi、X 2、X,和YI、Y 2、Y,的平均值。rE-1,1,r=1表示2 个变量完全正相关,即一个变量的增加与另一个变量的增加成正比;r=-1表示2 个变量完全负相关,即一个变量的增加与另一个变量的减少成正比。偏移量分析作为重要的数学工具，可以计算2 个不同数值之间的差，广泛应用于离群值的分析与未来趋势变化的预测 14 偏移量的计算式为：式中：A，为第k个传感器正常工作时所测的数据;B，为第k个传感器在经过正常工作一段时间后，未知其是否发生故障时所测数据。1.3相关性-偏移量混合分析方法正常工作状态下，船用柴油机传感系统中各路传感器输出信号的变化应具有一致性，因此，可通过分析传感器输出信号识别故障传感器 15。基于上述理论基础，提出一种基于统计学分析的船用柴油机传感系统故障诊断方法，具体步骤如下。(1)f(t)tj.h,(t)dt,(2)fit)=Zcjik.8=-88E(ci)=-gZ(Xm-X)(Ym-Y)m=nZ(Xm-X)2m=1m=1=A-B,I ,(t)2iZ(Y-Y)2n(3)(4)(5)(6)581)利用温度、电压、电流等传感器实时采集不同传感器故障下的船用柴油机的运行数据，利用式（4）提取采集信号的特征，生成包含不同传感器故障特征的数据集。2)利用式（5)计算每2 个传感器输出信号之间的相关系数,得到传感器阈值参数S，当某一传感器与其他传感器的相关系数均大于所设阈值时,认为此传感器出现异常。3)为了进一步保证诊断结果的可靠性,利用传感器采集柴油机正常工作时的温度、振动、电压、电流信号，构建4 维坐标系;利用式(6)计算上述所认为故障传感器与正常所测数据偏移量；当该传感器所测数据偏移大于所设阈值时，认为该传感器确实存在故障，否则需重新采集数据进行分析。4)计算分析结果的准确率n-s?=100%,n式中：s为诊断结果与真实情况不符的样本点个数。故障诊断流程图如图1所示。2试验验证2.1试验平台搭建经调研，船用柴油发电机组最常用的传感器包括温度、振动、电流、电压等传感器，典型的故障情况类型主要包括：1)绝缘不良、短路、温度补偿线断开等温度传感器故障，,2)传感器松动、断路、底座刚度变化等振动传感器故障，3）电磁干扰、断路等电流传感器故障，4)电磁干扰、短路等电压传感器故障16 传感器故障模拟方法为：1)温度传感器故障。通过热电阻触点处采用电阻下拉接地形式模拟绝缘不良故障；通过短接热电阻2 根引线模拟短路故障；通过断开温度补偿线模拟传感器短路故障。2)振动传感器故障。通过固定螺钉未拧紧、固定磁铁退磁等方法模拟传感器松动；通过断开传感器输出线模拟开路情况；通过使用橡胶垫作为底座模拟底座刚度变化。3)电压、电流传感器故障。电压传感器的故障类型包括电磁干扰与短路，通过传感器旁放置变压电路模拟电磁干扰，通过断开传感器输出线模拟传感器断路。本文中通过使用橡胶垫作为底座模拟振动传感器故障，通过在电压、电流传感器周围布设电磁矫平设备模拟电压传感器故障，通过温度补偿线断开模拟温度传感器故障，传感器故障模拟如图2 所示。内燃机与动力装置(7)2023年9月第4 0 卷开始采集不同传感器故障数据利用式（4）进行特征提取利用式（5）计算rN利用式（6）计算4N4传感器存在故障+结束图1故障诊断流程图传感器正常ia）振动传感器底座软化b）温度传感器补偿线断开图2 传感器故障模拟c）电压电流传感器电磁干扰基于上述理论与试验方案，本文中选择一台工作状态良好的KDF4000XE柴油发电机组，搭建试验平台，如图3 所示，其中排烟温度传感器安装于排气管末端，振动传感器安装于缸盖上，电流传感器过第5期孔式安装于输出相线上，电压传感器并联于相线之间 17 由于温度为缓变量,故本文中设计温度为低频采样,采样频率为1Hz;振动、电流、电压传感器为高频采样,采样频率为1kHz。将传感器的输出端连接到数据采集设备上，根据数据采集软件使用说明，配置采样率、采样通道和数据存储等参数。启动数据采集软件，采集和记录传感器测量结果，正常和故障状态下振动传感器采集的信号如图4 所示，图中g为自由落体加速度。20F15105-10-15-2000.10.2 0.30.40.50.650.70.80.91.0时间/sa)正常图4 正常和故障状态下振动传感器采集信号由图4 可知：传感器在正常工作和发生故障时所测得的信号存在显著差异。这进一步确认了前文提到的可以使用偏移量来验证相关性分析结果,如果相关性分析结果与传感器信号的差异相矛盾,应重新采集信号数据以确保结果的准确性。2.2数据处理与结果分析2.2.1数据处理基于小波包能量熵特征原理，分别将振动、电压、电流、温度传感器采集的信号进行小波包3 层分解，利用式(4)求解各频段能量熵,对各节点能量进行归一化处理，各节点能量所占的百分比即为所求信号特征。对振动传感器采集的16 0 组数据小波包特征提取结果如表1所示。样本1234.5：159160赵博，等：基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法恒流源传感器图3 传感系统试验平台302520151050-5-10-15100.10.20.30.40.50.60.70.8时间/b)故障表1振动传感器采集数据特征提取特征向量(0.822.510.023 740.028 54(0.728 19 0.036 770.042.51(0.785.850.027 680.036 99 0.034 240.010 540.013 410.056 290.035 01)(0.745 03 0.033 63 0.035.480.042 930.014.29(0.713.76 0.038.440.044 810.045 240.015 240.016 900.070 290.055 31)(0.972.920.002 930.004 54(0.002 840.002 660.002 69(0.942 830.006 070.009 830.006 200.006 170.005.370.013.420.010 12)59温度测试探头科普泰单缸柴油机人0.91.00.030 010.009 240.055 570.014 690.010.370.029 370.046 19)0.017 140.053 670.051 41)0.015 690.053 050.059.91)0.006 130.005 30)完成各传感器的特征提取后,将提取的16 0 组数据集，利用式（5)计算各传感器间的相关系数，绘制60热力图 14 ,如图5所示。比较不同状态下各传感器间相关系数的变化，得到各传感器间的最佳阈值;。各阈值参数如表2 所示。若2 个传感器间的相关系数大于阈值时,则认为该传感器可能存在故障。为了进一步测试确保诊断结果的可靠性,采用式(6)计算可能故障传感器与正常传感器间的偏移量是否大于阈值,若大于则认为该传感器确实存在故障。利用上述数据进行试验可得，偏移量阈值为0.2。内燃机与动力装置2023年9月第4 0 卷温度1电压-0.733.00电流0.676600.666.600.07260-0.01474-0.44100振动温度电压图5传感系统正常热力图2.2.2结果分析根据上述试验步骤，对模拟的振动传感器底座软化等4 种故障传感器分别进行信息采集。每种故障传感器采集10 个样本作为测试样本，共采集4 0 个测试样本。将测试样本数据利用上述方法进行特征提取后,对特征数据集绘制热力图。根据表3 中各传感器相关系数的阈值,对传感器是否存在故障进行判定后,利用偏移量进一步验证所判定结果是否正确,若两者的判断结果矛盾，则需要重新用该传感器测量信号，重新判断。结果如图6 所示，图中故障类型1为温度传感器补偿线断开,类型2 为电压传感器受电磁干扰；类型3 为电流传感器受电磁干扰，类型4 为振动传感器底座软化。根据分析结果,利用式(7)计算诊断的准确率,结果表明采用该方法对船用柴油机传感器系统的诊断准确率为92.52%，符合使用要求。相比之前的专家系统，该方法减少了训练时间，实现小样本数据诊断。3结论-0.733000.67660-0.0726010.66660-0.014741-0.441001电流振动表2 各传感器间阈值传感器类型温度温度1电压-0.612电流-0.534振动-0.053注：相关性分析时，对各传感器间的阈值进行了归一化处理。4T210图6 传感系统故障诊断结果电压-0.61210.632-0.008正确错误00006510152025303540样本数电流-0.5340.6321-0.323振动-0.053-0.008-0.3231通过统计学对船用柴油发电机组传感系统进行研究，构建了基于相关性-偏移量分析的传感器故障诊断识别方法,并分析了诊断精度，明确了各类型传感器故障相关系数阈值,为进一步研究柴油发电机组故障传感器位置提供参考。1)基于相关性-偏移量混合分析的故障诊断方法，能够准确识别出故障传感器的类型,诊断准确率可达92.52%。2)基于相关性-偏移量分析的船用柴油发电机组传感系统故障诊断方法克服了传统专家系统故障诊断需要大量样本的缺陷，实现小样本、高效率诊断。参考文献：1蒋佳炜，胡以怀，方云虎，等.船舶动力装置智能故障诊断技术的应用与展望 J.中国舰船研究,2 0 2 0,15（1）：56-6 7.2胡以怀.船舶机损事故分析及安全评估 M.北京：人民交通出版社,2 0 13：12-13.第5期3 JJIANG J W,HU Y H,CAI D L.Fault diagnosis expert system of marine propulsion system based on access da-tabase CJ/Proceedings of International Conference on Image and Video Processing,and Artificial Intlligence.Shanghai,China:SPIE,2018.4王逍梦，任章.基于小波变换的二阶传感器故障诊断研究 J.兵工自动化,2 0 13,3 2(5)：7 4-7 8.5ELNOUR M,MESKIN N,AL-NAEMI M.Sensor data validation and fault diagnosis using Auto-Associative Neural Networkfor HVAC systemsJJ.Journal of Building Engineering,2017,42(29):18524-18531.6DING F G,MAI Y Z,HONG Q J.A hybrid feature model and deep learning based fault diagnosis for unmanned aerialvehicle sensor J.Neurocomputing,2018,319:155-163.7崔旭晶，王宪勇.使用小波分析的水下机器人多传感器故障检测 J.单片机与嵌入系统应用，2 0 18,18（11）：3 3-3 6.8鲁进军，吴萌岭，牛刚.轨道交通制动系统速度传感器的故障诊断方法研究 J.铁道学报,2 0 2 1,4 3（1)：8 5-93.9MANIA N,NADER M,MOHAMMADREZA D.Sensor fault detection and isolation of an industrial gas turbine using partialadaptive KPCAJ.Journal of Process Control,2018,64:37-48.10 陈龙，单海强，徐兴，等.基于扩展Kalman滤波器组的ECAS系统传感器故障诊断 J.振动.测试与诊断，2 0 19,3 9(2):389-449.11 SANA U J,YOUNG D L,IN S K.A distributed sensor-fault detection and diagnosis framework using machine learningJ.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 nuclearpower plants J.Annals of Nuclear Energy,2021,150:1-12.13沈艳霞，杨雄飞，赵芝璞风力发电系统传感器故障诊断 J.控制理论与应用，2 0 17,3 4(3）：3 2 1-3 2 8.14方有亮，李肖磊,张颖，等.基于小波包样本熵和支持向量机的框架结构损伤识别 J.科学技术与工程,2 0 2 1,2 1(14):58625869.15丁辉，仲跃,张俊,等.基于相关性函数的多传感器自适应加权融合算法 J.重庆理工大学学报（自然科学）,2 0 16,30(2):114-118.16 LUCKE M,MEI X Y,STIEF A,et al.Variableselection for fault detection and identification based on mutual information ofalarm series C/Proceedings of IFAC Symposium on Dynamics and Control of Process Systems Including Biosystems.Florianopolis,Brazil:IFAC,2020:673-678.17朱少豪，汪勇，杨益新.高阶声场传感器的噪声空间相关性及其阵列超指向性方法 J.哈尔滨工程大学学报,2 0 2 0，41(10):1477-1485.Fault diagnosis method of marine diesel generator set sensing systemZHAO Bo,SHI Lei?,HUANG Huan,XU Zufu,ZHU Hongwei.31.The Third Navy Representative Office in Shanghai,Shanghai 200030,China;2.Henan Diesel Engine Industry Co.,Ltd.,Luoyang 471039,China;3.Shanghai Marine Equipment Research Institute,Shanghai 200030,ChinaAbstract:To effectively diagnose the types of sensors that cause faults in diesel generator sets,a sensor systemfault diagnosis method based on correlation-offset hybrid analysis is proposed,which employs wavelet packetinformation entropy to extract distinctive features from signals obtained from diverse sensor types installed on thediesel generator set.The method utilizes correlation analysis to ascertain the types of faulty sensors and validatesthe outcomes through offset analysis.The experimental results show that employing this method for sensor systemfault diagnosis attains an accuracy rate of up to 92.52%,which can effectively identify the types of sensors withfaults in diesel generator sets.Keywords:diesel generator set;correlation analysis;sensor system;fault diagnosis;offset analysis赵博，等：基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法based on correlation-offset hybrid analysis61（责任编辑：刘丽君）