船舶动力系统故障诊断方法与趋势预测技术研究

来源:用户上传      作者:

　　[摘 要]动力系统是船舶最重要的组成部分，直接决定了船舶的运行性能和实际用途，其功能的正常发挥是船舶行驶的根本保障。在实际的运行过程中，经常会发生船舶动力装置故障的问题，采用合理有效的故障诊断，可以为保障船舶的正常运行提供重要支持。因此，船舶动力系统的故障诊断方法非常重要，同时，研究这些故障诊断方法和故障趋势预测，也是诊断技术的一个重要发展方向。
　　[关键词]船舶动力系统 故障诊断方法 趋势预测技术
　　中图分类号：G63 文献标识码：A 文章编号：1009-914X（2019）11-0114-01
　　加强对船舶动力系统的故障诊断，需要先进的诊断方法和技术，强化技术保障的同时，也对水路货运能力有巨大支持作用。因此，相关船舶动力系统故障诊断及其发展趋势研究有非常现实和深远的价值，是相关运输和维修等企业非常重视的领域，并得到很大的发展。
　　1.船舶动力系统故障诊斷概述
　　船舶动力系统是为满足船舶航行过程中所需的机械能、电能和热能获取而进行配置的体系，作为船舶的核心功能单元，其稳定并安全地运行是确保航运目标实现的关键前提。近些年以来，随着航运需求的不断增加，整个船舶动力系统向着更加多样化、大型化、精密化的设计建造趋势发展，各方面的性能也得到了非常大的改善，整体的自动化水平有显著提升。但因为船舶动力系统的结构非常复杂，且其工作的自然条件比较恶劣，并要保持长时间的工作，故障问题几乎是不可避免的。当故障发生，必须尽早进行正确处理，将故障及时排除，否则将造成难以估量的损失，和一些事故性问题。
　　过去对于船舶动力系统的故障监测，手段非常低效，主要通过人工方式完成系统运行状态的认定，以及故障情况的诊断。但船舶的整个动力系统结构非常复杂，且故障形式和程度不同，常常发生故障错判以及漏判等问题，造成较为严重的后果。新的船舶动力系统故障诊断方法被不断研究和使用，极大地促进了故障诊断和检修的效率，尤其是一些智能化的故障诊断系统和方法的采用，大大提升了船舶故障诊断效率和质量，对整个航运业都有巨大的推动作用。
　　2.船舶动力系统故障诊断方法与趋势预测技术研究
　　2.1船舶动力系统故障诊断方法
　　（1）介质性能参数的故障诊断方法
　　以性能参数作为故障诊断的基础，这是一种非常典型的故障诊断和故障预防的措施，在实际的船舶运行过程中，是必不可少的检修维护方法。其具体的办法是对主机中的一些介质进行测量，包括燃气、空气、冷却液、润滑油等，将这些介质的测量参数与正常数值进行比对，确定与正常状态下的工作参数偏差，据此来对动力系统的工作状态进行评价。具体要测量的性能参数主要包括：油压、油温、排压、排温、功率、转速等。通过这些参数可以有效反映动力系统的各种故障信息，且不会受外部因素的干扰，诊断质量较高。现在该技术已经发展到对整个动力系统的模型仿真技术和神经网络技术，通过将测得的参数输入模型，就可以仿真出具体的系统工作状态。为确定故障和潜在的故障有非常好的借鉴意义。
　　（2）油液监测故障诊断方法
　　油液监测技术主要是利用对动力系统设备的润滑油等样本，利用电、光、磁等科学技术手段，对油液进行高性能的分解分析，通过定性和定量两种方式，研究油液中存在的各种因为磨损产生的以及一些污染物等固体颗粒，据此来判断设备的运行和磨损等情况。进而找到故障产生的诱因以及故障发生的部位，对动力系统的各组成设备工作情况进行分析和预测。确定故障问题后，研究针对性的解决办法，以提升系统运行的稳定性，避免更大故障问题，并延长整个动力系统各设备的使用寿命。
　　（3）振动监测故障诊断方法
　　在运行状态下，动力系统不可避免会产生振动，这些振动过程中就包含了设备的整体运行状态，包含了动力系统设备的故障信息。通过将这些振动信号进行采集，并做以深入的处理和分析，就可以基于此对设备工作或故障情况实施诊断。在具体的故障分析过程中，可以对系统电动机轴承工作状态的振动情况提取信号，利用时域和频域这两个角度分析振动信号，并采用神经网络技术对轴承可能存在的故障问题进行诊断。也可以与颗粒磨损等分析统一结合，进行更加综合性的分析，采用一些高效率算法研究船舶主机的具体磨损情况。通过这些监测技术和算法的运用，精确定位故障部位和故障问题，为进一步解决这些问题奠定信息基础。
　　（4）智能分析故障诊断方法
　　到目前为止，对船舶动力系统的故障诊断已经从局部的人工化方式向综合性的智能化方向发展，智能分析故障诊断方法就是这种综合性故障诊断技术的典型代表。我国采用比较广泛的智能分析故障诊断方法是故障诊断专家系统。其具体的操作机制是利用各个领域的专家根据自身领域的专业经验和知识，整合形成诊断经验技能库，利用专家系统集成的逻辑能力根据具体情况分析判断故障问题，最终得到明确的故障部位和故障程度。该技术系统很多都是由船舶动力系统的生产厂家研制，其在出厂前的系统测试和应用过程中的状态监测有非常准确的监测质量，对于故障识别和故障预测也有很好的表现。并且该系统的实际应用效果很好，对于船舶使用企业的检修和维护有巨大帮助。
　　（5）神经网络故障诊断方法
　　神经网络技术对于船舶动力系统的故障诊断也是一种非常有效的方法选择，通过广义回归神经网络技术，并结合智能专家诊断系统等，可以对船舶内燃机的故障情况进行系统诊断。在实际的故障诊断过程中，采用神经网络可以对齿轮箱和内燃机的进气系统进行故障模式的有效识别，构建更加准确的故障诊断体系。
　　2.2船舶动力系统故障趋势预测技术
　　目前我国船舶动力系统的故障诊断所使用的预测技术所依赖的模型主要有几个：时间序列模型、神经网络模型、线性回归模型和灰色模型等，这些预测技术模型在各自的应用领域都有比较显著的优势和缺陷，在具体的适用范围内根据实际情况加以选择，以达到准确预测的目的。
　　（1）ARMA故障趋势预测技术
　　ARMA模型属于比较常见的线性时间序列模型，可以在一定的时间序列内完成拟合，进而对故障情况进行有效的预测。其实现的基本原理主要是利用时间序列变化的一般规律，通过序列过去的数据对未来发展情况进行合理预测。通过ARMA模型在时间序列内的平稳性特点，整个建模的过程包括四个步骤：模型识别、模型定阶、模型参数估计、模型检验。通过这些必要的措施，使得模型与实际故障的发生发展达到更大程度的吻合。
　　（2）小波神经网络故障趋势预测技术
　　小波神经网络故障趋势预测技术最早由一名法国工程师提出，称作小波变换。利用小波变换可有效凸显故障信号的某些特点，是对傅立叶变换的丰富和完善。对于小波神经网络故障预测模型来说，通过多次迭代完成多步预测，其预测结果存在较长的步数，因此结果较为准确。
　　3.结束语
　　综上所述，船舶动力系统是整个船舶各系统中最核心的部分，确保其稳定安全地运行，有着非常重要的现实价值。目前采用的一些动力系统故障诊断方法，都具有实施方便、智能化程度高、故障诊断准确的特点，在实施中都采用了先进的技术设备和数据分析方法，提升了诊断质量和效率。而对于船舶动力系统的故障问题来说，更重要的是防患于未然，需要将隐患在没有发生前及时发现并排除。动力系统的故障趋势预测技术非常重要，需要引起高度重视。
　　参考文献：
　　[1]贾宝柱，贾志涛，赵祥.基于信息融合的船舶动力系统运行状态评估[J].大连海事大学学报，2017，02.
　　[2]柳晨光，初秀民，谢朔，严新平.船舶智能化研究现状与展望[J].船舶工程，2015，09.
　　[3]严新平.船舶智能故障诊断系统的研究现状与发展趋势[J].交通与港航，2016，01.
转载注明来源:https://www.xzbu.com/1/view-15333893.htm