將IMS聚類算法引入帶隔音罩發(fā)電機(jī)組故障判定中，首先對(duì)撬裝發(fā)電機(jī)各工況震動(dòng)信號(hào)進(jìn)行特征提取，之后對(duì)提取的信號(hào)特性進(jìn)行購買；最后建立IMS聚類算法模型，將提取到的特點(diǎn)量作為該模型的輸入?yún)?shù)，實(shí)現(xiàn)發(fā)電機(jī)組故障的智能診斷。試驗(yàn)研討在一臺(tái)V6渦輪增壓帶隔音罩發(fā)電機(jī)組上進(jìn)行，以獲取訓(xùn)練和驗(yàn)證IMS聚類算法模型的參數(shù)。經(jīng)過數(shù)據(jù)驗(yàn)證，該模型對(duì)于損壞的預(yù)判全部準(zhǔn)確。當(dāng)前的研究為掛車電站式發(fā)電機(jī)組故障的診斷提出了一個(gè)新的檢驗(yàn)途徑。

　　低噪音柴油發(fā)電機(jī)組是石油礦場(chǎng)、固定發(fā)電和發(fā)電機(jī)組等領(lǐng)域廣泛應(yīng)用的動(dòng)力機(jī)械，一旦發(fā)生損壞，會(huì)造成巨大的經(jīng)濟(jì)損失，因此對(duì)掛車電站式發(fā)電機(jī)進(jìn)行故障解除和狀態(tài)監(jiān)測(cè)具有重要意義。目前，降噪型發(fā)電機(jī)組故障診斷易見的方案和理論詳細(xì)分為基于熱力參數(shù)、油液、信號(hào)消除的傳統(tǒng)故障判定技術(shù)和基于模型、知識(shí)的現(xiàn)代故障清除技術(shù)。

　　基于熱力數(shù)據(jù)的診斷技術(shù)[1]，是指通過監(jiān)測(cè)靜音發(fā)電機(jī)工作時(shí)的各種性能數(shù)據(jù)，包括各種進(jìn)排煙壓力、柴油溫度、油管壓力等，然后應(yīng)用各種理論來剖析診斷方艙式靜音發(fā)電機(jī)損壞的措施，但是熱力數(shù)據(jù)法對(duì)沖擊類故障解除不敏感?；谟鸵罕O(jiān)測(cè)的診斷技術(shù)，是利用光電或磁力學(xué)技術(shù)對(duì)潤滑油樣進(jìn)行剖析，從而診斷出發(fā)電機(jī)組損壞的種類及其產(chǎn)生部位[2]。但油液監(jiān)測(cè)診斷技術(shù)只能確定損壞的種類，不能精確診斷故障發(fā)生部位，同時(shí)在實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)方面也有很大的困難?；谛盘?hào)消除的故障處置方式，在發(fā)電機(jī)組損壞領(lǐng)域中主用的檢測(cè)信號(hào)為振動(dòng)信號(hào)。信號(hào)消除的對(duì)象主要包括有時(shí)域、頻域以及峰值等指標(biāo)。應(yīng)用相關(guān)分析、頻域、小波解析等信號(hào)分析法[3]，提取方差、幅值、頻率等特點(diǎn)值，從而檢驗(yàn)出損壞。這種診斷法的缺點(diǎn)在于只能對(duì)單個(gè)或者少數(shù)的振動(dòng)部件進(jìn)行分析和診斷?；谀Ｐ偷墓收吓袛喾╗4]，是指在建立診斷對(duì)象的數(shù)學(xué)模型的基礎(chǔ)上，根據(jù)由模型獲得的預(yù)測(cè)形態(tài)和所測(cè)量的形態(tài)之間的差異計(jì)算出被診斷裝置的故障元件。但是其診斷精度嚴(yán)重依賴于模型的精度，一旦模型有所偏差，就會(huì)導(dǎo)致診斷失敗或誤診?；谝娊獾脑\斷法不需要對(duì)象的精確數(shù)學(xué)模型。主要有以下幾種：神經(jīng)網(wǎng)絡(luò)故障診斷法[5]，基于粗糙集的故障判斷法[6]，基于模糊系統(tǒng)的故障解除法[7]，如模糊聚類算法等以及損壞樹故障診斷法[8]和專家系統(tǒng)[9]等。

　　

　　單一的故障清除技術(shù)有著各自的優(yōu)缺點(diǎn)，難以滿足復(fù)雜裝置的診斷的要求。因此，將不同的診斷法高效的結(jié)合起來，是故障診斷技術(shù)發(fā)展的一個(gè)趨勢(shì)。本文將信號(hào)解除的排除程序與模式識(shí)別相結(jié)合，將低噪聲柴油發(fā)電機(jī)組震動(dòng)信號(hào)經(jīng)過特征提取和選定后的特征數(shù)據(jù)，作為歸納監(jiān)視裝置算法模型的輸入數(shù)據(jù)。最終實(shí)現(xiàn)發(fā)電機(jī)組故障的智能診斷。

　　歸納監(jiān)視裝置(Inductive Monitoring System，IMS)不需要對(duì)系統(tǒng)模型進(jìn)行構(gòu)建，因此適用于裝置模型復(fù)雜或者未知的情形，它通過已有正常參數(shù)建立一個(gè)或多個(gè)監(jiān)控參數(shù)庫。其訓(xùn)練參數(shù)詳細(xì)來源有兩種：系統(tǒng)正常運(yùn)轉(zhuǎn)時(shí)探頭提供的數(shù)據(jù)以及系統(tǒng)的仿真測(cè)試數(shù)據(jù)，通過訓(xùn)練形成不同參數(shù)群，待測(cè)數(shù)據(jù)通過與各參數(shù)群進(jìn)行比較得出與各參數(shù)群的不同關(guān)系進(jìn)而預(yù)判是否損壞[10]。IMS聚類算法的原理就是根據(jù)數(shù)據(jù)空間分布的不一樣，計(jì)算相互間的距離差別進(jìn)行故障診斷。該舉措要求被聚類參數(shù)的波動(dòng)性較為穩(wěn)定，適合于多維參數(shù)綜合解析，并且不需要故障數(shù)據(jù)，所以即可用于實(shí)時(shí)監(jiān)控，也可用離線數(shù)據(jù)剖析。IMS聚類算法作為一套成熟的故障診斷算法，已經(jīng)廣泛被國外使用于各類動(dòng)力系統(tǒng)的故障判斷領(lǐng)域，例如，NASA地面指揮中心將IMS聚類算法用于航天飛機(jī)外部熱控裝置、速度陀螺裝置等系統(tǒng)的故障排除[11]，然而在國內(nèi)運(yùn)用示例卻極少。故本文運(yùn)用IMS聚類算法進(jìn)行降噪型發(fā)電機(jī)故障判定討論。

　　歸納式監(jiān)控算法分為訓(xùn)練程序與診斷步驟。訓(xùn)練程序中，根據(jù)訓(xùn)練數(shù)據(jù)生成參數(shù)群。參數(shù)群即若干數(shù)據(jù)點(diǎn)的集合。對(duì)于正常工作程序中的數(shù)據(jù)，每個(gè)參數(shù)點(diǎn)P都含有多個(gè)分量P1，P2，…，PN。對(duì)于每一個(gè)新數(shù)據(jù)點(diǎn)P，如果沒有建立過數(shù)據(jù)群，則建立數(shù)據(jù)群C1，該數(shù)據(jù)群的初始上下限分別為

　　數(shù)據(jù)群上、下限即參數(shù)群邊界的定義，于是參數(shù)群的初始范圍僅僅為一個(gè)參數(shù)點(diǎn)，上、下限分別與該數(shù)據(jù)點(diǎn)各個(gè)分量相等。

　　如果已經(jīng)建立過數(shù)據(jù)群，則需判斷是否有一個(gè)數(shù)據(jù)群的上、下限包含了這個(gè)新數(shù)據(jù)點(diǎn)P。如果有一個(gè)參數(shù)群的上、下限包含了這個(gè)新數(shù)據(jù)點(diǎn)P，則將這個(gè)數(shù)據(jù)點(diǎn)P并入這個(gè)參數(shù)群，并更新參數(shù)群內(nèi)數(shù)據(jù)點(diǎn)個(gè)數(shù)信息。其含義為新數(shù)據(jù)點(diǎn)的每一個(gè)分量都在參數(shù)群對(duì)應(yīng)分量范圍上、下限之間。

　　如果沒有數(shù)據(jù)群的上、下限包含這個(gè)新數(shù)據(jù)點(diǎn)P，則計(jì)算新數(shù)據(jù)點(diǎn)P到每個(gè)數(shù)據(jù)群的距離，找出這些距離的最小值。如果這個(gè)最小值小于一個(gè)給定閾值D，則將這個(gè)參數(shù)點(diǎn)P并入這個(gè)參數(shù)群，并更新該參數(shù)群的上、下限。本文選型的距離定義為：該參數(shù)點(diǎn)各分量到數(shù)據(jù)群上限和數(shù)據(jù)群下限距離之和。更新數(shù)據(jù)群上下限的規(guī)則為：單邊擴(kuò)充，即若數(shù)據(jù)點(diǎn)某一分量超出與該分量對(duì)應(yīng)的參數(shù)群上限，則新的數(shù)據(jù)群上限為該分量加上該分量超出原參數(shù)群上限乘以數(shù)據(jù)群擴(kuò)張系數(shù)E；若數(shù)據(jù)點(diǎn)某一分量超出與該分量對(duì)應(yīng)的數(shù)據(jù)群下限，則新的參數(shù)群下限為該分量減去該分量超出原參數(shù)群下限乘以數(shù)據(jù)群擴(kuò)張系數(shù)E。通常，擴(kuò)張系數(shù)選型2%可以滿足要求。

　　診斷流程中，判定數(shù)據(jù)點(diǎn)的位置及與各數(shù)據(jù)群的距離，如果數(shù)據(jù)點(diǎn)既不在各數(shù)據(jù)群內(nèi)，而且與各數(shù)據(jù)群的距離大于給定閾值，則表示裝置損壞。

　　研討對(duì)象為一臺(tái)WP10六缸帶隔音罩發(fā)電機(jī)組。實(shí)驗(yàn)臺(tái)發(fā)電機(jī)組的飛輪端的齒輪盤上端裝配電渦流傳感器、在各缸的缸蓋上安裝加載度振動(dòng)探頭、在曲軸箱對(duì)角方向渦輪增壓器上分別裝配加轉(zhuǎn)速振動(dòng)探頭，本文所討論的震動(dòng)信號(hào)即采集于安裝在6#缸缸蓋上的加轉(zhuǎn)速振動(dòng)傳感器。為獲取拖車式發(fā)電機(jī)組故障狀態(tài)下的震動(dòng)信號(hào)參數(shù)，康明斯模擬試驗(yàn)了低噪音柴油發(fā)電機(jī)組常見的三種損壞，分別為：失火，小頭瓦磨耗和撞缸故障。具體流程如下：

　　(1) 失火故障：將6號(hào)缸的燃油進(jìn)口用堵頭堵住，其余各缸均保持正常供油，開車運(yùn)轉(zhuǎn)約10 min，速度穩(wěn)定在600 轉(zhuǎn)/分；

　　(2) 小頭瓦磨耗故障：將6號(hào)缸的小頭瓦拆下進(jìn)行人為磨損減薄，然后重新裝上，其他缸均正常，開車運(yùn)轉(zhuǎn)約10 min，轉(zhuǎn)速保持在600 轉(zhuǎn)/分；

　　(3) 撞缸損壞：將一段活塞環(huán)放入6號(hào)缸內(nèi)，其他缸均正常，點(diǎn)火運(yùn)行。開車運(yùn)轉(zhuǎn)約10 min，速度保持在600 轉(zhuǎn)/分。

　　本文試驗(yàn)所裝配震動(dòng)傳感器的采樣頻率為25 600 Hz，而室外型靜音發(fā)電機(jī)組穩(wěn)定轉(zhuǎn)速為600 轉(zhuǎn)/分。根據(jù)計(jì)算低噪音柴油發(fā)電機(jī)組振動(dòng)信號(hào)每個(gè)周期包含約5 120個(gè)數(shù)據(jù)點(diǎn)。

　　通過試驗(yàn)，共采集正常狀態(tài)下參數(shù)1 000組，其中800組作為訓(xùn)練數(shù)據(jù)，其余200組作為測(cè)試數(shù)據(jù)；各故障狀態(tài)下數(shù)據(jù)200組，對(duì)參數(shù)進(jìn)行時(shí)域分析。

　　設(shè)信號(hào)x(t)經(jīng)過量化處置后分解成一組離散參數(shù)X={xi}，i=1， 2，…，n，則峰峰值為信號(hào)的最大值減去xmax最小值xmin，是信號(hào)變化的幅值范圍，峰峰值對(duì)于隔音箱發(fā)電機(jī)組的失火和撞缸故障比較敏感。平均值是描述信號(hào)波動(dòng)中心的變化，方差μx]2，描述的是信號(hào)的波動(dòng)范圍。標(biāo)準(zhǔn)差即方差S開方后的正平均根。均方值即，它的穩(wěn)定性較好，但是對(duì)機(jī)械早期故障信號(hào)不敏感。峭度指標(biāo)是無量綱參數(shù)，由于它與軸承轉(zhuǎn)速、尺寸、載荷等無關(guān)，對(duì)沖擊信號(hào)特別敏感，特別實(shí)用于表面磨損類損壞、尤其是早期故障的診斷。這幾種指標(biāo)是信號(hào)時(shí)域最主要的統(tǒng)計(jì)數(shù)據(jù)[13]，對(duì)安靜型發(fā)電機(jī)組損壞較為敏感，可以有效地對(duì)裝置的總體振級(jí)大小進(jìn)行定量剖析，初步判別損壞[14]。因此，為了描述信號(hào)時(shí)域特征以及取得較好的故障判斷效果，本文選定選均方值、峰峰值、平均值、峭度值、標(biāo)準(zhǔn)差和方差值六個(gè)時(shí)域特征作為信號(hào)的特點(diǎn)參數(shù)。

　　本文對(duì)各工況下振動(dòng)信號(hào)經(jīng)過時(shí)域特點(diǎn)提取后，得到4種工況下震動(dòng)參數(shù)的6種特性值。然后對(duì)每一個(gè)特性在不一樣的工況下的值求出取值范圍，如表1所示。

　　從表1可知，六個(gè)時(shí)域特點(diǎn)量當(dāng)中，不一樣的損壞工況下的同一種時(shí)域特點(diǎn)量的取值范圍是不盡相同的，故而各個(gè)時(shí)域特性量對(duì)低噪聲柴油發(fā)電機(jī)組不同故障的靈敏度是不同的。

　　本文用優(yōu)、良、中、差來衡量各特點(diǎn)量對(duì)不一樣損壞工況的靈敏度，對(duì)初始輸入損壞數(shù)據(jù)與正常參數(shù)之間的區(qū)別化做一個(gè)半定型的剖析，以此來選出適用于IMS聚類算法的聚類程序的特性量。“差”為損壞特點(diǎn)量和正常特征量范圍大部分重合，重合率大于80%；“中”為損壞特征量和正常特性量小部分重合，重合率小于20%；“良”為損壞特性量和正常特點(diǎn)量范圍不重合，但不一樣故障特征量間范圍大部分重合，重合率大于80%；“優(yōu)”為損壞特性量和正常特征量范圍不重合，但不同故障特性量間范圍小部分重合，重合率小于20%，經(jīng)過大量數(shù)據(jù)驗(yàn)證，這樣的特性量可以更好地用于IMS聚類算法的聚類流程，如表2所示。

　　從表2可知，平均值、標(biāo)準(zhǔn)差和方差值對(duì)于區(qū)別全密封靜音發(fā)電機(jī)組正常狀態(tài)和各故障的效果并不是很好， 因此選型峭度值、峰峰值和均方值作為反映震動(dòng)的3個(gè)特征參數(shù)構(gòu)成特點(diǎn)向量，作為IMS算法的輸入值。

　　應(yīng)用歸納式監(jiān)控算法對(duì)實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行剖析，以室外型靜音發(fā)電機(jī)正常工作狀態(tài)下的800組數(shù)據(jù)作為訓(xùn)練樣本，正常狀態(tài)下其余200組數(shù)據(jù)和各損壞狀態(tài)下的200組數(shù)據(jù)分別作為待測(cè)數(shù)據(jù)。

　　算法代碼在MATLAB環(huán)境下實(shí)現(xiàn)，分為歸一化、優(yōu)化、訓(xùn)練、測(cè)試四個(gè)部分。根據(jù)上述數(shù)據(jù)和前面的剖析， 應(yīng)用均方值、峰峰值和峭度值這3個(gè)參數(shù)作為IMS算法的輸入向量。

　　因?yàn)樘峁┑某跏紨?shù)據(jù)的不一樣分量數(shù)量級(jí)差距很大，并且量綱不同，它們數(shù)值的變化與它們的重要性不一定相稱。在聚類剖析中，剖析結(jié)果完全依賴于各個(gè)變量的變異度，因此需要統(tǒng)一參數(shù)尺度，即進(jìn)行歸一化，排除量綱區(qū)別。本文使用標(biāo)準(zhǔn)差規(guī)范化辦法對(duì)樣本數(shù)據(jù)進(jìn)行歸一化[15]

　　式中：x為原始訓(xùn)練樣本參數(shù)；xmin為數(shù)據(jù)中最小值；xmax為數(shù)據(jù)最大值；x′為歸一化之后的參數(shù)。歸一化程序部分結(jié)果輸出，如表3所示。防音發(fā)電機(jī)組

　　在使用距離閾值預(yù)判樣本參數(shù)是否屬于某一數(shù)據(jù)群時(shí)，應(yīng)該有一優(yōu)化途徑對(duì)距離閾值進(jìn)行優(yōu)化，以最大限度的去除人為設(shè)定要素對(duì)診斷結(jié)果帶來的干擾。

　　Fukuyama-Sugeno指數(shù)[16]可以作為適應(yīng)度函數(shù)表征參數(shù)群分組是否合理，F(xiàn)S指數(shù)的計(jì)算方法為

　　式中：xij為數(shù)據(jù)群內(nèi)各個(gè)參數(shù)點(diǎn)；vi為參考點(diǎn)；v為參考點(diǎn)的中心；C為參數(shù)群個(gè)數(shù)；N為該參數(shù)群內(nèi)數(shù)據(jù)個(gè)數(shù)。在固定其他影響訓(xùn)練結(jié)果的因素時(shí)，F(xiàn)S最小時(shí)的D為最優(yōu)值。通過MATLAB中優(yōu)化工具箱中的遺傳算法尋找適應(yīng)度函數(shù)絕對(duì)值最小時(shí)所對(duì)應(yīng)的D，即為D的最優(yōu)結(jié)果。

　　由圖4可知，當(dāng)距離閾值D為1.70時(shí)，適應(yīng)度函數(shù)值最小，距離閾值D與正常狀態(tài)數(shù)據(jù)群個(gè)數(shù)的關(guān)系，移動(dòng)電站如圖5所示。此時(shí)對(duì)應(yīng)的正常數(shù)據(jù)群個(gè)數(shù)為10個(gè)。

　　以歸一化后正常狀態(tài)參數(shù)、優(yōu)化閾值D=1.70、數(shù)據(jù)群擴(kuò)張系數(shù)E=1.02作為輸入，訓(xùn)練結(jié)果即參數(shù)群上、下限、個(gè)數(shù)、各群內(nèi)參數(shù)個(gè)數(shù)作為輸出。具體輸入輸出結(jié)果，如表4和表5所示。

　　由于發(fā)電機(jī)組作業(yè)環(huán)境的起因，即使在正常作業(yè)狀態(tài)下數(shù)據(jù)也可能出現(xiàn)些許波動(dòng)，這些波動(dòng)可能造成的結(jié)果就是被判定為損壞數(shù)據(jù)，這些參數(shù)被稱為野點(diǎn)。為了提升報(bào)警的準(zhǔn)確率減少“非法”超限參數(shù)和誤判率，需要對(duì)野點(diǎn)進(jìn)行預(yù)判解除。對(duì)于一個(gè)待測(cè)數(shù)據(jù)，數(shù)據(jù)可能的類型增加為四種。首先判斷是否完全屬于某個(gè)參數(shù)群的上、下限，若屬于則為正常數(shù)據(jù)，若不屬于，則進(jìn)行下面的作業(yè)。

　　計(jì)算該參數(shù)點(diǎn)到數(shù)據(jù)群的最短距離，記為Dis；計(jì)算該點(diǎn)各分量到歸一化中心的距離，根據(jù)設(shè)定去除距離最大的2個(gè)分量，計(jì)算余下分量到數(shù)據(jù)群的最短距離，記為Dis1。根據(jù)下表對(duì)Dis和Dis1與參數(shù)群閾值D和閾值變形(Num-2)/Num·D比較(Num為參數(shù)點(diǎn)分量個(gè)數(shù))，進(jìn)行參數(shù)型號(hào)預(yù)判[17]。野點(diǎn)判斷準(zhǔn)則，如表6所示。

　　將失火、小頭瓦磨損和撞缸故障狀態(tài)下的200組參數(shù)分別作為測(cè)試參數(shù)，輸入到經(jīng)過上述流程訓(xùn)練好的IMS聚類算法中，得到最后測(cè)試結(jié)。

-------------------------------------
康明斯動(dòng)力設(shè)備（深圳）有限公司
靜音箱式柴油發(fā)電機(jī)組銷售供應(yīng)與價(jià)格咨詢-一站式預(yù)集成電力解決方案提供商
如果想要掌握更多低噪聲柴油發(fā)電機(jī)組技術(shù)資訊，請(qǐng)?jiān)诠倬W(wǎng)http://www.taowanyi.cn查詢電話聯(lián)系方式