详情

原文传递基于数据驱动的船用燃气轮机推进系统健康状态评估研究

论文题名：	基于数据驱动的船用燃气轮机推进系统健康状态评估研究
关键词：	船用燃气轮机;推进系统;健康状态评估;数据驱动
摘要：	船用燃气轮机推进系统受自身工作特点和海洋环境的影响容易发生性能退化进而导致各种故障的发生。其中，压气机叶片和涡轮叶片在燃气轮机内部高温、高压、高转速的恶劣工作环境以及空气盐雾共同作用下容易发生结垢、腐蚀等现象。螺旋桨和船体长期浸泡在海水中容易产生海生物污损。船用燃气轮机推进系统性能退化会导致船舶经济性降低，并可能最终引发严重的故障。对于轮机管理人员而言，及时而准确地了解船用燃气轮机推进系统的健康状态，并据此制定合理的维护计划是保障船舶安全、经济、高效运行的关键。　　论文主要研究使用基于数据驱动的方法来解决船用燃气轮机推进系统健康状态评估中的几个关键技术问题，包括退化定性检测、退化程度估计、主退化方向定性检测、退化不平衡度估计和并发退化检测。由于船用燃气轮机推进系统往往不允许带故障运行，从实船中获取大量带标记的故障样本难度较大。故障数据难以获取的现状严重制约了基于数据驱动的方法在船用燃气轮机推进系统健康状态评估中的应用。为了减少对故障数据的依赖，推动基于数据驱动的智能诊断技术在船舶工业领域的应用，主要开展了以下研究工作。　　提出一种基于单分类支持向量机的船用燃气轮机气路健康状态评估方法，主要研究实现了退化定性检测、退化程度估计、主退化方向定性检测和退化不平衡度估计等功能。不同于传统的监督学习算法，单分类支持向量机只需要一类数据来训练模型，对训练数据要求较低。针对退化检测问题，仅使用正常样本就可以满足模型训练需求。当有新样本输入时，模型通过检测该样本是否在决策边界以内来判断系统是否发生了性能退化。由于只需要正常样本来训练模型，该方法在实船上部署的可行性较高。　　在退化定性检测的基础上，进一步利用单分类支持向量机模型决策值实现了系统整体退化程度估计。将估计结果和由退化系数确定的实际退化程度进行比对，发现二者在趋势上基本一致。退化程度估计可以使轮机管理人员定量地了解系统总体的健康状态并可以对剩余使用寿命做出粗略的预测。　　船用燃气轮机推进系统十分复杂，部件众多，不同部件的退化程度往往不同，也就是说存在不平衡退化问题。为了更好地对系统退化状态进行定位分析，对系统主退化方向和退化不平衡度进行了研究。主退化方向检测的目的是估计出哪个部件退化更严重以便更好地开展维护工作。在假设每种部件退化在高维空间中是沿着不同方向发展的前提下，通过比较样本趋向于每种退化方向的程度来判断系统的主退化方向。特别地，当系统整体处于中度退化状态时存在某个部件发生了严重退化而其他部件只发生了轻微退化的情况。在这种情况下，只需要对退化严重的部件进行维护即可。主退化方向检测有助于减少维护工作量，避免维护工作的盲目性。为了定量地描述系统不平衡退化问题，提出一种计算系统退化不平衡度的方法，能够对两部件退化不平衡度进行量化估计。研究发现用所提出的方法估计的主退化方向和退化不平衡度与由退化系数确定的实际状态一致性较高。　　对比研究了单分类支持向量机、支持向量数据描述、孤立森林、全局k近邻、局部异常因子和基于角度的异常检测等六种单分类算法在船用燃气轮机推进系统健康状态评估中的性能，为相关应用提供了参考。研究发现当训练集为正常样本时，单分类算法能够较好地解决单部件退化定性检测问题。但是，在现实中提取完全正常的训练样本存在一定难度。正常训练集中有时会混入少量异常样本造成数据污染，从而导致算法性能的下降。为了检验单分类算法对污染数据的耐受性，在人工构造的污染数据集上开展了一系列对比研究工作。研究发现单分类算法的性能随着训练集污染率的上升而下降，大多数单分类算法对污染数据几乎没有耐受性，轻微的数据污染即会导致算法失效。只有孤立森林算法对污染数据表现出较强的耐受性。为了增强单分类算法对污染数据的耐受性，分污染率已知和污染率未知两种情况对单分类算法在使用方式上进行了改进。改进后的方法在污染数据集上的性能得到了明显提升。最后，利用单分类支持向量机、支持向量数据描述、全局k近邻和局部异常因子等单分类算法实现了单部件退化程度估计。将估计结果与由退化系数确定的实际退化程度进行了比对，发现二者吻合度较高。　　研究了多标签学习在船用燃气轮机推进系统并发退化检测中的应用，并提出一种基于二元关联框架的多标签支持向量机算法应用于船用燃气轮机推进系统并发退化检测。多标签学习算法可以赋予单个样本多个退化标签，并且可以应对标签缺失的问题，适合处理船用燃气轮机推进系统并发退化检测的问题。多标签学习是一种监督学习算法，需要一定量的退化样本来训练模型。考虑所有退化组合时，退化模式种类随退化标签个数呈指数式增长。实际中收集如此之多带标签的并发退化样本存在较大难度。借鉴多标签学习算法能够处理标签缺失问题的特点，仅使用相对容易获取的正常样本和单退化样本来训练多标签分类模型。研究发现所提出的方法对未知并发退化的检测性能较好且优于二元关联支持向量机、分类器链支持向量机、多标签k近邻、二元关联k近邻等多标签分类算法。
作者：	谭阳辉
专业：	轮机工程
导师：	张均东
授予学位：	博士
授予学位单位：	大连海事大学
学位年度：	2021