CCS对智能机舱的定义是,能够综合利用状态监测系统所获得的各种信息和数据,对机舱内机械设备的运行状态、健康状况进行分析和评估,用于机械设备操作决策和维护保养计划的制定。
智能机舱应具有如下基本功能:
①对机舱内的主推进发动机、辅助发电用发动机、轴系的运行状态进行监测;
②根据状态监测系统收集的数据,对机械设备的运行状态和健康状况进行分析与评估;
③根据分析与评估结果,提出纠正建议,为船舶操作提供决策建议。
智能机舱还可根据机械设备运行状态和健康状况的分析与评估结果,制定相应的视情维护计划,作为智能机舱的补充功能。
主推进发动机及其部件实施状态监测,应至少包括以下部件/性能:
①各缸燃烧性能;
②燃烧室相关部件,如气缸套、活塞头(含活塞环)、气缸盖(含进、排气阀)、燃料喷嘴/阀;
④曲轴箱防爆;
⑤增压器性能。
辅助发电用发动机及其部件实施状态监测,应至少包括如下部件/性能:
①燃烧室相关部件,如气缸盖(含进、排气阀)、气缸套、燃料喷嘴/阀;
②摩擦部件,如主轴承、曲柄销轴承、凸轮轴轴承;
③增压器性能。
推进轴系实施状态监测,至少包括:
①齿轮箱(如有时),如轴承;(www.xing528.com)
②轴和轴承,如轴瓦、密封性能。
如今,在工业中由于工艺的进步和工艺的复杂性,有许多情况需要对两个或多个变量进行监测。对于智能船舶来说,对不必要的冗余变量的监测会大幅度增加测量成本,大量待监测信号还会阻碍决策。
监测技术可分为计算和统计两大分支。计算技术如人工神经网络已被用于监测不同的工业过程,比如在船用柴油机上降低燃料消耗的能效。神经网络方法已广泛应用于一般状态监测,ANN相对于其他技术如数值方法的优点是能利用简单的函数、固有的适应性和学习、训练的能力进行并行和大规模处理。一般来说,ANN已经被用于通过训练对故障和无瑕疵系统的数据进行状态监测。这种“黑箱”系统通常从数据中学习是有效的,而基于基本原理的系统更擅长建模。其他的“灰色”系统也被成功地用于研究和优化不同的设备。Grimmelius等人从一般的观点比较了三种不同的最先进的状态监测技术[50],而有一些研究者应用ANN来检测不同工业设备中的操作故障[51],特别是在柴油发动机的故障检测方面。
Oihane C.Basurko把ANN应用到船用发动机的状态检修(condition-based maintenance,CBM)系统上[52],分析了如何实施中型船用柴油机的CBM系统。由于大多数模型考虑了利用ANN成功地建立发动机性能预测模型和故障检测模型,因此在这方面的研究已经采用了相同的方法,给出了在商业渔船上建立CBM的策略。该系统大致分为四个部分:数据获取(data acquisition);数据选择、净化和调节(data selection,purging and conditioning);发动机性能模型的发展(development of engine's performance model);故障诊断(fault diagnosis)。其系统结构如图2-7所示。
图2-7 引入ANN方法的CBM系统框架[53]
ANN是包含三层神经元的前馈网络,可以将任意函数近似为任意精度,给定每个层中的足够数量的神经元。因此,采用三层前馈网络,用Sigmoid函数作为激活函数来开发该模型,如图2-8所示。权重以在线方式更新,即在每个数据运行之后更新,而不是在训练后更新。在开发ANN模型中使用的数据量包括31 324种模式;其中70%被分配用于训练,25%用于测试,其余用于交叉验证。无论是动量还是步长都没有改变,两个值分别保持在0.7和0.1。所有的网络被训练了1 000次。神经元数目是每次改变的唯一参数,采用20~50种隐蔽方法,以保证在所有选定行程中发动机条件的可重复性。捕捞和演习阶段非常不规则,因此这些模式提到的数据被排除在外。
图2-8 获得发动机性能模型的神经网络结构
在统计过程控制(statistical process control,SPC)中,已经通过Shewart控制图得到了结果[53]。这种方法通过独立的控制图监视变量,忽略它们之间可能的相关性或相互作用,因此,当过程中有变化时,这些图表中能够同时检测到,能够通过复杂的计算来查找确切的失效原因,同时给出错误预警。
Boullosa等人在一个二冲程船用柴油机中,针对一些特定的工作条件,通过Hooelling的T2控制图与Mason、Yang和Tracy(MYT)技术相结合,检测了气缸润滑过程的七个变量[54]。在这项工作中,Hooelling的T2控制图以多变量的方式检测,并且关于该过程的最佳工作状态检测到有效偏差;然而,由于这些类型的控制图在检测方面的困难,一些小的和渐进的变化没有被检测到。
此外,通过MYT分解确定了过程中产生偏差的变量,有助于对过程变化的诊断。问题是,当监控变量的大小开始增加,使得变量的解释复杂度递增,从而导致检测过程中出现较大的偏差。T2统计量的MYT分解已被证明是对信号T2值的解释有很大帮助,但是当变量的数目大于10时,信令的原因在分解中体现的并不清晰,它们之间可能的组合是以指数方式增加,并且相关的变量被隐藏在其中。这个问题也被其他学者注意到,并且开发了计算机程序迅速地产生中等大小的变量集的分解。然而,这些计算方法对于存在几十万个变量时如何工作的问题还没有答案。影响这一过程的因素很多,包括计算机容量、计算机速度、数据集的大小和算法的编程。
现阶段有不同的统计技术减少变量监测,比如主成分分析(principal components analysis,PCA)。该技术能够减少变量空间,生成不相关的主成分(principal components,PCs)。通过PCA进行监测,当变量之间的相关性较低时,如主推进发动机相关过程中,在检测过程的变异性方面存在困难。Wang和Ma等人提出了一种基于PCA的分布式风机分布式发电系统状态监测优化方法,其目的是从大量的测量数据中识别出一组变量,这些变量可以减少安装在状态监测中的物理传感器的数量,同时保持足够的信息来评估系统的条件。结果表明,在有故障的情况下,选择算法降低了数据集的维数,并保持了与保留数据集中的故障相关的重要功能。
在船舶与海洋工程中,利用PCA对船舶进行了卫星状态监测。使用PCA开发的用于传输的软件减少了通过卫星发送的数据量,减少了在所有信号一起传输的情况下通信的时间和成本。Vinicius Barroso等人在三个天然气处理厂中,采用不同的相关方法(主成分分析、相关分析和聚类分析),开发了一个线性报警管理系统。其他还有一些技术是用来减少变量数量,如偏最小二乘(partial least squares,PLS)。Joee Carlos等人将PCA和PLS相结合以减少维数,对252个数据库、17个预测变量和1个因变量进行了比较[55]。为了选择最佳回归模型,预测残差平方和(predictive residual sum of squares,PRESS)被采用以确定PCA的最佳模型为6个分量,回归PLS为7个分量;出于比较的原因,两个模型被估计为6个分量,PRESS值分别为88.31和266.54。这些结果表明,PLS回归性能超过PCA。
这些减少变量的技术可以与Hotelling的T2控制图结合,以减少变量数量高时的存在限制;S.Joe Qin等人分析了Hotelling的T2控制图与PCA和其他检测方法相结合的方法来进行故障诊断[56]。Joyce等人提出了一种基于PCA与Hotelling的T2控制图相结合的方法,能够处理具有多个定点和非平稳的过程。所提出的方法在热电厂中实现,实时监测发电厂、锅炉和汽轮发电机组关键单元运行条件的任何变化。在金属工业中也提出了Hotelling的T2控制图和PCA方法用于监测和控制多元正态过程[57]。Hotelling的T2控制图检测到该过程在正常操作条件下有偏差,但没有识别出过程变量中可能存在的超出范围或可能趋势的变量;但是PCA的控制图在过程超出范围时检测到,并且也显示了使过程处于这种情况下的趋势。
如上所述,Hotelling的T2控制图的另一个特征,类似于单变量过程控制的Shewhart图表,对小的变化敏感性低于1.5σ,并且平均过程向量是递进的[58]。因此,Aparis等人建立了一个区域作为增加图表对这种行为的识别能力的一种方式[59];在低速机器中,误差随着时间累积,当采取预防措施为时已晚时,误差可能一直潜伏到开发间隔的某个临界点。在这些情况下,广泛推荐诸如累积和图(cumulative sum charts,Cusum)等替代程序。这种类型的图表表示成偏差的累积和,其中包含所有以前样本的信息。在这个问题上,在汽车行业一篇文章的阐述过程中,对Shewhart和Cusum控制图进行了比较,对于相同的幅度在过程中的变化,Cusum成功地检测到变化时,Shewhart不能检测到这些变化。Cusum也被用于检测顺风主轴承中可能存在的缺陷;该方法快速可靠,并提供了磨损作为时间函数的估计[60]。因此,Hotelling的T2控制图在检测小的和渐进的变化过程中灵敏度较差,并且当监测变量的数目大于10时,它们难以识别造成变化的变量。另一方面,当变量之间的相关性较低时,如PCA等变量方法难以执行此任务。
因此,David等人提出了一种新的方法来检测过程中的小偏差和突发偏差(small and sudden deviations method,SSDM),适用于典型的船舶推进过程中变量之间的相关性低的情况[61]。通过分析变量之间的相关性,提出了一种减少相关性较差的监测变量数量的方法,通过该方法来监测一个典型的低速柴油机在油轮上运行的燃料过程,通过MYT分解当监控变量的数量较大时的限制。
总而言之,对于智能机舱的要求,未来我们需要做的工作是建立集数据采集、控制、通信于一体的低成本、高可靠性的船舶机舱自动化监控系统,从而满足“无人机舱”规范对机舱自动化监控系统的功能要求,简化系统结构,提高系统的可靠性;采用灵活、方便的组网手段,实现方便、可靠地将机舱自动化监控系统与其他船舶自动化设备和高层船舶自动化系统有机联系,形成一个完整的船舶信息网络,实现信息共享,以满足全船自动化系统对监控的要求。把人工智能与监测技术结合起来形成智能控制网络,在过程控制中,利用ANN的功能,通过对被控对象多数据融合参数的学习,建立监控数据的自适应模型,实时预测监控对象状态的变化趋势,给出控制决策指导。在船舶故障诊断系统中,利用ANN的学习功能来实现知识的自动获取,利用ANN的分布结构和联想记忆功能实现知识表达,采用并行处理方式实现知识推理,建立基于ANN的专家系统。此外,还需要给出对机舱内设备的维修指导意见,加强维修的针对性,提高船舶使用的经济效益。未来计算机集成技术、信息集成技术、多传感器数据融合技术和智能集成技术等将成为21世纪船舶综合自动化的发展方向和必然趋势。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。