基于大数据技术的船用柴油发动机零部件故障智能诊断.pdf

内燃机与配件w w w n r j p j c n基于大数据技术的船用柴油发动机零部件故障智能诊断张虹,崔宇峰,张亮,李卫强,段晔鑫(陆军军事交通学院镇江校区,江苏 镇江 )摘要:为了提高柴油发动机零部件的故障诊断效果,提出基于大数据技术的船用柴油发动机零部件故障智能诊断方法.依据实际的测定需求及标准,进行故障信号的标定及分解;设计多层级的智能诊断节点部署形式,扩大实际的诊断范围;设计大数据融合诊断结构,构建大数据故障智能诊断模型,建立故障诊断特征识别矩阵,采用分类优化修正实现智能诊断.测试结果表明:此次所设计的诊断方法故障诊断残差控制在 以下,故障诊断效果较好,具有实际的应用价值.关键词:大数据技术;船用柴油发动机;零件检测中图分类号:T P ;U 文献标识码:A文章编号:X()I n t e l l i g e n tF a u l tD i a g n o s i so fM a r i n eD i e s e lE n g i n eP a r t sB a s e do nB i gD a t aT e c h n o l o g yZ h a n gH o n g,C u iY u f e n g,Z h a n gL i a n g,L iW e i q i a n g,D u a nY e x i n(Z h e n j i a n gC a m p u s,A r m yM i l i t a r yT r a n s p o r t a t i o nU n i v e r s i t y,Z h e n j i a n g ,C h i n a)A b s t r a c t:I no r d e r t oi m p r o v et h ef a u l td i a g n o s i se f f e c to fd i e s e le n g i n ep a r t s,a ni n t e l l i g e n t f a u l td i a g n o s i sm e t h o do fm a r i n ed i e s e l e n g i n ep a r t sb a s e do nb i gd a t a t e c h n o l o g y i sp r o p o s e d C a l i b r a t e a n dd e c o m p o s e t h e f a u l ts i g n a l a c c o r d i n gt ot h ea c t u a lm e a s u r e m e n tr e q u i r e m e n t sa n ds t a n d a r d s;D e s i g nt h ed e p l o y m e n tf o r mo fm u l t i l e v e l i n t e l l i g e n td i a g n o s i sn o d e s t oe x p a n dt h ea c t u a l d i a g n o s i s s c o p e;D e s i g nt h eb i gd a t a f u s i o nd i a g n o s i s s t r u c t u r e,b u i l dt h eb i gd a t a f a u l t i n t e l l i g e n t d i a g n o s i sm o d e l,e s t a b l i s h t h e f a u l t d i a g n o s i s f e a t u r e r e c o g n i t i o nm a t r i x,a n du s e c l a s s i f i c a t i o no p t i m i z a t i o nc o r r e c t i o nt oa c h i e v e i n t e l l i g e n td i a g n o s i s T h e t e s t r e s u l t s s h o wt h a t t h e f a u l td i a g n o s i s r e s i d u a lo ft h ed e s i g n e dd i a g n o s i sm e t h o di sc o n t r o l l e db e l o w,a n dt h ef a u l td i a g n o s i se f f e c ti sg o o d,w h i c hh a sp r a c t i c a l a p p l i c a t i o nv a l u e K e yw o r d s:B i gd a t a t e c h n o l o g y;M a r i n ed i e s e l e n g i n e;P a r t i n s p e c t i o n作者简介:张虹(),女,重庆人,讲师,硕士,研究方向:船舶动力工程.引言船用柴油发动机的零件关联性相对较高,内部的搭接也十分繁杂,一旦出现故障,极容易出现不可控的情况,不仅影响船舶的日常运行,也埋下了一定的安全隐患.为避免上述问题的产生,参考文献和文献分别提出了基于人工智能的船用发动机零件故障诊断方法和基于卷积神经网络的船用发动机零件故障智能诊断方法,但是诊断过程稳定性较差,导致诊断结果出现较大误差,诊断效果较差.为此提出基于大数据技术的船用柴油发动机零部件故障智能诊断方法.构建柴油发动机零件大数据故障智能诊断方法 故障信号标定及分解柴油发动机内部关键的零件包括曲轴、气缸等.曲轴的关联设备较多,导致其内部的负荷也更重,故障概率较大,需要对其进行重点诊断 .故障信号标定以及分解实际上是对发动机运行异常的感应预测,为维修人员传送异常信号和信息,提升整体的维修速度.首先,可以在曲轴箱内部设定振动信号监测装置,形成循环式的故障诊断环境.部署定向的故障诊断节点作为核心诊断节点,一旦设备出现异常,节点会迅速标定位置,并提取异常信号,传输至预设的处理位置之中 .信号分解之后,进行故障智能单向诊断范围的测算,如公式所示:()公式中:H表示单向诊断范围,表示定向诊断距离,表示异常定位速度,i表示诊断次数,表示聚类区域,和分别表示预设诊断区域和实测诊断范围,表示分解系数.根据上述测定,完成对冗余单向诊断范围的计算.综合实际的测定需求及标准,对异常位置进行多方向标定,并与部署的核心控制节点相互关联,二次传输至对应的处理位置之上.综合大数据技术中的数据处理及数据挖掘等,对获取的信号进行分解,同时对分解结果优化处理,结合信号特征,实现故障信号标定及分解处理.部署多层级智能诊断节点与传统智能诊断节点不同的是,此次综合大数据技术,所部署的多层级智能诊断节点的覆盖处理范围相对较大,不局限于曲轴故障,故障诊断的整体性较强,在复杂的环境下,能够更好地获取最终的诊断结果,完成预设的诊断目标任务.首先,针对发动机日常的故障类型,分化部署诊断节点,如图所示:年第 期图发动机故障类型及节点部署形式图示根据图,完成对发动机故障类型及节点部署形式的设定与调整.将设定的辅助节点与曲轴核心控制节点相互搭接关联,依据故障的等级设定对应的节点部署层级,形成循环性的故障节点控制结构.随后采集节点获取的数据以及信息,为后续的零部件故障智能诊断奠定基础环境.设计大数据融合诊断结构综合大数据相关技术,依据实际的故障诊断需求及标准,设计融合诊断结构.一般情况下,传统的诊断结构多为单向的,虽然能够实现预期的诊断目标,但是限制条件角度,整体针对性也较弱,常常会出现诊断误差或者诊断偏移等情况 .因此,需要设计动态化的故障智能诊断结构.首先,在发动机的结构中安装电子控制单元,与部署的节点形成定向关联,将所有传感器与指挥中心形成双向的控制关 系,测 算 出 特 定 振 动 的 运 行 频 率,如 公 式所示:K(RR)re()公式中:K表示特定振动运行频率,表示频率控制范围,R和R分别表示预设传感器单元重量和实测传感器单元重量,表示燃油压力,e表示运行次数.依据发动机的运行频率对整体的诊断结构作出调整,并在执行的过程中与部署的节点进行同步关联,形成故障多维融合诊断结构.基于大数据技术建立故障智能诊断模型设计大数据故障智能诊断模型,对发动机曲轴零件异常位置进行定位,同步异常信号以及数值信息,形成专属的数据包.通过部署节点采集实时异常数据,进行二次标记.以此为基础,还需要利用大数据技术中的模型预测及结果呈现等,对标定的异常位置进行再次预测,并设定诊断预设参数,如表所示:表故障智能诊断参数设定表诊断指标基础参数可控范围设定识别时间(s)诊断幅值/诊断时域变化比 融合诊断失误率()综合表,完成对故障智能诊断参数的设定,依据日常诊断的需求及标准,对诊断的参数进行设定调整,随后,利用模型预测及结果呈现等技术,获取基础性的故障智能诊断结果,完成基于大数据技术的故障智能诊断模型的构建.建立故障诊断特征识别矩阵所谓故障特征识别矩阵,主要是针对柴油发动机日常的故障和曲轴零件异常情况,通过特征的变化,构建对应的识别矩阵.采用大数据技术中的数据挖掘、数据采集等,标定出时域范围,将时域变化特征和故障诊断特征进行搭接,此时测算出故障反应敏感值,如公式所示:()公式中:J表示故障反应敏感值,表示识别范围,表示滚动感应值,g表示故障识别次数,表示重叠感应范围,表示特征差值.根据上述测定,完成对故障反应敏感值的测算.依据敏感值的变化,分析此时故障诊断的特征,与部署的节点相关联之后,形成循环型的诊断矩阵,以此来更好地分析异常信号的幅值分布形状和频率变化.但是这部分需要注意的是,诊断矩阵并不是固定的,而是随着模型诊断的结果发生作出对应的变化,诊断节点的分布也进一步强化了矩阵的控制效果,完成故障诊断特征识别矩阵的建立.分类优化修正实现智能诊断分类优化修正实际上是对柴油机零部件故障诊断结果的一种智能化修正处理.其实,与基础的发动机故障诊断不同的是,船用发动机的零部件关联程度相对较强,所以对应的故障面积也会更大一些,在这样的背景下,常常会出现不可控的状态,所以,为确保最终诊断结果的真实性与可靠性,采用分类优化的形式对诊断结果进行智能化修正处理.可以先设计一个动态化的控制修正程序,将其与布设的诊断节点相关联,形成循环性的诊断结构.在对柴油发动机零部件故障位置进行诊断的过程中,通过特定的指令对诊断结果进行核定及比照,最大程度加强对诊断误差的控制.综合上述测定,完成对诊断误差范围的确定.在设定的范围之内,获取基础性的诊断结果,与预设的初始结果进行比照,过程中对误差进行修正,完成对诊断结果的最终测算.方法测试本次主要是对基于大数据技术的船用柴油发动机零部件故障智能诊断的实际应用效果的分析与研究,考虑到最终测试结果的真实性与可靠性,选定某船舶的柴油发动机作 为 测 定 的 主 要 目 标,参 考 文 献和作 为 诊 断 对照组.测试准备首先,在选择的船舶柴油发动机内部和曲轴零件上设置一定数量的故障诊断节点.调整诊断模型的基础数值及参数,并修正智能化控制结构,营造稳定的故障诊断环境.在曲轴核心节点后方安装传感器,获取基础性的故障敏感值.此时,在控制系统中设定虚拟故障指令,构建基础测试环境.开始测试时,通过控制系统下达故障指令;利用模型对发动机的曲轴零部件异常位置进行标定,并提取相应的故障特征,具体如图所示:根据图,完成对故障特征提取结构的设计.综合大数据技术,通过诊断模型进行异常信号的提取,并对异常位置进行初始的标定和分析,完成对船舶柴油发动机故障内燃机与配件w w w n r j p j c n诊断仪器参数的设定与调整.图故障特征提取结构图示 测试过程结果分析根据上述搭建的测试环境,接下来,结合各项大数据技术,对船用柴油发动机零部件故障智能诊断方法进行多维测定与验证.利用控制程序下达故障异常指令,明确柴油发动机内部的故障范围,综合模型对异常位置进行具体标定,在提取故障特征的过程中,对异常信号进行定向解析.随后,在发动机中安装故障检测装置,采用串联的方式对电涡流测功机、传感器等进行搭接.依据实际的测定需求及标准调整转矩、转速、功率等相关的测试参数.此时,依据获取的基础性数据以及信息,测算出故障诊断识别频率,完成故障诊断识别频率的测算.依据得出数值,合理调整故障智能诊断模型的执行程序,随后,在控制程序内部设定第二阶段的故障异常感应装置.但是这部分需要注意的是,设定的感应装置必须与布设的诊断节点形成关联搭接,逐步构建出循环性的诊断结构.本文方法对柴油发动机零部件故障的二次标定结果如图所示:图柴油发动机零部件故障大数据二次标定从图可知,经过大数据技术的辅助,本文方法对于零部件的故障诊断逐渐变得更加精准,且标定的位置也能够分散处理,这样的形式可以促使故障智能诊断效率及速度更高,诊断控制效果也更佳.此时测 定 出 最 终 的 故 障 智 能 诊 断 残 差,如 公 式所示:Arll(mn)()公式中:A表示诊断残差,r表示定向感应频率,m表示预设诊断频率,n表示重复感应频率,l表示感应次数.综合上述测定,重复进行次诊断,对得出的测试结果分析,如图所示:图测试结果对比分析图示根据图,完成对测试结果的对比分析:与传统方法对照组相比,此次所设计的大数据船用发动机零件故障智能诊断测试组最终得出的故障智能诊断残差较好地控制在 以下,表明基于大数据技术的柴油发动机零部件的故障诊断效果更佳,误差可控,具有实际的应用价值.结束语综上,便是对基于大数据技术的船用柴油发动机零部件故障智能诊断方法的设计与分析.与传统的故障智能诊断形式相比,此次综合大数据技术,从整体上加强了故障诊断误差的控制,能够准确检测船用柴油发动机零部件故障,促使维修资源价值最大化,为船舶建造业及相关技术的发展提供参考依据.参考文献:蒋永敏,金红基基于人工智能的汽油车发动机故障诊断研究J电动汽油泵与配件,():韩淞宇,邵海东,姜洪开,等基于提升卷积神经网络的航空发动机高速轴承智能故障诊断J航空学 报,():孟伟一种智能喷灌装置的发动机M S F故障诊断研究J农机化研究,():巩小强,刘尚辉,李冲航空发动机整机振动故障智能诊断技术研究J测控技术,():陈泉杉,陈文会,任鹏航空发动机气路故障的智能诊断方法研究J内燃机与配件,():高巧玲,余娟改进支持向量机在汽车发动机故障诊断应用J电子技术,():翟旭升,杨仕美,段朋振,等基于数据融合的航空发动机多余度智能传感器故障诊断J燃气涡轮试验与研究,():林海涛,朱宝全,马小涵基于B P神经网络的发动机故障诊 断 算 法 研 究 J科 学 技 术 创 新,():孙峰,高红波面向大数据新能源拖拉机发动机智能故障监测系统J农机化研究,():李楠用于发电的电控发动机故障智能识别与监测系统J农机化研究,():