张海涛

(中海油能源发展股份有限公司采油服务分公司，天津 300452)

发动机是为机械设备运行提供动力的主要设备之一，若发动机发生故障[1]，整个设备也无法正常工作，不仅会给企业带来经济损失，也可能对工作人员的人身安全产生威胁。监测和分析船舶运行状态是保障船舶安全运行的基本措施。发动机在船舶运行过程中发生故障是无法避免的事情，因此对船舶发动机进行有效的监测意义重大[2]。对此，相关研究人员进行了研究。林丽等[3]提出利用灰色预测模型对船舶发动机故障进行诊断，虽然该方法能够对船舶发动机故障进行有效诊断，但对船舶发动机的异常征兆预测精度较低；李华兵等[4]对现有船舶运行性能仿真模型增加故障接口进行拓展仿真，通过注入故障参数,获得了对船舶发动机的故障点进行监测的方法，该方法能够快速发现发动机故障，但考虑实际情况甚少，不能在现实船舶中应用；徐晓健等[5]采用原子发射光谱分析、红外光谱分析、PQ铁磁性颗粒分析等指标检测方法构建船舶机械故障监测方法，并对监测流程进行设计，实现了船舶机械故障的诊断与分析，但该方法较复杂，实际操作性能欠佳。

本文提出了基于在线油液监测技术的船舶发动机故障判定方法，该方法采用传感器获取油液状态信息实时判定发动机故障，实现了在线对船舶发动机的有效监测，缩短了故障检测时间，减少了故障发生后停机造成的损失。

1 船舶发动机中油液特征信息的提取

单一的在线油液监测技术无法完整描述船舶发动机故障类型、故障原因等，在故障预测和故障判定方面存在局限性，因此需要设计集成传感器系统，通过传感器系统获取发动机中润滑油的相关特征信息。在传感器系统内部设置在线油液铁谱传感器、在线油液水分传感器、在线油液黏度传感器、微量泵等部件，对发动机中润滑油的黏度、含水量、磨粒浓度特征进行提取，再将采集到的数据经由PC104总线传送给机舱集控室内的服务端。图1为油液监测集成传感器系统的整体架构图。

图1 在线油液监测集成传感器系统架构图

2 船舶发动机故障诊断

利用Parzen窗法[6]划分各类故障油液特征信息样本的界限值，根据界限值将油液特征信息样本划分为正常、警告和异常3种；利用Weka软件对油液特征信息样本数据进行挖掘，并对提取到的油液特征进行光谱分析，实现对船舶发动机故障状态检测与判断。

2.1 基于Parzen窗法的界限值制定

传统界限值制定方法获取的数据并不全面。本文根据油液监测数据估算出其概率密度函数，获取油液监测数据的概率分布，结合线性算子设定船舶发动机故障诊断界限值。油液监测数据估计概率密度函数Q(x)为：

(1)

式中：H为发动机磨损诊断界限值；p(t)为t时刻的发动机磨损诊断界限值。结合线性算子方程得到船舶发动机故障诊断界限值P：

(2)

式中：x为特征元素浓度。

通过式(2)可以得出一组关于分布函数的油液特征信息样本为x1,x2,…,xl，以概率论为依据表明该组油液特征信息样本独立分布[7]。因此利用已给出的分布函数特征信息样本构建经验分布函数，以l作为样本数量，该经验分布函数Qt(x)的公式为：

(3)

通过式(3)经验函数的计算，利用给定油液特征信息样本分布密度估计整体概率密度[8]。

假设d维空间中存在样本点x，油液特征信息样本的总数为N，对样本点x的分布概率密度进行估计。假设超立方体体积为VN，且该立方体以x为中心，其边长为hN，则该立方体的体积为：

(4)

该立方体涵盖大量的油液特征信息样本点，假设这些样本点的数量为rN，构建函数，且要保证该函数满足：

(5)

式中：ω(u)为函数限制条件；|uj|为立方体样本密度。则超立方体内部的样本点数量为：

(6)

(7)

根据该概率密度函数将油液特征信息样本划分为正常、警告和异常3种，油液特征信息具体属于哪一种需要根据船舶油液监测的实际数据与发动机实际情况决定。

2.2 基于Weka平台的发动机故障元素规则提取

采用Weka平台对船舶发动机的油液特征信息进行数据挖掘和规则提取，构建船舶发动机故障诊断知识库，提升船舶发动机故障分析的智能化水平[9-10]。船舶发动机油液特征信息的挖掘和规则提取，是在决策树分类算法基础上实现的，决策树分类算法通常被称为C4.5算法。通过信息增益比实现C4.5算法对船舶发动机故障元素进行规则提取。

根据分类属性E的n个不同取值，设发动机故障样本集S按类别属性分为S1,S2,S3,…,Sn,共n个子集，那么E对S的信息增益G(E,S)为：

(8)

式中：I(S)为S的信息熵。

设S中有m个类，则

(9)

式中：rj为S中包含j类的概率。

用E对S进行分类的信息增益概率Y(E,S)为：

(10)

(11)

2.3 船舶发动机油液光谱分析

本文采用实验与实际光谱检测分析相结合的方法来确定机械设备润滑油油样的临界特征参数，作为判定机械设备故障的有效判据。为此，建立数学模型如下：

(12)

式中：Rci为光谱分析的特性参数；Pti为机械设备第i次的光谱分析数值；Pti+1为机械设备第(i+1)次的光谱分析数值，i=1,2,…,n。

3 实验分析

实验中采用深圳市先波科技有限公司生产的FWS-II在线油液黏度传感器，该型号传感器黏度测量范围为0～120 cP；分辨率为-0.7 cP；输入电压为直流(30±5) V，输入电流为0.7 A；输出信号频率范围为70～120 Hz；其监测数据响应时间少于1.5 s。实验在0 ℃～70 ℃的环境温度、空气无冷凝、流体温度为-9 ℃～119 ℃且流体压力为正常压力条件下进行。图2为在线油液黏度传感器实物图。

图2 在线油液粘度传感器实物图

3.1 油液黏度传感器性能分析

为验证在线油液黏度传感器的准确性和精度，将在线油液黏度传感器测得的黏度数据与实际油液黏度数据进行对比，结果见表1。

表1 验证实验数据

从表1可以看出，在线油液黏度传感器的输出精度很高，测试数据和实际数据的误差很小，说明本方法在船舶发动机故障分析方面具有很好的效果。这些微小误差可能是试验操作过程中油液的温度变化引起的。

3.2 故障特征信息规则提取性能分析

为验证本文方法能否对船舶发动机故障的特征信息实现有效规则提取，以ML-24型船舶发动机的1 346个实际油液光谱数据作为测试样本，进行实验研究。船舶发动机故障分析的特征信息包括油液黏度、含水量、磨粒浓度，由此设定数据特征维数为3。选取1 346个油液监测数据样本中50%的数据样本进行规则提取，剩余50%的数据样本用作规则验证。通过规则提取平台对数据样本的规则进行提取，建立与故障分析和诊断相关的数据库，表2为挖掘出的规则汇总。

表2 规则汇总

在表2中的基础上提取规则，如图3所示。图中See_1为油液黏度，See_2为油液含水量，See_5为油液磨粒浓度。

图3 基于重要元素提取的规则树

图3中的规则树是基于Weka平台生成的决策树，该决策树的叶节点和叶节点之外的节点表示该节点的类别属性，在决策树中的每一个根到叶的枝条都可以看成是一条决策规则，将这些决策规则提取。通过上述提取的决策规则监测样本状态，样本状态的识别率可高达98.42%，因此可以看出，利用规则树提取的样本结果为识别和分析发动机故障提供了良好的数据基础，提升了本文方法对船舶发动机故障的识别率。

3.3 基于在线油液监测的船舶发动机故障诊断

为验证本文方法判断船舶发动机故障的优势，选择电感测量方法作为对比实验方法。对4台ML-24型船舶发动机分别设置轴承故障、定子故障、气隙偏心故障、转子故障。在船舶发动机处于不同工况下，分别提取4台船舶发动机的100组运行状态数据样本，将其分为5类状态，每类含有20组状态数据，分别为电机正常运行、轴承故障、定子故障、气隙偏心故障、转子故障。预处理这100组样本数据，将其中的80组样本数据作为本文方法的训练样本，剩余20组样本数据作为测试样本。将测试样本划分为5组，用Y1，Y2，…，Y5表示。

采用电感测量方法得到的船舶发动机诊断结果见表3，采用本文方法得到的诊断结果见表4。

表3 电感测量方法诊断结果

表4 本文方法诊断结果

从表3和表4可以看出，电感测量方法虽然也检测到了船舶发动机的故障，但是检测的故障种类并不全面，其中定子故障、气隙偏心故障没有被精准检出来；本文方法可全面有效地诊断出发动机的所有故障，与之前的人工诊断故障完全一致，因此利用本文方法可全面、有效判断船舶发动机的故障。

4 结束语

本文采用油液特征分析方法判断船舶发动机故障，不仅可实时、动态获取发动机故障信息，而且精准度高。基于Weka平台提取油液的特征信息、获取其特征规则，进一步丰富了船舶发动机故障诊断数据库，提高了船舶发动机故障分析的智能化程度。