面向船舶推进系统的数字孪生系统研发与实现*

2024-01-02马世杰

山西电子技术 2023年6期

马世杰

(中国电子科技集团公司第二研究所,山西太原 030024)

0 前言

伴随着电子信息技术、人工智能技术以及数字孪生技术的飞速发展,船舶推进系统也得到了长足的进步[1]。推进系统是一种十分复杂的系统,作为船舶最重要的部件,推进系统的可靠性对船舶的稳定性具有决定作用。一方面由于船舶需要长时间在海上高温、高盐、高湿环境下航行,受元器件特性变化、绝缘老化以及电磁干扰等影响,系统内各部件面临更大的故障风险,在推进系统中,推进变频器若主电路发生故障必然造成元器件的损坏和报废,会直接对船舶推进系统造成影响,另一方面难以全面采集实时工作数据,且对采集到的数据也不能得到有效利用,无法在线监控推进系统的运行状态,一旦出现异常情况无法得到及时的救援,会直接影响整个船舶的运营[2]。近年来快速发展的数字孪生技术为船舶推进系统数字化、信息化、智能化转型提供了新的解决思路。

本文针对目前推进系统数据采集处理难和运维难的问题,首先提出面向船舶推进系统的数字孪生系统架构,开发基于数据驱动的船舶推进数字孪生系统,获取系统的全方面时效信息,通过将这些信息进行可视化呈现,能够将运行机理复杂,结构复杂且内部状态和过程不可见的系统变得透明,同时利用人工智能技术帮助决策者全面深入了解系统的性能、运行状态及趋势和任务需求等,有效支持系统的质量检测和溯源、运维和故障诊断等功能的实现。

1 船舶推进系统数字孪生系统架构

船舶推进系统由发电机组、配电板、变换机构、推进机组、能量管理系统以及负载等部分组成。它的工作原理主要是通过柴油机或燃气轮机带动发电机发电,并将所发出的电经过配电板装置进行用电分配后,传输给变换单元进行调压、变频、整流、逆变,最终将电能输送给推进电机以及船上各用电机构,保证船舶正常航行和船上各用电部分的正常运作。图1为船舶推进系统结构示意图。

图1 船舶推进系统结构示意图

针对如何构建覆盖船舶推进系统全要素、多维度、多尺度的精准数字孪生实体模型,实现对生产要素的精准刻画,参考陶飞等[3]提出的数字孪生五维模型,设计了船舶推进系统数字孪生系统架构,如图2所示。根据数字孪生五维模型理论,船舶推进系统数字孪生系统结构由物理实体、虚拟实体、服务、孪生数据和各组成部分间的连接。

图2 船舶推进系统数字孪生系统架构

2 推进系统数字孪生系统关键技术

船舶推进数字孪生系统主要开展推进系统的高保真建模技术、多源异构数据融合技术、推进系统的状态识别技术等关键技术。

2.1 推进系统高保真建模技术

虚拟模型是物理实体的忠实映射,通过研究几何建模、机理建模、数据建模和可视化四个部分,构建基于机理-数据模型融合的孪生模型,主要技术思路如图3所示。

图3 基于机理-数据模型融合的孪生模型技术思路

1) 几何和物理建模方面,采用SolidWorks工业建模软件构建船舶推进系统模型,实现其结构参数、零部件间的约束与位置关系的精确表达,同时将所有零部件的材料属性、受力、流量等仿真分析以及零部件间的约束关系进行详细的定义,进而采用U3D对三维模型进行轻量化处理,并对曲面、拓扑关系进行优化,从而确保几何模型在视觉上与推进系统的保真度。

2) 行为逻辑建模方面,基于方程定义的方式,采用U3D引擎构建推进系统机械子系统模型、电气子系统模型、控制子系统模型以及运动过程行为模型等,支持推进系统运行状态的虚实精确同步,从而具备高保真分析能力。

3) 规则模型方面,针对船舶推进系统恶劣的工作环境、扰动叠加分析等具体应用场景,基于先验知识和实时数据,构建样本数据集,从而采用深度学习方式构建工作扰动预测、叠加扰动预测等数据模型,并实现数据模型的自适应和自学习,从而获得较高的保真度。

4) 可视化方面,基于Java Web技术,以几何物理模型为可视化载体,以行为逻辑模型和规则模型为内核,实现各模型在服务层的互操作与可视化。其具体融合过程如下:在规则模型训练阶段,行为逻辑模型为规则模型提供先验知识和仿真数据,提高规则模型的泛化能力和精度;数据模型在使用过程中不断反馈调整机理模型,实现动态更新。

2.2 多源异构数据融合技术

船舶推进系统中涉及温度、振动、流量等多种类型的传感器,通过多源异构数据融合技术可以在最少传感器配置的前提下,实现最优的数据决策效果,有效提高传感器监测数据的准确度、可信度,降低信息的模糊度,从而得出适于决策的信息。

以推进变频器为例,主要检测数据分为四类:固定限值类、离散变量、跟负荷工况相耦合的变量和环境参数类,如表1所示。

表1 推进电机在线监测参数

根据先验知识推进变频器多发故障主要有开关器件开路、短路导致的电流畸变故障、电压突变故障等。对主要反映故障情况和运行状态的电流、电压、振动等参数进行采集监测。

在多源异构的传感器信息系统下,由于各传感器自身性能、所处的工作环境等因素,一方面传感器采集的数据会受到噪声等干扰,另一方面得到的数据具有随机性、模糊性以及不确定性,因此需要对采集的原始数据进行数据的处理。

数据处理主要包括:数据清洗、数据标准、数据轻量化。

1) 数据清洗通过剔除大量数据中冗余数据,来提高数据传输效率。

2) 数据标准是将多来源、多格式、不同特性的数据通过一定的特征规则进行标准化处理。

3) 数据轻量化的目的是根据数据的特征,优化数据维度来减少有效变量和数据存储数量。

数据轻量化处理方法:数据规范化处理,缩放数据特征,使原始数据尽量映射到较小的特定区域;规范化处理,如最大-最小规范化和零一规范化等。

同时,采用时间同步算法进行时间戳同步,通过同步或异步的回调函数可以估算数据包在通信链路中数据的往返延迟,还可独立地估算本地时钟的偏差,从而在系统局域网内实现传感器采样时钟的精确同步。

2.3 推进系统状态监测技术

以推进变频器为例,实现推进变频器的全状态监测,需要对变频器内部电路、外部特性及关键电子器件进行参数在线监测,利用监测数据,提取特征参数,通过建立的机理模型实时分析变频器目前的运行状态。

IGBT作为推进变频器核心电子器件,需要重复开关,会反复受热应力冲击作用,将会逐渐发生疲劳老化失效,严重影响器件的可靠性,从而直接影响到推进系统的运行效率。IGBT的故障失效在推进变频器失效占比率高,IGBT的状态监测能有效反映推进变频器的健康状态,因此选择IGBT作为关键特征器件开展推进变频器状态监测研究。

IGBT器件在工作时,当流过电流将会在器件的集-射极产生一定的导通饱和压降,且导通饱和压降与器件的运行结温以及器件老化状态相关,因此可利用监测导通压降作为关键特征参数来反映IGBT器件的运行状态。

开展IGBT状态监测原理与输出特性曲线研究,分析其失效特性,以集-射极饱和压降作为老化特征量,研究其与IGBT模块的老化失效进程之间的关系。采用基于数据驱动的方法,搭建IGBT老化状态的神经网络及其变式的智能算法模型,研究关键特征参数监测数据分析方法,实现对模块状态与行为的准确描述。利用智能算法、预测模型及其他的统计学方法来学习退化系统或器件的退化行为并预测其未来的健康状态。

同时,开展集-射极饱和压降VCE(sat)在线监测方法的研究,解决状态监测时由于在线监测电路灵敏度低、可靠性差导致的状态监测不准确问题,如图4所示。