引用本文

韩敏, 李锦冰, 许美玲, 韩冰. 具有工作状态转换的EIIKF船舶柴油机故障预测. 自动化学报, 2019, 45(5): 920-926. doi: 10.16383/j.aas.2018.c170457

HAN Min, LI Jin-Bing, XU Mei-Ling, HAN Bing. Fault Prognosis of Marine Diesel Engine With Working State Transition Based on EIIKF. ACTA AUTOMATICA SINICA, 2019, 45(5): 920-926. doi: 10.16383/j.aas.2018.c170457

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170457

关键词

船舶柴油机，卡尔曼滤波器，序贯概率比检验，故障预测 

摘要

船舶柴油机作为大多数船舶的动力源泉，具有十分重要的地位，其健康状态直接影响了船舶的稳定运行.由于船舶柴油机具有工作环境复杂且工况多变的特点，不利于传统故障预测方法的应用.本文提出了一种增强型间歇性未知输入卡尔曼滤波器，可以有效降低建模的复杂度，应对具有不同的工作状态的参数预测.最后本文提出并使用改进的序贯概率比检验进行残差处理，减小故障误报.仿真结果表明，该方法可以较好地对船舶柴油机系统故障进行预测.

文章导读

柴油机是目前应用最为广泛的船舶动力装置, 其能否健康运行直接影响了船舶运输的安全和效率[1].为实现船舶的视情维护, 保障船舶长期稳定运行, 船舶柴油机的故障预测技术就显得尤为重要.故障预测技术的应用可以阻止故障的进一步发展[2], 减少甚至避免柴油机故障, 在最大程度上减小机损带来的损失, 节省定期检查的时间, 提升运输的效率[3].

但由于船舶柴油机的工作原理和工作环境均十分复杂, 在实际的故障预测过程中获得准确的船舶柴油机故障信息非常困难[4].为了更好地将故障预测技术用于船舶柴油机领域, 学者们提出了多种方法并获得了较好的结果[5-7]. Morgan等[8]提出一种基于润滑样品的光谱分析检测和诊断故障的方法, 用于实现较为准确的柴油机故障早期诊断. Porteiro等[9]使用神经网络估计发动机的负荷和健康状态, 并确定故障原因, 通过使用不同的数据来获得最佳的个体和整体预测准确度. Diez-Olivan等[10]提出了一种基于非参数密度估计的异常检测和nu-SVM正态性建模的数据驱动学习框架, 用于解决真实故障信息有限时的船舶柴油机故障预测问题.这些方法的提出有效地提升了故障预测的精度, 扩展了故障预测在船舶柴油机方面的应用.

但在实际的船舶柴油机故障预测过程中还容易遇到两个问题, 一是当柴油机系统出现工作状态转换时会引起非常明显的状态参数变化, 严重影响故障分析的精度.现有的解决方法主要是容错和数据冗余等, 但都不利于船舶柴油机故障预测的实际应用.另一个问题是柴油机系统工作原理和工作环境均十分复杂, 其状态参数容易受各种干扰等不确定性因素的影响, 用于提高故障预测精度的高精度船舶柴油机模型建立十分困难[11], 无法更好地展现参数的变化, 影响船舶柴油机的故障分析精度.而现有的建模方法一般包括数据建模方法和机理建模方法, 但两种方法建立模型在要求精度较高时均非常困难.

基于卡尔曼滤波器的状态估计的故障预测方法是利用状态参数的估计值与观测值进行比较获得的残差来判断系统的健康状态[12], 在出现故障趋势的早期将故障判断出来, 实现故障预测.随着人们对故障预测精度要求的不断提高, 多种改进方法被提出并应用于故障预测领域[13], 包括扩展卡尔曼滤波器[14]、无迹卡尔曼滤波器[15]等.这些方法的提出有效提高了故障预测的效率, 但仍无法在适应船舶柴油机复杂的工作环境. 2007年Gillijns等[16]扩展了未知输入卡尔曼滤波器(Unknown input Kalman filter, UIKF), 可以利用未知输入项实现不同工作状态转换的参数预测, 同时降低系统高精度建模的复杂性[17].但该方法的预测结果不稳定, 同时也会延迟故障的发现. Keller等[18]在2013年提出了一种间歇性未知输入卡尔曼滤波器(Intermittent unknown input Kalman filter, IIKF), 可以有效避免未知输入对故障预测效率的影响, 但无法达到降低建模复杂度和提升预测精度的目的.

为解决现有船舶柴油机故障预测和卡尔曼滤波器存在的问题, 本文提出了一种增强型间歇性未知输入卡尔曼滤波器(Enhanced intermittent unknown input Kalman filter, EIIKF).这种方法结合了UIKF和IIKF的优势, 有效地降低了建模的复杂度, 同时可以应对船舶柴油机工作环境复杂且工况多变的特点.随后提出并采用改进的序贯概率比检验方法对残差进行处理, 判断柴油机的关键状态参数是否存在变化趋势, 进而评估系统的健康状态.仿真结果表明, 本文所提方法可以更早地发现故障, 减小故障误判, 提高船舶柴油机故障预测精度.

图 1  三种算法对排气温度的预测结果比较

图 2  三种算法对具有工作状态转换的排气温度预测结果

图 3  EIIKF对加入和未加入未知输入时的排气温度预测结果

本文针对船舶柴油机工作环境复杂和工况多变的特点, 提出了一种EIIKF算法用于弥补参数预测过程中的不确定性, 降低建模复杂度, 实现具有工作状态转换情况下的船舶柴油机状态估计.然后提出并使用改进的序贯概率比检验处理预测残差, 可以按照特定误判率要求评估柴油机的健康状态, 最后通过对柴油机具有工作状态转换的状态参数进行预测, 说明该方法的有效性.仿真结果证明, 本文所提方法能有效解决船舶柴油机参数建模复杂和具有工作状态转换情况下的故障预测问题.

作者简介

李锦冰

大连理工大学电子信息与电气工程学部硕士研究生.主要研究方向为故障诊断和预测.E-mail:ljs@mail.dlut.edu.cn

许美玲  

大连理工大学电子信息与电气工程学部讲师.主要研究方向为神经网络和多元时间序列预测.E-mail:xuml@dlut.edu.cn

韩冰  

上海船舶航运研究院航海与安全技术国家重点实验室研究员.主要研究方向为船舶动力平台故障诊断和故障预测.E-mail:hanbing@sssri.com

韩敏  

大连理工大学电子信息与电气工程学部教授.主要研究方向为模式识别, 复杂系统建模与分析及时间序列预测.本文通信作者.E-mail:minhan@dlut.edu.cn