船舶动力系统技术状态评估综述

2022-03-19王利伟

船电技术 2022年3期

关键词：船舶状态评估

曹蒙，王利伟，陈博

船舶动力系统技术状态评估综述

曹蒙1，王利伟1，陈博2

（1. 中国人民解放军91404部队91分队，河北秦皇岛 066001；2. 海军驻上海地区第一军事代表室，上海 201913）

本文介绍了船舶动力系统技术状态评估的发展历程，从理论层面和应用层面概述了船舶动力系统技术状态评估的研究现状，分析了制约其实际应用的关键技术。最后，就船舶动力系统技术状态评估的发展趋势做了展望。

动力系统技术状态评估

0 引言

船舶动力系统技术状态的好坏将直接影响船舶的快速性、机动性、安全性等多个方面[1]。因此，及时、准确掌握动力系统技术状态，对于船舶的使用决策至关重要。科技、信息技术的飞速发展，传感器、物联网、新材料等不断革新都极大地扩展了人们对装备监控维度、数据采集的广度、信息挖掘的深度。加之大数据、智能算法、数据挖掘的普及和应用，全面、及时掌握装备的技术状态已成为未来装备建设和发展的重要方向。

1 船舶动力系统技术状态评估的发展

船舶动力系统的技术状态，表征了该系统的运转能力，对于该系统技术状态的评估，也是随着工业革命的不断深入、科学技术的迅猛发展逐渐发展起来的。总体分为以下三个阶段[2]：

1）原始评估阶段

原始评估始于19世纪初到20世纪中期。这段时期机器、设备结构组成都比较简单，主要采取“眼看、耳听、手触”等原始的方法，判断机器的运转状况。例如，通过“眼看”观察机器排烟的颜色是否异常，管路是否有漏泄，机体是否有裂纹等；通过“耳听”机器的响声大小、有无异响，判断机器的振动情况；通过“手触”判断机体的温度、排气压力是否处于正常范围之内等。

2）基于传感器的评估阶段

基于传感器的评估始于20世纪60年代。随着新材料、传感器技术的发展，温度、压力、转速等参数实现了自动化监测，基于时频域分析的信号处理技术，成为该阶段技术状态评估的主要研究方向。自此，机器、设备的技术状态评估也由之前依靠人工经验的定性判断，转变为客观数据的定量分析。

3）智能化评估阶段

智能化评估始于20世纪90年代。由于机器、设备的日趋复杂、精密，传统的评估技术已无法满足工业需求。同时，随着微型计算机数据处理能力的大幅提升，智能算法和模型得以从繁杂的数据计算中解脱出来，使得状态评估也更加智能化。其中，故障预测与健康管理（PHM）技术成为该阶段研究的热点，并持续至今。该技术主要是利用先进的传感器及庞大的数据库，借助各种智能算法，搭建评估模型，对装备的技术状态进行监控、评估、预测，以降低故障发生率，提高装备运转的安全性、可靠性[3]。

另外，与“技术状态评估”意义相近的概念很多，诸如“健康状态评价”、“综合评估”等[4～5]，但其核心内容基本一致。目前，该领域研究十分活跃，涉及航空、船舶、基建等诸多应用场景，为保障装设备安全、提供维修建议、节省经费开支发挥了重要作用。

2 船舶动力系统技术状态评估研究现状

2.1 理论层面

陈玲等根据核动力机械设备的串、并联关系，应用布尔代数理论，建立了设备性能部分退化条件下的状态评估模型[6]。刘伟波在动力系统状态评估的基础上，进一步开展了状态等级划分研究，并依据不同等级给出了使用和维修建议[7]。王孟莲以船舶电力推进系统为研究对象，建立了推进变压器、变频器、电动机等典型设备的评估指标体系，构建了基于模糊神经网络和基于支持向量机的状态评估模型[8]。梁树甜等针对船舶电力推进系统技术状态评估问题，提出了评估流程，建立了基于模糊神经网络的评估模型，并以船舶运行的实时数据为基础，展开了仿真研究，验证了该方法的准确性[9]。马超建立了基于粗糙集和D-S证据理论相结合的评估模型，实现了两种方法的功能互补，并利用Visual C#语言开发了技术状态评估软件[10]。贺彦鹏根据动力系统的任务剖面，采用模糊综合评估法，评估了船舶机电系统，并就技术状态预测做了进一步研究[11]。王天语以主机、螺旋桨和轴系为节点，选取了主机温度、振动频率为模型输入，建立了基于动态贝叶斯网络的无人船推进系统PHM模型，通过健康状态的时序关系，实现了推进系统的综合诊断和实时评估[12]。

可以发现，船舶动力系统的状态评估，其基本原理是通过选取表征系统附属设备的状态监测参数，基于实时数据与历史数据，采用适当的算法，建立评估模型，实现对系统当前运行状态，乃至未来状态的综合分析和预测。

2.2 应用层面

德国劳氏船级社（LR）、日本船级社（NK）先后制定了船舶状态评估程序（CAP），明确了船舶检验的时间和范围。其中，动力机械是主要检测内容之一。若评估中发现安全隐患，还将制定防护措施加以改善[13]。

军用领域，美国海军开发了水面舰船综合状态评估系统（ICAS），该系统将舰上分系统采集的动力系统相关设备参数，传回岸基分系统进行状态评估，形成综合分析报告，并针对存在的故障提出维修建议[14]。

图1 水面舰船综合状态评估系统

如图1所示，ICAS由3个子系统组成，具体功能如下[15]：

1）舰上分系统。利用数据总线、数据采集卡和便携式数据分析器等3种方式实现数据采集；配置数据集（CDS）对采集的数据进行匹配识别，并完成趋势分析；综合电子技术手册（IETMs）则根据分析结果，提供初步的维修建议。

2）传输链路。对具有无线通信功能的船舶，ICAS系统可通过电子邮件的形式将采集的数据发送至岸基分系统。对于不具备无线通信功能的船舶，则以光盘为载体，将数据录入，再转交岸基分系统。

3）岸基分系统。维修工程库服务器（MELS）通过搭建的算法，分析故障模式及严重程度，并提出有针对性的维修建议。对各设备采集的数据分析完成后，将形成上级系统的综合性能分析报告（IPAR），目前，可支持燃气轮机、柴油机、压缩机等12类系统的综合分析。对于船舶通用的系统，将以舰队所有船舶的数据为基础展开分析，最终形成企业级性能分析报告（ePAR）。

3 船舶动力系统技术状态评估关键技术

目前，对于船舶动力系统技术状态评估的理论研究比较多，但在具体应用上，探索较少，多停留在状态监测参数的超限报警层面，制约其从理论到应用的关键技术主要体现在以下3个方面：

1）评估指标的选取。船舶动力系统涉及主机、齿轮箱、轴系、螺旋桨等诸多装置，系统构成复杂，监测参数多样，选取哪些参数作为评估模型的输入，决定了评估结果的权威性。若考评参数过多，会带来繁杂的冗余信息，增加模型的处理难度；若考评参数过少，则会造成信息的丢失，不能正确反映系统的技术状态。

2）评估算法的选取。目前，应用于技术状态评估的算法多种多样，有层次分析法、熵权法、模糊综合法、主成分分析法、雷达图法等传统方法，也有神经网络、数据挖掘、深度学习等智能算法；有基于单一算法的评估模型，也有采用多种算法相结合的综合评估模型。各种模型在时间响应、结果灵敏度等方面，呈现不同的差异。

3）故障数据的积累。神经网络、支持向量机、数据挖掘等智能算法，虽然很好地解决了监测数据与技术状态的非线性映射关系，但其良好的判别结果需要大量数据的训练，尤其是基于各类故障数据的深度学习。然而，设备故障种类多样、严重程度难以区分，部分故障还具有破坏性，由此造成了故障数据库的不全面，给基于智能算法构建的模型留下了评估盲区，降低了准确率。