魯宏,戴魏魏,鮑海波,權國政
(1.江蘇省船舶動力系統零件先進制造工程技術研究中心,江蘇 南京 211121;2.南京中遠海運船舶設備配件有限公司,江蘇 南京 211121;3.重慶大學,重慶 400044)
二沖程船用柴油機在運行的過程中,缸蓋因為受到內部各部件的振動、沖擊、摩擦及燃燒等激勵作用,會產生非穩態振動信號。通過對振動信號的分析可實現相應零部件及燃燒狀態的故障預測[1-4]。目前,振動信號在柴油機燃燒狀態監測受到廣泛關注,且信號采集器直接安裝于發動機表面,通過振動信號來分析氣閥磨損情況是極具潛力的。目前,常用的缸蓋振動信號分析方法以及信號特征參數提取主要包括時頻分析、時域分析、頻域分析等。
本文將基于提取到的時域、頻域特征信號分析結果,利用數據分析軟件MATLAB 建立低速船用柴油機缸蓋振動信號氣閥磨損預測系統。系統對得到的振動信號特征值樣本進行訓練,為氣閥磨損情況、服役狀態的預測提供基礎。
由于排氣閥撞擊、缸內燃爆等影響,低速船用二沖程柴油機缸蓋振動信號具有一定周期性,圖1 所示為實測缸蓋振動信號一個周期的信號變化,依據運行的特征,分成排氣閥開啟、排氣閥撞擊、缸內燃爆的三個特征峰。根據實測的信號圖以及缸內壓力變化,建立低速機運行流固耦合有限元模型并對其校正。通過模擬得到的缸蓋振動信號如圖2 所示。構造不同磨損量的模型,并進行模擬,通過對模擬得到的缸蓋振動信號進行分析,得到不同磨損量下的特征值。構造閥面磨損量為0~2mm(此為氣閥報廢的磨損值),對應閥底磨損量為0~12mm(此為氣閥報廢的磨損值)。
圖1 柴油機缸蓋振動時域信號
圖2 模擬無磨損缸蓋振動信號
BP 神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡,是目前應用最廣泛的神經網絡模型之一。它的突出優點就是具有很強的非線性映射能力和柔性的網絡結構。網絡的中間層數、各層的神經元個數可根據具體情況任意設定,并且隨著結構的差異其性能也有所不同。通過模擬得到的振動信號特征值與對應磨損量作為BP 神經網絡的訓練樣本,以實現通過輸入信號特征值對磨損情況進行預測。
選擇氣閥故障為閥面-閥底同時磨損,特征參數選取峰峰值(時域分析)及頻率標準差(頻域分析),實際值及預測值是閥面磨損深度+閥底磨損深度,重復多次模擬后得到樣本集,表1 為特征提取得到的訓練樣本。
表1 缸蓋振動信號統計特征參數表
表2 為特征提取得到的測試樣本。依據測試樣本的峰峰值以及頻率標準差,通過表1 的訓練樣本所訓練的BP 模型,可以得到預測值5.5mm、8.9mm、13.85mm,與實際的值對比,可以分別得到誤差1.8%、2.2%、4.1%。圖3 為預測值、實際值和誤差的分析圖。誤差在5%以內,說明利用時域、頻域特征值訓練的BP 神經網絡模型有效。
圖3 預測值、實際值和誤差的分析圖
表2 測試樣本集(時域、頻域特征值方法)
基于建立好的BP 神經網絡模型,利用數據分析軟件MATLAB 建立了低速船用柴油機缸蓋振動信號氣閥磨損預測系統。圖4 為信號預測系統初始界面。
圖4 信號預測系統初始界面
在初始界面中,輸入測得的缸蓋振動信號分析的特征值參數即可進行閥面磨損深度+閥底磨損深度值的預測。結果如圖5 所示。
圖5 信號預測系統初始界面
(1)通過實測信號與模擬信號結合,考慮實際服役狀態,借助校正的有限元模型得到不同磨損程度下的船用柴油機缸蓋振動信號特征值樣本。
(2)基于得到的缸蓋振動信號特征值樣本和BP神經網絡模型,利用MATLAB 進行樣本訓練并建立氣閥磨損值BP 預測模型?;诮⒑玫腂P 預測模型建立缸蓋振動信號氣閥磨損預測系統。