舰船关键系统故障诊断技术研究

夏 源 李 丹 杨戴博 黎 刚 李 昆

（中国核动力研究设计院核反应堆系统设计技术重点实验室，四川 成都 610213）

0 引言

随着海洋事业的不断进步与军事现代化的需求，舰船得到了广泛的应用，航运业促进了我国经济的快速发展。 舰船朝着智能化与自动化的方向快速前进，舰船系统体量结构越来越复杂，各模块的维护和保障成本不断提高，对舰船进行定期检测与及时的维护十分重要[1]。 舰船结构体系主要为以电力系统为核心推进运行，支持其内部其他系统同时进行负载，电力系统是舰船系统的核心环节。 为满足舰船的现代化发展的全电力推进和高能装置的应用需求，综合电力系统将舰船各个供电系统实现一体化， 电压等级逐渐上升，负载设备趋于大容量成为舰船电力系统发展的重要趋势。

相比陆地环境，海洋环境的特殊性使舰船内部电力装备需要集中于狭小的空间内部且长周期颠簸状态带给舰船电力系统的运行环境相对恶劣，系统的故障率提高。 虽然目前舰船的电力系统具有很高的可靠性，但在实际运作中的环境与人为因素仍会导致故障的发生[2]。 因此，监测电力系统的运行工况，及时识别系统的故障，有助于在最短时间将故障造成的损失最小化，提高舰船的整体安全性。

舰船电力系统中主要的原油机组为柴油机，柴油机具有大功率、 高可靠性以及低维护费用的优点，故障诊断技术也是舰船科技中的重要研究方向。

1 故障诊断方法

故障诊断系统包括故障检测与故障隔离。 故障检测是通过传感器将状态信息转换为电信号或其他物理量送入信号处理系统，得到反映系统或部件的运行状态参数，检验目标的故障状态，进而确认故障的区域位置；故障隔离是指通过确认故障区域明确更换的单位部件，对故障进行处理。 工业领域的故障诊断研究主要基于故障树诊断、人工神经网络以及数学模型的方法。

故障树是一种基于人类思维模式的失效分析方法，通过将系统故障模式分类为几个大项事件，逐级对故障事件进行排除，最终找到故障原因。 故障树的建树时间长，过程复杂，容易产生误差。

与故障树结构类似，专家诊断系统是故障诊断技术中研究最多、运用最广的一种方法。 专家系统是基于知识的系统，采用知识表示与知识推理等技术完成通常由领域专家才能解决的复杂问题。 专家系统具备的要素包括领域专家知识、模拟专家思维以及达到专家级的水平，具有自主诊断与解决问题的能力。 但同样面临构建知识库与推理机等难题。

人工神经网络是受生物学和神经科学启发的数学模型，通过对人脑的神经元进行抽象，建立人工神经元的连接拓扑结构，包括输入层、隐藏层与输出层。输入层神经元接收输入信号，通过激活函数得到输出结果，送入下一层神经元节点。 人工神经网络通过训练样本调整各个节点权重参数，得到的理想的数学模型。 人工神经网络具备可以拟合任意函数的强大能力，可以与其他方法结合，是一种拓展性很强的建模方法，在工程实际中得到了一定的应用。 人工神经网络容易陷入过拟合，诊断精度较差，缺点还包括容易陷入局部极小点和收敛速度慢等，同时需要大量的训练样本进行计算。 建立数学模型的故障诊断方法需要对系统的运行机理具有深入的研究，该类方法中具有代表性的包括状态估计法和过程参数估计法。 通过选择合适的诊断模型，或适当的过程参数的变化，如电压、电流等，分析系统变量，建立相应的数学模型的动态方程，代入变量反映舰船的特性，从而及时准确地分析出故障的部位以及类型。 由于该类方法需要应用中数学模型的建立精确度较差，应用范围不广泛。

2 舰船系统中的故障诊断技术

舰船系统是一个庞大复杂的复合系统，主要构成包括电力系统，机电系统、机械系统以及液压系统等，船舶系统的故障诊断技术研究以电力系统与原油机组柴油机为主。 本文主要从这两个领域故障诊断技术在舰船中的应用进行叙述。

2.1 电力系统

舰船电力系统包括发电机组、配电装置、输电网络以及用电负载等电力系统支撑舰船的所有电气设备运作，是整个舰船系统的核心。 随着综合电力推进系统的发展，下一代舰船采用全电推进方式，对于舰船电力系统的运维也是一个新的挑战。 舰船电力系统利用断路器与保护继电器对设备进行保护，采用基于电流增大而动作的原理的三段式电流保护方式、包括主保护、近后备保护以及远后备保护。 海上故障诊断系统基于陆上电力系统的故障诊断系统原理，但舰船是一个狭小的空间环境，电力系统集发电、配电、输电以及用电于一体相比陆地电力系统更加复杂。 舰船电力系统诊断需要分析各个部件的模型，从实际系统工程的角度出发考虑。

电力系统的发展至今已经取得了一定成果。 在国内目前一直处于理论研究阶段，距离实用化还有一段很长的距离；国外电力系统的故障诊断技术研究已取得了重大突破，具有较为可靠的技术应用，但针对电力系统的故障诊断系统也没有普及化的应用。 由于构造复杂，初期投入和后期维护、扩展成本较高，不同的电力系统的诊断系统不同，没有一定的普适性。

电力系统的故障诊断方法包括基于信号处理，基于数学模型与基于人工智能的故障诊断[3]。

基于信号处理的方法通过获取电力系统的输入、输出，采用信号解析模型对信号进行分析，检测出故障。 如直接测量输入输出法通过对输出变量阈值进行设定判断设备状态，小波分析法通过对输出信号进行小波变换处理得到特征信号进行诊断。 基于信号处理的方法的缺点包括部分器件如基础元件的故障诊断难以完全覆盖。

基于热学模型的故障诊断，主要包括状态估算的方法与参数估算的方法。 核心需要建立精确的物理模型，可以对舰船的实时动态系统进行监测与诊断。 数学模型的精度较高，但由于建模过程复杂，在舰船的实际应用中也不具备通用性，未得到广泛的应用。

基于人工智能的诊断方法， 主要包括故障树、专家系统、人工神经网络等，未来可具有自主识别故障，进行处理的能力，是研究发展的重要领域，但目前还并不成熟。

目前舰船电力诊断系统还处于发展阶段，仍存在有很多的不足，如专家系统的知识获取方式早期主要为人工获取，速度较慢，随着近年来的智能化发展，知识获取方式逐渐转变为以半自动为主，未来专家系统将可以实现自主获取知识；现有技术对舰船对保护继电器与电路继电器的监测无法全面覆盖，也是一个重要的需求方向；为了提高故障诊断方法精度，故障诊断的发展应当是多种算法结合多样信息，向增强可靠性、选择性、快速性以及灵敏度的方向发展，达到视情维修的最终目的[4]。

2.2 柴油机

柴油机是电力推进系统的主要原动机，具有可靠性高、大功率、维护费用低等优点。 柴油机是个复杂的机械结构， 组成一般包括自动控制系统燃油系统、冷却系统、配气系统、缸体与气缸盖组件、曲柄连杆机构以及启动和充电系统等，是舰船动力系统中故障发生率最高的系统部件。

柴油机的故障诊断技术研究往往集中于它的几个子系统展开， 建立多个子系统之间的关联度，采集子系统的特定工况下的运行参数，结合其历史运行状况，判断柴油机的实际运行工况。 故障诊断过程包括故障机理的研究，状态信息的采集、信息处理等内容。

柴油机故障诊断研究早在20 世纪60 年代由国外率先展开，建立了柴油机模型，模拟不同故障因子得到不同故障与故障程度下的参数变化。 美国在80年代研制出了故障诊断专家系统，之后日本、挪威等国家均迅速开展相关方向研究。 目前柴油机故障诊断系统的工程化应用包括日本三菱公司的船舶柴油机诊断系统，利用模糊推理技术进行监测以及故障预测，挪威KYMA 公司开发的MPM 广泛应用于船舶主机的监测， 取得了很好的效果， 其他如Sulza 公司研制的SEDS 系统以及澳大利亚阿德莱德大学的CAMODES系统等，均在柴油机的故障诊断方面得到了工程实际应用。 国内对故障诊断技术研究起步较晚，取得了一定的科研成果，但相对于国外仍然差距很大，柴油机故障诊断距离工程实用化还有很长一段距离[5]。

柴油机的故障诊断技术目前主要基于经验和物理模型，但随着物联网、互联网的大数据时代来临，舰船朝着自动化、智能化方向发展，智能船舶是未来航运业的一个重要发展方向，故障诊断技术将以数据化作为发展趋势。

基于数据驱动的故障诊断技术具有较高精度特点，通过测试与监测输出数据，预测设备的未来状态，柴油机动力系统能够获取的参数信号包括热工信号、振动信号、噪声信号以及其他基于声光技术获取得到的信号。 基于数据驱动的故障诊断技术不用建立模型与依靠经验，但信息完整的特征向量的获取依然存在一定的难度。

由于国内的船舶柴油机故障诊断技术起步较晚，总体相比国外经验缺乏，理论支持与实际操作的经验落后，整体处于发展阶段面临的困难如船舶柴油机的一些物理量难以获取，柴油机的物理模型构建还较为困难，缺乏相关机理的研究故障特征难以获取，且不具备通用性； 诊断技术还处在对零散部件的研究上，相对落后；健康管理现状还在定期检查与人工维修阶段，远未达到视情维修的目的[6]。 未来的柴油机故障诊断技术将能够实现在线诊断、智能化布设以及多源信息融合的监测， 结合未来网络化以及人工智能的趋势，最终实现大规模的工程化应用。

3 结语

本文介绍了舰船电力系统与柴油机的故障诊断技术，对国内外的研究现状进行了介绍，分析了目前舰船电力系统与柴油机系统故障诊断技术当前的不足，对未来两者故障诊断技术的发展趋势进行了展望。