CN109710983A - 一种基于关键性能指标的柴油机气缸分层故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于关键性能指标的柴油机气缸分层故障诊断方法，基于数据驱动，建立反映气缸健康状态的关键性能指标；构建关键性能指标预测器；通过分层诊断机制对柴油机气缸组件进行分层故障诊断；包括：建立气缸关键性能指标，包括设备层气缸组件磨损综合指标和部件层各个气缸的磨损指标；对历史数据进行建模，建立基于可测过程变量的关键性能指标的预测器；将待诊断数据输入预测器，进行分层故障诊断。本发明通过分层诊断故障的机制提供了一种由上到下的诊断方法，提高了气缸组件的故障诊断的效率，有效地解决了数据的动态过程特性对故障诊断的影响，提高故障诊断的准确性。

Description

一种基于关键性能指标的柴油机气缸分层故障诊断方法

技术领域

本发明涉及船用柴油机气缸组件故障诊断方法，具体涉及一种基于关键性能指标的数据驱动的分层递进故障诊断方法。

背景技术

气缸组件是柴油机的重要组成部分,在柴油机正常运转中承担负荷最重且可靠性最差。据统计,柴油机30％以上的故障都是气缸磨损故障。船用柴油机气缸组件故障诊断方法主要有热力参数法、瞬时转速检测法，油液分析法、振动诊断法。热力参数法是通过温度、压力等物理量判定气缸的工作状态；油液分析法对机械装备润滑油的理化性能以及油中磨损和污染颗粒进行定性和定量分析的技术；瞬时转速检测法是通过对转速瞬时值的测量，分析机械瞬态性能，为机械故障诊断提供依据；振动诊断法需要采集机械振动信号并应用相关信号处理技术进行分析得到诊断结果。但是，以上现有的技术方法大都需要工程师很丰富的工程经验，且耗费大量精力，且诊断机制目标不够明确，流程上目标性不强，实时性不高。

船用柴油机气缸组件系统一般由多个气缸组成，柴油机气缸组件故障诊断的工程实践中，可以采集到大量的测量变量的数据，现有技术依赖于工程经验，而缺乏良好的数据分析手段，难以充分利用数据进行故障诊断，诊断效果不高，故障诊断实时性低。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于关键性能指标的数据驱动的柴油机气缸组件分层故障诊断方法，通过数据分析进行故障实时诊断，能够准确检测出气缸磨损故障，并通过逐层诊断定位出是第几个气缸磨损故障，以及是气缸的哪个部件异常导致磨损，提升故障诊断的精确性和实时性。

本发明提供的技术方案是：

一种基于关键性能指标的数据驱动的柴油机气缸分层故障诊断方法，建立反映气缸健康状态的关键性能指标和关键性能指标预测器，通过分层诊断机制对柴油机气缸组件进行分层故障诊断；本发明方法是一种数据驱动的故障诊断方法，针对气缸组件关键性能指标的动态过程特性，包括基于子空间辨识的故障检测算法和基于重构的故障隔离算法；主要包括如下步骤：

1)建立关键性能指标，关键性能指标反映柴油机气缸组件系统的磨损程度；

气缸磨损是船舶动力系统常见的典型故障模式。对气缸磨损程度的准确评估是判断气缸健康状态的关键。由于我们无法根据传感器测量数据直接判断气缸健康状态，因此需要构造能反映气缸健康状态的指标，并建立该指标和相关测量量之间的映射关系。本发明根据分层故障诊断的需要，建立了一系列关键性能指标，包括设备层气缸组件磨损综合指标以及部件层各个气缸的磨损指标。

具体执行如下两步操作。

第一步，建立第i个气缸磨损指标。将第i个气缸磨损指标定义为kpi_i,具体是第i个气缸部件层的测量变量向量，可由第i个气缸的排气温度、平均指示压力等变量组成。部件层的测量变量与底层变量存在相关映射关系，可以表示为kpi_i＝f_i(θ_i(t))，其中θ_i(t)表示t时刻第i个气缸底层变量向量，由第i个气缸的冷却油进口压力、缸套冷却水进口压力、冷却油进出温度差、缸套冷却水进出温度差和滑油金属含量、转速波动指标等组成。本发明具体通过动态过程的子空间辨识方法，对kpi_i与θ_i的历史数据建模，计算得到f_i(·)。

第二步，建立描述气缸组件磨损综合指标。假设气缸组件共有q个气缸，将这q个气缸磨损指标以(1/q)的权重相加得到设备层气缸组件磨损综合指标。表示为式1：

其中，KPI为气缸组件磨损综合指标，属于设备层；kpi_i是第i个气缸磨损指标，属于部件层，q为气缸组件系统气缸个数；综上，本发明引入关键性能指标的概念用于说明船用柴油机气缸组件系统最值得关注的磨损程度，从而更加明确检测和诊断的目标。

2)对历史数据进行建模，建立基于可测过程变量的关键性能指标的预测器；

3)输入需要判断是否异常的待诊断数据，进行分层故障诊断；待诊断数据包括关键性能指标(设备层气缸组件磨损综合指标及部件层各个气缸的磨损指标)和底层环节变量的数据。

本发明提出一种分层的诊断机制。各层之间的关系如图4所示，包括设备层、部件层、底层变量。其中设备层是上述建立的气缸组件磨损综合指标，部件层是各个气缸的磨损指标，底层变量是各个气缸的实际测量变量。

包括如下步骤：

31)检测判断设备层气缸磨损综合指标是否发生故障异常；

这一步对设备层进行故障检测，检测气缸组件磨损综合指标是否异常。

本发明采用基于子空间辨识方法的故障检测方法检测得到气缸组件磨损综合指标是否异常。

检测出关键性能指标的异常后，采用基于重构的故障隔离算法定位出故障变量；包括对部件层进行故障隔离和对底层变量进行故障隔离。

32)若检测出设备层气缸磨损综合指标发生故障异常，则诊断隔离出相应部件层的气缸磨损指标异常的气缸；

此步骤对部件层进行故障隔离。当检测出设备层气缸组件磨损综合指标异常时，定位部件层中第几个气缸磨损指标异常，具体采用一种基于重构的故障隔离方法进行定位。

33)诊断隔离出导致此部件层气缸磨损指标异常的相关的底层环节变量。

此步骤对底层变量进行故障隔离。当检测出部件层中第i个气缸磨损指标异常时，再定位出底层变量中异常的变量。例如，气缸底层变量包括冷却油进口压力、缸套冷却水进口压力、冷却油进出温度差、缸套冷却水进出温度差和滑油金属含量、转速波动指标等，通过对底层变量进行故障隔离，具体采用一种基于重构的故障隔离方法，可以定位出哪一个变量发生了故障。

通过步骤31)～33)可实现分层的故障诊断。该分层故障诊断方法能够提高计算效率，增强诊断实时性。本发明的分层诊断机制，避免了将所有气缸的底层环节变量逐一计算诊断并隔离，能够减少计算量和计算时间。

进行分层故障诊断的故障检测时，具体地，本发明采用的基于子空间辨识方法的故障检测方法具体如下：

针对动态过程关键性能指标的监测与诊断，本发明提出了一种基于子空间辨识的故障检测算法。假设动态系统可由以下线性时不变差分方程(式2)描述：

其中本发明把柴油机气缸的数据的动态特性表示成动态系统状态空间的形式，x(k)为动态系统的状态变量，u(k)为动态系统的输入变量，y(k)为动态系统的输出变量。第k个采样时刻，关键性能指标θ(k)与其他过程变量u(k)、y(k)的关系由以下线性模型(式3)描述(关键性能指标关系模型)：

θ(k)＝C_θx(k)+D_θ1u(k)+D_θ2y(k)+η(k) (式3)

其中，w(k)∈Rⁿ,v(k)∈R^m,η(k)∈R^l是零均值，高斯分布的白噪声，w(k)是过程噪声，v(k)是输出测量噪声，η(k)是关键性能指标θ(k)的测量噪声；A,B,C,D,C_θ,D_θ1和D_θ2为未知的系数矩阵。由于状态变量不可测量，引入Kalman滤波器估计状态值并将其替代状态变量x(k)代入式3关键性能指标关系模型，得到式4：

其中，为Kalman滤波器估计状态值；K为Kalman滤波器增益；

为了更好地定义数据模型，本发明引入对数据结构的定义。假设对任意向量λ，定义以下数据结构：

其中，k代表第k个采样时刻；s为建模需要的第k个采样时刻前的时间区间长度；p为建模需要的第k个采样时刻后的时间区间长度；s和p一般由建模具体的效果而定，需要本专利使用者根据数据具体情况而设计。N为历史数据的样本数量。

将关键性能指标θ与其他过程变量以及噪声项的数据整理成上述式5的结构，可得数据模型：

Θ_k,s＝Γ_sL_pZ_k-s,p+T_sZ_k,s+H_k,s (式6)

其中，Θ_k,s为关键性能指标数据；Z_k,s,Z_k-s,p是过程变量的数据；H_k,s代表噪声部分；

Γ_sL_p以及T_s是此数据模型的系数矩阵，需要接下来对数据进行计算得到。

接下来，通过如下式7进行LQ分解：

由Q矩阵的正交性可得H_k,s＝L₃₃Q₃，因此，数据模型未知系数的求解便转化为一个最小二乘问题，并且可得式8：

其中，为矩阵的伪逆；

于是，基于可测过程变量的关键性能指标的预测器设计如式9：

其中，是第k时刻的前s时间区间的关键性能指标的预测向量；z_s(k)是第k时刻的前s时间区间的过程变量向量；z_p(k-s)是第k-s时刻的后p时间区间的过程变量向量；

应用历史数据计算得到的关键性能指标的预测器也就是我们在此问题中训练辨识出的关键性能指标模型。由历史的关键性能指标数据计算得到均值N为历史数据的样本数量；θ_s为第k个采样时刻前s时间区间长度的关键性能指标数据向量；定义预测残差为是第k个采样时刻前s时间区间长度的预测残差向量，是模型预测值与历史均值的差；，其协方差阵Σ可表示为式10:

其中，E()指期望；^T指矩阵或向量的转置；r_s(k+i)为第k+i时刻的残差向量，R_k,s为第k时刻的前s时间区间长度的残差矩阵；

残差的评价函数为式11：

其中，r_s(k)为预测残差；为此残差向量的转置；J(r_s(k))为由r_s(k)经式11计算得到的评价函数，也是检验是否发生故障的统计量；

以及阈值为式12：

其中，J_th,θ为评价函数的阈值；定义了置信度1-α(一般_α为0.05或0.01，具体可由技术人员根据实际需求情况自行定义，)，则为自由度为l的χ²分布的1-α分位点，可由查表得到。

根据：检测是否发生故障。

以上过程实现基于子空间辨识方法的故障检测。

基于重构方法的故障隔离包括如下过程：

检测出关键性能指标的异常后，还需要定位出故障变量。本发明采用了基于重构的方法，避免了故障变量的传播效应。记故障过程变量为数据矩阵将数据矩阵标准化，即减去均值并除以标准差，并记标准化后的矩阵为Z_norm＝[z_norm(1) …z_norm(N)]。然后对Z_norm做主元分析:T为主元分析得分矩阵，P为主元分析的主元负载矩阵，E为主元分析的残差部分，为残差空间的负载矩阵；构造主元空间和残差空间上的综合评价指标其中 T_α,Q_α分别是主元空间和残差空间上的阈值。假设故障变量的集合为通过最小化评价指标来重构故障变量，即求使得可得到重构值：

其中即矩阵每一列的第f_i个元素为1，其余为0；P是对角阵，与故障变量的标号相对应的位置处元素为1，其余为0。重构故障后评价指标的减少值表示为式14：

利用重构的过程变量按照式11重新计算得到J^*(r_s(k))，J^*(r_s(k))指按上述方法重构出后代入式11得到的重构后的新评价函数值，若J^*(r_s(k))＜J_th,θ，则说明成功重构残差评价函数，即隔离出故障变量。

与现有技术相比，本发明的有益效果是：

本发明提供一种基于关键性能指标的数据驱动的气缸组件分层故障诊断方法，通过建立一系列关键性能指标，量化气缸磨损，再建立基于可测过程变量的关键性能指标的预测器，通过分层诊断故障的机制提供了一种由上到下的诊断方法，提高了气缸组件的故障诊断的效率，通过子空间辨识的方法有效地解决了数据的动态过程特性对故障诊断的影响，提高故障诊断的准确性。

附图说明

图1为本发明提出的逐级分层的诊断机制的性能指标示意图。

图2为本发明提供的分层故障诊断方法的流程框图。

图3为本发明方法具体实施的算法流程框图。

图4是本发明逐级分层的分层示意图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种基于关键性能指标的柴油机气缸分层故障诊断方法，通过建立反映气缸健康状态的关键性能指标和分层诊断机制，对柴油机气缸组件进行分层故障诊断。

图1、图2所示为本发明提出的逐级分层的诊断机制的性能指标和分层故障诊断方法的流程。以下实施例首先用部件层的数据按照公式构造设备层的气缸磨损综合指标，检测出发生故障的分层为设备层，再应用故障隔离算法定位出部件层发生异常/故障的相应气缸。

图3为本发明方法具体实施流程，包括步骤S1、S2、S3。对设备层和部件层的数据应用如下的基于子空间辨识的故障检测算法建模并检测故障。

其中，Z_k,s,Z_k-s,p是部件层的数据，Θ_k,s为设备层的数据。检测出设备层发生故障，应用如下的故障隔离算法，定位出部件层异常的相应气缸。

隔离出z_norm,f中的变量即为导致设备层气缸组件磨损综合指标异常的故障气缸，再继续在此故障气缸的部件层与相应底层环节应用上述的基于子空间辨识的故障检测算法和基于重构的故障隔离算法，这种情况下的Z_k,s,Z_k-s,p对应底层环节变量数据，而Θ_k,s对应部件层的气缸磨损指标数据，隔离出相应底层环节的故障变量。

综上描述的具体实施方法便实现了基于关键性能指标的数据驱动的气缸组件分层故障诊断。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种基于关键性能指标的柴油机气缸分层故障诊断方法，基于数据驱动，建立反映气缸健康状态的关键性能指标；针对柴油机气缸组件关键性能指标的动态过程特性，构建关键性能指标预测器；通过分层诊断机制对柴油机气缸组件进行分层故障诊断；包括如下步骤：

1)建立气缸关键性能指标；关键性能指标包括设备层气缸组件磨损综合指标KPI和部件层各个气缸的磨损指标kpi_i；

2)对历史数据进行建模，建立基于可测过程变量的关键性能指标的预测器；

3)将待诊断数据输入预测器，进行分层故障诊断，包括基于子空间辨识的故障检测算法和基于重构的故障隔离算法；分层包括设备层、部件层和底层；待诊断数据包括待诊断柴油机的气缸关键性能指标和气缸底层变量数据；所述气缸底层变量数据是各个气缸的实际测量变量；包括如下步骤：

31)进行故障检测，采用基于子空间辨识方法的故障检测方法检测判断设备层气缸组件磨损综合指标是否发生异常；

检测出关键性能指标的异常后，采用基于重构的故障隔离算法定位出故障变量；包括对部件层进行故障隔离和对底层变量进行故障隔离；

32)对部件层进行故障隔离：若检测出设备层气缸磨损综合指标发生故障异常，则定位部件层中第几个气缸磨损指标异常，由此诊断隔离出相应部件层的气缸磨损指标异常的气缸；

33)对底层变量进行故障隔离：当检测出部件层中第i个气缸磨损指标异常时，再定位出底层变量中异常的变量，由此诊断隔离出导致此部件层气缸磨损指标异常的相关的底层环节变量；

通过上述步骤，实现基于关键性能指标的基于数据驱动的柴油机气缸的分层故障诊断。

2.如权利要求1所述的柴油机气缸分层故障诊断方法，其特征是，气缸底层变量包括冷却油进口压力、缸套冷却水进口压力、冷却油进出温度差、缸套冷却水进出温度差和滑油金属含量、转速波动指标。

3.如权利要求1所述的柴油机气缸分层故障诊断方法，其特征是，基于子空间辨识方法的故障检测方法具体包括如下过程：

311)将柴油机气缸的数据的动态特性表示成动态系统状态空间的形式，采用式2的线性时不变差分方程描述：

其中，x(k)为动态系统的状态变量；u(k)为动态系统的输入变量；y(k)为动态系统的输出变量；在第k个采样时刻，关键性能指标θ(k)与变量u(k)、y(k)的关系描述为式3的线性模型：

θ(k)＝C_θx(k)+D_θ1u(k)+D_θ2y(k)+η(k) (式3)

w(k)∈Rⁿ,v(k)∈R^m,η(k)∈R^l是零均值，高斯分布的白噪声，w(k)是过程噪声，v(k)是输出测量噪声，η(k)是关键性能指标θ(k)的测量噪声；A,B,C,D,C_θ,D_θ1和D_θ2均为未知的系数矩阵；

312)引入Kalman滤波器估计状态值替代状态变量，将Kalman滤波器估计状态值代入式3的关键性能指标关系模型，得到式4：

其中，为Kalman滤波器估计状态值；K为Kalman滤波器增益；

313)定义数据结构：假设对任意向量λ，定义以下数据结构：

将关键性能指标θ与过程变量以及噪声项的数据表示式5的结构，得到数据模型：

Θ_k,s＝Γ_sL_pZ_k-s,p+T_sZ_k,s+H_k,s (式6)

其中，k代表第k个采样时刻；s为建模需要的第k个采样时刻前的时间区间长度；p为建模需要的第k个采样时刻后的时间区间长度；Θ_k,s为关键性能指标数据；Z_k,s,Z_k-s,p是过程变量的数据；

314)通过式7进行LQ分解：

由Q矩阵的正交性得H_k,s＝L₃₃Q₃，由此将数据模型未知系数的求解转化为一个最小二乘问题，并可得式8：

其中，为矩阵的伪逆；

315)设计基于可测过程变量的关键性能指标的预测器，表示为式9：

其中，是第k时刻的前s时间区间的关键性能指标的预测向量；z_s(k)是第k时刻的前s时间区间的过程变量向量；z_p(k-s)是第k-s时刻的后p时间区间的过程变量向量；

316)根据历史的关键性能指标数据计算得到均值N为历史数据的样本数量；θ_s为第k个采样时刻前s时间区间长度的关键性能指标数据向量；

317)定义预测残差为协方差阵表示为式10:

其中，E()指期望；T指矩阵或向量的转置；r_s(k+i)为第k+i时刻的残差向量；R_k,s为第k时刻的前s时间区间长度的残差矩阵；

残差的评价函数表示为式11：

其中，r_s(k)为第k个采样时刻前s时间区间长度的预测残差向量，是模型预测值与历史均值的差；为此残差向量的转置；J(r_s(k))为由r_s(k)经式11计算得到的评价函数，也是检验是否发生故障的统计量；

评价函数的阈值表示为式12：

其中，J_th,θ为评价函数的阈值；定义置信度1-α；为自由度为l的χ²分布的1-α分位点；

将残差的评价函数J(r_s(k))与评价函数的阈值进行比较，得到是否发生故障；

通过上述步骤，实现基于子空间辨识方法的故障检测。

4.如权利要求1所述的柴油机气缸分层故障诊断方法，其特征是，基于重构方法的故障隔离包括如下过程：

321)记故障过程变量为数据矩阵将数据矩阵标准化，即减去均值并除以标准差，并记标准化后的矩阵为Z_norm＝[z_norm(1) … z_norm(N)]；

322)然后对Z_norm做主元分析:构造主元空间和残差空间上的综合评价指标其中T_α,Q_α分别是主元空间和残差空间上的阈值；

323)假设故障变量的集合为通过最小化评价指标来重构故障变量，即求使得可得到重构值；表示为式13：

其中即矩阵每一列的第f_i个元素为1，其余为0；P是对角阵，与故障变量的标号相对应的位置处元素为1，其余为0；

324)重构故障后评价指标的减少值表示为式14：

利用重构的过程变量按照式11重新计算得到J^*(r_s(k))，若J^*(r_s(k))＜J_th,θ，则说明成功重构残差评价函数，即隔离出故障变量。

5.如权利要求1所述的柴油机气缸分层故障诊断方法，其特征是，步骤1)建立关键性能指标；具体包括：

第一步，建立第i个气缸磨损指标；

第二步，建立描述气缸组件磨损综合指标：假设气缸组件共有q个气缸，将q个气缸磨损指标以1/q的权重进行相加，得到设备层气缸组件磨损综合指标。

6.如权利要求5所述的柴油机气缸分层故障诊断方法，其特征是，第一步，建立第i个气缸磨损指标；包括如下过程：

将第i个气缸磨损指标定义为kpi_i，是第i个气缸部件层的测量变量向量，可由第i个气缸的多个变量组成；

部件层的测量变量与底层变量存在相关映射关系，表示为kpi_i＝f_i(θ_i(t))，其中θ_i(t)表示t时刻第i个气缸底层变量向量，由第i个气缸的多个指标组成；通过动态过程的子空间辨识方法，对kpi_i与θ_i的历史数据建模，计算得到f_i(·)。

7.如权利要求5所述的柴油机气缸分层故障诊断方法，其特征是，第二步中，将q个气缸磨损指标以1/q的权重进行相加，得到设备层气缸组件磨损综合指标：具体表示为式1：

其中，KPI为气缸组件磨损综合指标，属于设备层；kpi_i是第i个气缸磨损指标，属于部件层，q为气缸组件系统气缸个数。