基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法

赵博　时磊　黄欢　徐祖福　朱鸿威

摘要：为有效诊断柴油发电机组中出现故障的传感器类型，提出一种基于相关性-偏移量混合分析的传感系统故障诊断方法。通过小波包信息熵提取柴油发电机组上不同类型传感器采集的信号特征，利用相关性分析确定故障传感器的类型，通过偏移量分析进一步验证分析结果的准确率。试验结果表明，采用该方法进行传感器系统故障诊断的准确率可达92.52%，能够有效识别出柴油发电机组中存在故障的传感器类型。

关键词：柴油发电机组；相关性分析；传感器系统；故障诊断；偏移量分析

中图分类号：TK401文献标志码：A文章编号：1673-6397（2023）05-0056-06

引用格式：赵博，时磊，黄欢，等.基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法［J］.内燃机与动力装置，2023，40（5）：56-61.

ZHAO Bo， SHI Lei， HUANG Huan， et al.Fault diagnosis method of marine diesel generator set sensing system based on correlation-offset hybrid analysis［J］.Internal Combustion Engine & Powerplant， 2023，40（5）：56-61.

0 引言

動力系统作为整个船舶的核心，其安全性和可靠性直接影响船舶航行安全[1-3]。船用柴油机结构复杂、工作条件恶劣，极易发生故障，因此对船舶动力系统的状态监测至关重要。传感器系统作为柴油发电机组状态监测的主要系统，通过采集柴油发电机组温度、压力、转速、电流和电压等关键参数，向监控系统提供准确的运行状态信息。传感器采集数据对发电机组的运行管理、性能优化和故障诊断具有重要意义[4]，但传感器系统本身也存在故障和失效的风险，传感器故障导致传感器输出数据不准确、误导性强，甚至完全失效，影响发动机正常运行。

为解决由于传感器故障、失效等导致的反馈信息错误问题，国内外学者针对设备状态监测系统的传感器故障诊断方法进行了研究：Elnour等[5]为解决非线性系统中的传感器故障检测问题，提出了概率主元的故障诊断分析法；Ding等[6]为有效监控无人机运作系统，提出了一种混合特征模型和深度学习相结合的无人机传感器故障诊断方法；崔旭晶等[7]提出了基于小波变换的传感器故障诊断方法，并准确定位故障；鲁进军等[8]提出了改进主元分析方法，实现对速度传感器异常的实时监测，准确定位故障部件，自动识别故障类型。

上述方法侧重于利用信号处理与专家系统方法对常见传感器故障进行识别，需要大量的训练数据且缺乏对整个系统故障传感器的定位与识别[9-10]。针对这些问题，本文中提出一种基于相关性-偏移量混合分析的船用柴油发电机组传感系统故障诊断方法，解决专家系统需大量训练样本的问题，实现对不同类型传感器故障的精准判断；通过搭建试验平台，计算得到该方法的传感器故障识别准确率。

1 分析理论与分析方法

1.1 小波包熵理论

小波包能量特征能够在一定程度上反映频带特征变化[11-12]。通过利用小波包基函数，将原始信号分解为多个相互独立且带宽相同的频带，这些频带中包含对动态信号进行检测与分析所需的关键特征[13]。

将传感器在时域上采集的信号函数f（t）进行j层分解时，其分解式为：

式中：Ak为第k个传感器正常工作时所测的数据;Bk为第k个传感器在经过正常工作一段时间后，未知其是否发生故障时所测数据。

1.3 相关性-偏移量混合分析方法

正常工作状态下，船用柴油机传感系统中各路传感器输出信号的变化应具有一致性，因此，可通过分析传感器输出信号识别故障传感器[15]。基于上述理论基础，提出一种基于统计学分析的船用柴油机传感系统故障诊断方法，具体步骤如下。

1）利用温度、电压、电流等传感器实时采集不同传感器故障下的船用柴油机的运行数据，利用式（4）提取采集信号的特征，生成包含不同传感器故障特征的数据集。

2）利用式（5）计算每2个传感器输出信号之间的相关系数，得到传感器阈值参数δi，当某一传感器与其他传感器的相关系数均大于所设阈值时，认为此传感器出现异常。

3）为了进一步保证诊断结果的可靠性，利用传感器采集柴油机正常工作时的温度、振动、电压、电流信号，构建4维坐标系；利用式（6）计算上述所认为故障传感器与正常所测数据偏移量；当该传感器所测数据偏移大于所设阈值γ时，认为该传感器确实存在故障，否则需重新采集数据进行分析。

4）计算分析结果的准确率

η=［（n－s）／n］×100%，（7）

式中：s为诊断结果与真实情况不符的样本点个数。

故障诊断流程图如图1所示。

2 试验验证

2.1 试验平台搭建

经调研，船用柴油发电机组最常用的传感器包括温度、振动、电流、电压等传感器，典型的故障情况类型主要包括：1）绝缘不良、短路、温度补偿线断开等温度传感器故障，2）传感器松动、断路、底座刚度变化等振动传感器故障，3）电磁干扰、断路等电流传感器故障，4）电磁干扰、短路等电压传感器故障[16]。

传感器故障模拟方法为：1）温度传感器故障。通过热电阻触点处采用电阻下拉接地形式模拟绝缘不良故障；通过短接热电阻2根引线模拟短路故障；通过断开温度补偿线模拟传感器短路故障。2）振动传感器故障。通过固定螺钉未拧紧、固定磁铁退磁等方法模拟传感器松动；通过断开传感器输出线模拟开路情况；通过使用橡胶垫作为底座模拟底座刚度变化。3）电压、电流传感器故障。电压传感器的故障类型包括电磁干扰与短路，通过传感器旁放置变压电路模拟电磁干扰，通过断开传感器输出线模拟传感器断路。

本文中通过使用橡胶垫作为底座模拟振动传感器故障，通过在电压、电流传感器周围布设电磁矫平设备模拟电压传感器故障，通过温度补偿线断开模拟温度传感器故障，传感器故障模拟如图2所示。

基于上述理论与试验方案，本文中选择一台工作状态良好的KDF4000XE柴油发电机组，搭建试验平台，如图3所示，其中排烟温度传感器安装于排气管末端，振动传感器安装于缸盖上，电流传感器过孔式安装于输出相线上，电压传感器并联于相线之间[17]。

由于温度为缓变量，故本文中设计温度为低频采样，采样频率为1 Hz；振动、电流、电压传感器为高频采样，采样频率为1 kHz。将传感器的输出端连接到数据采集设备上，根据数据采集软件使用说明，配置采样率、采样通道和数据存储等参数。启动数据采集软件，采集和记录传感器测量结果，正常和故障状态下振动传感器采集的信号如图4所示，图中g为自由落体加速度。

由图4可知：传感器在正常工作和发生故障时所测得的信号存在显著差异。这进一步确认了前文提到的可以使用偏移量来验证相关性分析结果，如果相关性分析结果与传感器信号的差异相矛盾，应重新采集信号数据以确保结果的准确性。

2.2 數据处理与结果分析

2.2.1 数据处理

基于小波包能量熵特征原理，分别将振动、电压、电流、温度传感器采集的信号进行小波包3层分解，利用式（4）求解各频段能量熵，对各节点能量进行归一化处理，各节点能量所占的百分比即为所求信号特征。对振动传感器采集的160组数据小波包特征提取结果如表1所示。

完成各传感器的特征提取后，将提取的160组数据集，利用式（5）计算各传感器间的相关系数，绘制热力图[14]，如图5所示。

比较不同状态下各传感器间相关系数的变化，得到各传感器间的最佳阈值δi。各阈值参数如表2所示。若2个传感器间的相关系数大于阈值时，则认为该传感器可能存在故障。为了进一步测试确保诊断结果的可靠性，采用式（6）计算可能故障传感器与正常传感器间的偏移量是否大于阈值，若大于则认为该传感器确实存在故障。利用上述数据进行试验可得，偏移量阈值为0.2。

2.2.2 结果分析

根据上述试验步骤，对模拟的振动传感器底座软化等4种故障传感器分别进行信息采集。每种故障传感器采集10个样本作为测试样本，共采集40个测试样本。将测试样本数据利用上述方法进行特征提取后，对特征数据集绘制热力图。

根据表3中各传感器相关系数的阈值，对传感器是否存在故障进行判定后，利用偏移量进一步验证所判定结果是否正确，若两者的判断结果矛盾，则需要重新用该传感器测量信号，重新判断。结果如图6所示，图中故障类型1为温度传感器补偿线断开，类型2为电压传感器受电磁干扰；类型3为电流传感器受电磁干扰，类型4为振动传感器底座软化。

根据分析结果，利用式（7）计算诊断的准确率，结果表明采用该方法对船用柴油机传感器系统的诊断准确率为92.52%，符合使用要求。相比之前的专家系统，该方法减少了训练时间，实现小样本数据诊断。

3 结论

通过统计学对船用柴油发电机组传感系统进行研究，构建了基于相关性-偏移量分析的传感器故障诊断识别方法，并分析了诊断精度，明确了各类型传感器故障相关系数阈值，为进一步研究柴油发电机组故障传感器位置提供参考。

1）基于相关性-偏移量混合分析的故障诊断方法，能够准确识别出故障传感器的类型，诊断准确率可达92.52%。

2）基于相关性-偏移量分析的船用柴油发电机组传感系统故障诊断方法克服了传统专家系统故障诊断需要大量样本的缺陷，实现小样本、高效率诊断。

参考文献：

［1］ 蒋佳炜，胡以怀，方云虎，等.船舶动力装置智能故障诊断技术的应用与展望[J].中国舰船研究，2020，15（1）：56-67.

[2] 胡以怀.船舶机损事故分析及安全评估[M].北京：人民交通出版社，2013：12-13.

[3] JIANG J W，HU Y H，CAI D L. Fault diagnosis expert system of marine propulsion system based on access da-tabase[C]//Proceedings of International Conference on Image and Video Processing， and Artificial Intelligence. Shanghai， China： SPIE， 2018.

[4] 王逍梦，任章.基于小波变换的二阶传感器故障诊断研究[J].兵工自动化，2013，32（5）：74-78.

[5] ELNOUR M，MESKIN N，AL-NAEMI M. Sensor data validation and fault diagnosis using Auto-Associative Neural Network for HVAC systems[J].Journal of Building Engineering，2017，42（29）： 18524-18531.

[6] DING F G， MAI Y Z， HONG Q J. A hybrid feature model and deep learning based fault diagnosis for unmanned aerial vehicle sensor[J].Neurocomputing， 2018， 319： 155-163.

[7] 崔旭晶，王宪勇．使用小波分析的水下机器人多传感器故障检测[J].单片机与嵌入系统应用，2018，18（11）：33-36.

[8] 鲁进军，吴萌岭，牛刚．轨道交通制动系统速度传感器的故障诊断方法研究[J].铁道学报，2021，43（1）：85-93.

[9] MANIA N， NADER M， MOHAMMADREZA D. Sensor fault detection and isolation of an industrial gas turbine using partial adaptive KPCA[J].Journal of Process Control， 2018， 64： 37-48.

[10] 陈龙，单海强，徐兴，等.基于扩展 Kalman 滤波器组的 ECAS 系统传感器故障诊断[J].振动.测试与诊断，2019，39（2）：389-449.

[11] SANA U J， YOUNG D L， IN S K. A distributed sensor-fault detection and diagnosis framework using machine learning[J].Information Sciences： An International Journal，2021，547： 777-796.

[12] WANG H， PENG M J ， YU Y，et al. Fault identification and diagnosis based on KPCA and similarity clustering for nuclear power plants[J].Annals of Nuclear Energy，2021，150：1-12.

[13] 沈艳霞，杨雄飞，赵芝璞．风力发电系统传感器故障诊断[J].控制理论与应用，2017，34（3）：321-328.

[14] 方有亮，李肖磊，张颖，等.基于小波包样本熵和支持向量机的框架结构损伤识别[J].科学技术与工程，2021，21（14）：5862-5869.

[15]丁辉，仲跃，张俊，等.基于相关性函数的多传感器自适应加权融合算法[J].重庆理工大学学报（自然科学），2016，30（2）：114-118.

[16] LUCKE M，MEI X Y，STIEF A， et al. Variableselection for fault detection and identification based on mutual information of alarm series[C]//Proceedings of IFAC Symposium on Dynamics and Control of Process Systems Including Biosystems.Florianópolis，Brazil：IFAC，2020： 673-678.

[17] 朱少豪，汪勇，杨益新.高阶声场传感器的噪声空间相关性及其阵列超指向性方法[J].哈尔滨工程大学学报，2020，41（10）：1477-1485.

Fault diagnosis method of marine diesel generator set sensing system

based on correlation-offset hybrid analysis

ZHAO Bo1， SHI Lei2， HUANG Huan3， XU Zufu3， ZHU Hongwei3

Abstract：To effectively diagnose the types of sensors that cause faults in diesel generator sets， a sensor system fault diagnosis method based on correlation-offset hybrid analysis is proposed，which employs wavelet packet information entropy to extract distinctive features from signals obtained from diverse sensor types installed on the diesel generator set. The method utilizes correlation analysis to ascertain the types of faulty sensors and validates the outcomes through offset analysis. The experimental results show that employing this method for sensor system fault diagnosis attains an accuracy rate of up to 92.52%， which can effectively identify the types of sensors with faults in diesel generator sets.

Keywords：diesel generator set;correlation analysis;sensor system;fault diagnosis;offset analysis（責任编辑：刘丽君）

收稿日期：2023-08-09

第一作者简介：赵博（1977—），男，长春人，工程师，主要研究方向为船舶机电设备，E-mail：2435318314@qq.com。