船舶柴油机状态监测及预测性维护研究及应用

doi:10.3969/j.issn.1004-132X.2022.10.004

中国机械工程 ›› 2022, Vol. 33 ›› Issue (10): 1162-1168.DOI: 10.3969/j.issn.1004-132X.2022.10.004

• 先进水路交通装备与智能系统专辑（续） • 上一篇下一篇

船舶柴油机状态监测及预测性维护研究及应用

陈冬梅;赵思恒;魏承印;陈亚杰

中国船舶集团有限公司第七一一研究所自动化事业部，上海，201108

出版日期:2022-05-25 发布日期:2022-06-09
通讯作者: 陈亚杰（通信作者），女，1972年生，研究员。研究方向为机舱自动化、智能机舱、海洋工程信息化等。
作者简介:陈冬梅，女，1980年生，硕士研究生。研究方向为智能机舱、机舱自动化、柴油机故障诊断等。E-mail：chen_domain@126.com。

Research and Applications of Condition Monitoring and Predictive Maintenance of Marine Diesel Engines

CHEN Dongmei;ZHAO Siheng;WEI Chengyin;CHEN Yajie

Automation Engineering Divison，China State Shipbuilding Corporation Limited，Shanghai，201108

Online:2022-05-25 Published:2022-06-09

摘要/Abstract

摘要： 从热工、油液、振动、缸压4个维度开展数据采集和特征提取工作，提出了OCSVM异常检测算法联合Fisher判别分析进行柴油机状态监测的一种方法，采用累计和/参数均值比进行参数变点检测，采用D-S证据理论及证据加权分配合成方法进行多源信息融合，并利用LSTM对柴油机滑油的剩余使用寿命进行预测，解决了传统柴油机状态监测方法早期预警率低、动态工况下模型适应性差等问题。

关键词: 特征提取, 状态监测, 预测性维护, 变点检测

Abstract: Based on the four dimensions of thermal-pressure parameters， lubricant oil conditions， vibrations and cylinder pressures， data acquisition and feature extraction were carried out， and a method for diesel engine condition monitoring was proposed based on OCSVM anomaly detection algorithm and Fisher discriminant analysis. The CUSUMMR was used for parameter trend detection and the D-S evidence theory and weight of evidence method were used for multi-source information fusion. the RUL(remaining useful life) of diesel engine lubricating oil was predicted by LSTM. The Paper solves the problems such as low early warning rate， poor adaptability of the model under diesel engine dynamic conditions.

Key words: feature extraction, condition monitoring, predictive maintenance, change point detection

中图分类号:

U676.4

陈冬梅, 赵思恒, 魏承印, 陈亚杰. 船舶柴油机状态监测及预测性维护研究及应用[J]. 中国机械工程, 2022, 33(10): 1162-1168.

CHEN Dongmei, ZHAO Siheng, WEI Chengyin, CHEN Yajie. Research and Applications of Condition Monitoring and Predictive Maintenance of Marine Diesel Engines[J]. China Mechanical Engineering, 2022, 33(10): 1162-1168.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2022.10.004

http://www.cmemo.org.cn/CN/Y2022/V33/I10/1162

参考文献

［1］贺辞. CCS《智能船舶规范》六大功能模块要求［J］. 中国船检， 2016（3）：84-85.
HE Chi. The Six Functional Module Requirements of CCS Rules for Intelligent Ships［J］. China Ship Survey， 2016（3）：54-85.
［2］MALM L A， ENSTRR J， HAGER L M， et al. Main Engine Damage Study［EB/OL］. ［2021-09-16］. http：∥www. swedishclub. com.
［3］余永华，陈育成. 基于瞬时转速和机器学习的船用柴油机健康状态评估［J］. 内燃机工程， 2020， 41（6）：101-106.
YU Yonghua， CHEN Yucheng. Evaluation of the Health of Marine Diesel Engines Based on Instantaneous Angular Speed and Machine Learning［J］. Chinese Internal Combustion Engine Engineering， 2020， 41（6）：101-106.
［4］蒋佳炜，胡以怀，柯赟，等. 基于小波包特征提取和模糊熵特征选择的柴油机故障分析［J］. 振动与冲击， 2020， 39（4）：273-277.
JIANG Jiawei， HU Yihuai， KE Yun， et al. Fault Diagnosis of Diesel Engines Based on Wavelet Packet Energy Spectrum Feature Extraction and Fuzzy Entropy Feature Selection［J］. Journal of Vibration and Shock， 2020， 39（4）：273-277.
［5］王瑞涵，陈辉，管聪. 基于机器学习的船舶机舱设备状态监测方法［J］. 中国舰船研究， 2021， 16（1）：158-167.
WANG Ruihui， CHEN Hui， GUANG Cong. Condition Monitoring Method for Marine Engine Room Equipment Based on Machine Learning［J］. Chinese Journal of Ship Research， 2021， 16（1）：158-167.
［6］张志政. 基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究［D］. 大连：大连海事大学， 2020.
ZHANG Zhizheng. Research on Fault Monitoring and Diagnosis of Marine Fuel Oil Sysytem Based on Optimized KPCA-SVM［D］. Dalian：Dalian Maritime University， 2020.
［7］OROSA J A， COSTA A M， SANTOS R. Research about New Predictive-maintenance Methodology Using VBA for Marine Engineering Applications［EB/OL］. ［2021-09-16］. www. intechopen. com.
［8］SIMES A， FARINHA J T， FONSECA I. Ecological Predictive Maintenance of Diesel Engines［M］∥Diesel and Gasoline Engines. London：Intech. Open， 2020.
［9］KELLEHE E P. How Comprehensive Diesel Engine Analysis Improves Performance and Reliability［EB/OL］. ［2021-09-15］. https：∥windrock. com.
［10］曹欢，胡磊，谢文琪，等. 基于多源信息融合的柴油机故障诊断方法［J］. 造船技术， 2020（1）：73-80.
CAO Huan， HU Lei， XIE Wenqi， et al. Diesel Engine Fault Diagnosis Method Based on Multi-source Information Fusion［J］. Marine Technology， 2020（1）：73-80.
［11］刘凯. 基于介电常数法的油液监测［J］. 润滑与密封， 2009， 32（1）：94-96.
LIU Kai. Oil Monitoring Method Based on the Dielectric Constant［J］. Lubrication Engineering， 2009， 32（1）：94-96.
［12］严新平. 油液监测技术标准体系建设的思考［J］. 中国设备工程， 2010（2）：63-64.
YAN Xinping. Thoughts on the Construction of Technical Standard System for Oil Monitoring［J］. China Equipment Engineering， 2010（2）：63-64.

[1]	籍永建, 姚利诚, . 机器人铣削加工颤振自适应识别方法研究[J]. 中国机械工程, 2023, 34(18): 2165-2176.
[2]	郑近德, 陈焱, 童靳于, 潘海洋. 精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2023, 34(11): 1315-1325.
[3]	刘小峰, 张天瑀, 张春兵, 柏林. 基于交叉递归率的复材板损伤定位成像方法[J]. 中国机械工程, 2023, 34(08): 940-947.
[4]	赵靖, 杨绍普, 李强, 刘永强, . 一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2023, 34(03): 332-343.
[5]	张亢, 田泽宇, 陈向民, 廖力达, 吴家腾. 多通道多分量分解方法在变转速工况齿轮故障特征提取中的应用[J]. 中国机械工程, 2022, 33(20): 2483-2491.
[6]	刘会永, 张松, 李剑峰, 栾晓娜, . 采用改进CNN-BiLSTM模型的刀具磨损状态监测[J]. 中国机械工程, 2022, 33(16): 1940-1947，1956.
[7]	蒋佳炜, 胡以怀, 方云虎, 张陈, 芮晓松, 汪猛. 基于多尺度时域平均分解和模糊熵的船用风机故障诊断方法[J]. 中国机械工程, 2022, 33(10): 1178-1188.
[8]	张龙, 蔡秉桓, 熊国良, 王朝兵, 胡俊锋. 滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法[J]. 中国机械工程, 2021, 32(24): 2950-2959.
[9]	赵志宏, 李乐豪, 杨绍普, 李晴. 一种频域特征提取自编码器及其在故障诊断中的应用研究[J]. 中国机械工程, 2021, 32(20): 2468-2474.
[10]	郭俊超, 甄冬, 孟召宗, 师占群, 谷丰收. 基于WAEEMD和MSB的滚动轴承故障特征提取[J]. 中国机械工程, 2021, 32(15): 1793-1800.
[11]	许鹏, 方舟, 王平, 耿明, 许勇. 基于脉冲漏磁暂态特征的缺陷量化评估方法[J]. 中国机械工程, 2021, 32(07): 860-866,881.
[12]	江志农1;王子嘉1;张进杰2;黄翼飞3;茆志伟2. 基于能量算子梯度邻域特征提取的核电应急柴油发电机组故障诊断方法[J]. 中国机械工程, 2021, 32(05): 617-623.
[13]	唐贵基;李楠楠;王晓龙. 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法[J]. 中国机械工程, 2020, 31(24): 2988-2996.
[14]	万书亭;彭勃;王晓龙. 基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法[J]. 中国机械工程, 2020, 31(23): 2829-2836.
[15]	何彦1;凌俊杰1;王禹林2;李育锋1;吴鹏程1;肖圳1. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型[J]. 中国机械工程, 2020, 31(16): 1959-1967.

船舶柴油机状态监测及预测性维护研究及应用

Research and Applications of Condition Monitoring and Predictive Maintenance of Marine Diesel Engines

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics