基于油液监测的船舶柴油机故障预测与健康管理技术研究

姚晓山 张卫东 周 平 朱子梁

（空军预警学院黄陂士官学校1） 武汉 430345）（中国人民解放军92557部队2） 广州 510720）

0 引 言

船舶柴油机PHM，即在船舶柴油机失效前进行故障预测，评估当前系统的健康退化程度，判断系统是由于何种故障模式引起健康水平的下降，并采取必要措施进行预先维护［1］.船舶柴油机在运转时，因摩擦副磨损，造成的故障和失效占有很大的比例.磨损类故障属于缓变故障，在临近故障发生之前的某一时刻，系统状态参数的变化率通常会一改先前的相对稳定状态而急剧增大.因此，合理确定表征故障即将发生的状态变化临界点是成功实现故障预测的关键［2］.

1924年，美国贝尔研究所的休哈特（W.A.Shewhart）运用数理统计原理提出了控制生产过程中的“6σ”方法，即后来发展的质量控制图和预防缺陷的概念，成为了进行生产过程控制的重要方法.对船舶柴油机运行过程中工作性能的监控和故障预测，与生产过程中利用统计过程控制（SPC）理论对产品进行质量管理，对生产设备加工能力进行预测具有相似的作用［3］.因此，本文将SPC理论引入到船舶柴油机的故障预测技术中，并结合投影寻踪（PP）方法对船舶柴油机性能退化程度进行综合评估，为准确掌握船舶柴油机的技术状态和实现船舶柴油机的健康管理提供指导.

1 船舶柴油机磨损失效机理

磨损是船舶柴油机最主要的失效形式.船舶柴油机的磨损是伴随摩擦而产生的必然结果，磨损不仅是摩擦副损耗的主要原因，也是影响船舶柴油机使用寿命的主要因素.研究表明，机械类装备的磨损过程可分为磨合、稳定磨损和急剧磨损3个阶段.因此，可通过磨损状况的监测来反映船舶柴油机的技术状态.

当船舶柴油机处于稳定磨损阶段时，磨损速率基本保持不变，“浴盆曲线”几乎保持水平；当存在异常磨损时，磨损速率将会出现陡增，“浴盆曲线”将不再保持水平，而油液光谱分析中磨损元素的质量浓度梯度指标代表了磨损速率的变化情况，因此，它能灵敏感知船舶柴油机的早期失效征兆，这为实现船舶柴油机的故障预测与健康管理提供了可能性.

2 基于SPC的船舶柴油机故障预测

2.1 控制图原理

控制图的本质是利用子组来监测过程分布规律随时间的变化情况，以便及时发现异常，寻找原因并采取纠正措施.其中，子组代表某一时刻（实际上是在一个时间段中）过程的分布规律，即用子组（内含若干数据——过程特性的测量值）来估计当时（实际上是在一个时间段中）过程的分布规律［4］.

对于船舶柴油机油液监测而言，一般是定时抽取一个有代表性的油样进行检测.因此，子组容量一般为1.子组容量为1时，SPC一般以单次测量值和移动极差（相邻2次测量值差值的绝对值）为对象建立x-Rs控制图，其中控制中心线（CL）、控制上限（UCL）和控制下限（LCL）按下式进行计算：（1）x控制图.CL=¯x，UCL=¯x+2.66¯Rs，LCL=¯x-2.66¯Rs；（2）Rs控制图.CL=¯Rs，UCL=3.27¯Rs，LCL不考虑.

2.2 控制图的判断准则

休哈特控制图的判断准则是对设备进行异常判断的准则，若符合判断准则，则说明设备出现异常，虽然设备的数据仍处于控制限之内，但通过对数据图形的判断即可分析出设备的运行状况，体现了故障预测的思想.将控制图中心线上下区域各分成3 等分，中心线至±1σ的区域为C区；±1σ～±2σ的区域为B区；±2σ～±3σ的区域为A 区，符合下面任一条件，即可认为过程处在控制状态之外：（1）有一个点落在3σ控制界限之外；（2）3个连续的点中有2个点出现在2σ上（或下）控制限的上方（或下方）；（3）5个连续的点中有4个点出现在1σ上（或下）控制限的上方（或下方）；（4）8个连续的点出现在中心线的同一侧.

2.3 船舶柴油机故障预测

本文选取船舶柴油机3种主要磨损元素Fe，Pb和Cu油液光谱分析的浓度梯度值作为质量特性指标，数据如表1所列，建立x-Rs控制图，并在此基础上进行SPC分析.

表2各列所示分别为Fe，Pb和Cu 3种磨损元素测量值的CL，UCL和LCL，以及对应移动极差的CL和UCL.图1～图3分别为其x-Rs控制图.

表1 某船用柴油机SPC数据表

表2 某船用柴油机SPC极限值

图1 铁元素的x-Rs控制图

图2 铅元素的x-Rs控制图

由图1～图3可见，除了图1中的Fe元素在11号样本点处Rs=0.065超出控制上限（UCL＿Rs=0.064）外，其他各项质量特性指标均处于控制界限之内，根据休哈特控制图判断准则，表明在11号样本点处出现了异常磨损.由于此时船舶正在海上连续航行，为避免因磨损恶化而造成严重事故，更换了润滑油，并加强了运行过程中的油液监测.从图中可以看出，各项质量特性指标在11号样本点之后，都得到了较好的控制，没有一项指标超出控制界限.

图3 铜元素的x-Rs控制图

3 基于PP 的船舶柴油机性能退化综合评价

3.1 投影寻踪原理

PP方法基本思路：将高维数据通过某种组合投影到低维子空间上，并通过优化投影指标函数，寻找出能反映原高维数据结构或特征的投影向量，在低维空间上对数据结构进行分析，以达到研究和分析高维数据的目的［5］.其基本步骤如下.

步骤1 构造投影指标函数 PP 方法就是把p维归一化数据｛x（i，j）｜j=1，2，…，p｝综合成以a=（a（1），a（2），…，a（p）） （a是单位向量）为投影方向的一维投影值z（i）

综合投影指标值时，要求投影值z（i）的散布特征应为：局部投影点内部尽可能密集，类间尽可能散开.基于此，投影指标函数可表达为

Sz为投影值z（i）的标准差，Dz为投影值z（i）的局部密度，即

式中：为序列｛z（i）｝的均值；R为局部密度的窗口半径，它的选取既要使包含在窗口内的投影点的平均个数不太少，避免滑动平均偏差太大，又不能使它随着n的增大而增加太高；R一般取0.1Sz；距离rij=｜z（i）-z（j）｜；I（R-rij）为单位阶跃函数，当R≥rij时，值为1，否则取0.

步骤2 优化投影指标函数 当各指标值的样本集给定时，投影指标函数Q（a）只随着投影方向a的变化而变化.不同的投影方向反映不同的数据结构特征，最佳投影方向就是最大可能暴露高维数据某类特征结构的投影方向.因此可通过求解投影指标函数最大化问题来估计最佳投影方向，即

这是一个以｛a（j）｜j=1，2，…，p｝为优化变量的复杂非线性问题，用传统的优化方法处理较难，本文采用遗传算法来解决其高维全局寻优问题［6］.

步骤3 分类（优序排列）.把由步骤2 求得的最佳投影方向a＊代入式（1）即可得各样本点的投影值z＊（i）.投影值z＊（i）和z＊（j）进行比较，二者越接近，表示样本i与j越倾向于分为同一类.按z＊（i）值从大到小排序，则可以将样本从优到劣排序.

3.2 性能退化评价

按照上述方法对船舶柴油机的性能退化程度进行综合评定，首先，将表2中的评价指标转换成量纲一的量序列｛x（i，j）｝，然后将之代入式（1）～式（4），即得投影指标函数，利用遗传算法优化求解由式（5）和式（6）所确定的问题［7］.

步骤1 随机产生p=500组初始单位投影方向向量a＊，按式（1）分别计算p组n维向量的投影特征值z＊（i）.

步骤2 分别计算每组投影方向上的Sz和Dz，进而根据式（2）计算每组投影方向上的目标函数值Q（a）.

步骤3 通过遗传算法中的选择、交叉和变异操作，产生3×p组新的投影方向向量a＊.

步骤4 根据Q（a）值越大越优的原则，从3×p组投影方向向量中选取新的投影方向向量，回到步骤1，重新计算z＊（i）.

步骤5 当目标函数值Q（a）不再增大时所对应的投影方向向量就是最优投影方向a＊.

按照上述计算步骤，利用投影寻踪方法求得船舶柴油机性能退化综合评价的最佳投影方向为（0.3860.2570.2400.6360.4140.388）.最佳投影方向向量可看作是各评价指标的权重，可以看出，排序第一的是Pb元素的移动极差，这与实际监测过程中发现的Pb元素浓度增长速率最高相印证，证明了最佳投影方向的合理性.同时，得到各样本的投影值z（i）为（0.9621.4740.6960.8480.8521.1281.8950.8370.7111.2372.1780.5330.6960.8520.8190.6810.6851.0340.8361.4810.5330.524），根据各样本的投影值z（i），由数理统计中的3σ法则，可制定船舶柴油机性能退化程度综合评价标准：正常线0.977；警告线1.849；异常线2.285.图4 中，11号样本点处性能退化程度超出了警告线，十分接近异常线，若不采取措施极有可能发生严重的异常磨损情况，由于及时更换了润滑油，性能加速退化的趋势得到了控制，从12号样本点之后，性能退化得到了较好的控制.

图4 某船用柴油机投影寻踪图

4 结束语

船舶柴油机PHM 技术是适应未来装备保障发展必不可少的支撑技术，本文将主要磨损元素的浓度梯度作为质量特性指标，运用SPC技术对各质量特性进行了统计分析，结果表明此船舶柴油机可能存在异常因素而导致磨损状态处在统计控制之外，需要查找故障的根源；利用投影寻踪（PP）方法对此船舶柴油机整机性能退化程度进行了综合评定，制定了相应的评判标准，为船舶柴油机健康管理提供了参考依据.

［1］MICHAEL Pecht，KANG Rui.Diagnostics prongnostics and system's health management［M］.PHM Centre，City University of Hong Kong，2010.

［2］李广太，刘东风，石新发.能谱分析法用于油液磨粒监测研究［J］.武汉理工大学学报：交通科学与工程版，2011，35（3）：533-536.

［3］袁学成，胡湘洪.统计过程控制（SPC）体系实施指南［M］.北京：中国标准出版社，2010.

［4］王瑞芳，刘林，徐 方.基于统计过程控制的机器人系统故障预测技术研究［J］.机床与液压，2009（6）：227-230.

［5］陈乃九，崔恒建.多元统计过程控制中的投影寻踪方法［J］.数学进展，2001（3）：193-202.

［6］付 强，刘建禹.基于RAGA的PPC模型在农村能源区划中的应用［J］.农业现代化研究，2002（5）：374-377.

［7］周 平，刘东风，吴 千.投影寻踪在柴油机磨损状态评价中的应用［J］.润滑与密封，2009（10）：92-95.