将IMS聚类算法引入带隔音罩发电机组故障判定中，首先对撬装发电机各工况震动信号进行特征提取，之后对提取的信号特性进行购买；最后建立IMS聚类算法模型，将提取到的特点量作为该模型的输入参数，实现发电机组故障的智能诊断。试验研讨在一台V6涡轮增压带隔音罩发电机组上进行，以获取训练和验证IMS聚类算法模型的参数。经过数据验证，该模型对于损坏的预判全部准确。当前的研究为挂车电站式发电机组故障的诊断提出了一个新的检验途径。

　　低噪音柴油发电机组是石油矿场、固定发电和发电机组等领域广泛应用的动力机械，一旦发生损坏，会造成巨大的经济损失，因此对挂车电站式发电机进行故障解除和状态监测具有重要意义。目前，降噪型发电机组故障诊断易见的方案和理论详细分为基于热力参数、油液、信号消除的传统故障判定技术和基于模型、知识的现代故障清除技术。

　　基于热力数据的诊断技术[1]，是指通过监测静音发电机工作时的各种性能数据，包括各种进排烟压力、柴油温度、油管压力等，然后应用各种理论来剖析诊断方舱式静音发电机损坏的措施，但是热力数据法对冲击类故障解除不敏感。基于油液监测的诊断技术，是利用光电或磁力学技术对润滑油样进行剖析，从而诊断出发电机组损坏的种类及其产生部位[2]。但油液监测诊断技术只能确定损坏的种类，不能精确诊断故障发生部位，同时在实现实时监测方面也有很大的困难。基于信号消除的故障处置方式，在发电机组损坏领域中主用的检测信号为振动信号。信号消除的对象主要包括有时域、频域以及峰值等指标。应用相关分析、频域、小波解析等信号分析法[3]，提取方差、幅值、频率等特点值，从而检验出损坏。这种诊断法的缺点在于只能对单个或者少数的振动部件进行分析和诊断。基于模型的故障判断法[4]，是指在建立诊断对象的数学模型的基础上，根据由模型获得的预测形态和所测量的形态之间的差异计算出被诊断装置的故障元件。但是其诊断精度严重依赖于模型的精度，一旦模型有所偏差，就会导致诊断失败或误诊。基于见解的诊断法不需要对象的精确数学模型。主要有以下几种：神经网络故障诊断法[5]，基于粗糙集的故障判断法[6]，基于模糊系统的故障解除法[7]，如模糊聚类算法等以及损坏树故障诊断法[8]和专家系统[9]等。

　　

　　单一的故障清除技术有着各自的优缺点，难以满足复杂装置的诊断的要求。因此，将不同的诊断法高效的结合起来，是故障诊断技术发展的一个趋势。本文将信号解除的排除程序与模式识别相结合，将低噪声柴油发电机组震动信号经过特征提取和选定后的特征数据，作为归纳监视装置算法模型的输入数据。最终实现发电机组故障的智能诊断。

　　归纳监视装置(Inductive Monitoring System，IMS)不需要对系统模型进行构建，因此适用于装置模型复杂或者未知的情形，它通过已有正常参数建立一个或多个监控参数库。其训练参数详细来源有两种：系统正常运转时探头提供的数据以及系统的仿真测试数据，通过训练形成不同参数群，待测数据通过与各参数群进行比较得出与各参数群的不同关系进而预判是否损坏[10]。IMS聚类算法的原理就是根据数据空间分布的不一样，计算相互间的距离差别进行故障诊断。该举措要求被聚类参数的波动性较为稳定，适合于多维参数综合解析，并且不需要故障数据，所以即可用于实时监控，也可用离线数据剖析。IMS聚类算法作为一套成熟的故障诊断算法，已经广泛被国外使用于各类动力系统的故障判断领域，例如，NASA地面指挥中心将IMS聚类算法用于航天飞机外部热控装置、速度陀螺装置等系统的故障排除[11]，然而在国内运用示例却极少。故本文运用IMS聚类算法进行降噪型发电机故障判定讨论。

　　归纳式监控算法分为训练程序与诊断步骤。训练程序中，根据训练数据生成参数群。参数群即若干数据点的集合。对于正常工作程序中的数据，每个参数点P都含有多个分量P1，P2，…，PN。对于每一个新数据点P，如果没有建立过数据群，则建立数据群C1，该数据群的初始上下限分别为

　　数据群上、下限即参数群边界的定义，于是参数群的初始范围仅仅为一个参数点，上、下限分别与该数据点各个分量相等。

　　如果已经建立过数据群，则需判断是否有一个数据群的上、下限包含了这个新数据点P。如果有一个参数群的上、下限包含了这个新数据点P，则将这个数据点P并入这个参数群，并更新参数群内数据点个数信息。其含义为新数据点的每一个分量都在参数群对应分量范围上、下限之间。

　　如果没有数据群的上、下限包含这个新数据点P，则计算新数据点P到每个数据群的距离，找出这些距离的最小值。如果这个最小值小于一个给定阈值D，则将这个参数点P并入这个参数群，并更新该参数群的上、下限。本文选型的距离定义为：该参数点各分量到数据群上限和数据群下限距离之和。更新数据群上下限的规则为：单边扩充，即若数据点某一分量超出与该分量对应的参数群上限，则新的数据群上限为该分量加上该分量超出原参数群上限乘以数据群扩张系数E；若数据点某一分量超出与该分量对应的数据群下限，则新的参数群下限为该分量减去该分量超出原参数群下限乘以数据群扩张系数E。通常，扩张系数选型2%可以满足要求。

　　诊断流程中，判定数据点的位置及与各数据群的距离，如果数据点既不在各数据群内，而且与各数据群的距离大于给定阈值，则表示装置损坏。

　　研讨对象为一台WP10六缸带隔音罩发电机组。实验台发电机组的飞轮端的齿轮盘上端装配电涡流传感器、在各缸的缸盖上安装加载度振动探头、在曲轴箱对角方向涡轮增压器上分别装配加转速振动探头，本文所讨论的震动信号即采集于安装在6#缸缸盖上的加转速振动传感器。为获取拖车式发电机组故障状态下的震动信号参数，康明斯模拟试验了低噪音柴油发电机组常见的三种损坏，分别为：失火，小头瓦磨耗和撞缸故障。具体流程如下：

　　(1) 失火故障：将6号缸的燃油进口用堵头堵住，其余各缸均保持正常供油，开车运转约10 min，速度稳定在600 转/分；

　　(2) 小头瓦磨耗故障：将6号缸的小头瓦拆下进行人为磨损减薄，然后重新装上，其他缸均正常，开车运转约10 min，转速保持在600 转/分；

　　(3) 撞缸损坏：将一段活塞环放入6号缸内，其他缸均正常，点火运行。开车运转约10 min，速度保持在600 转/分。

　　本文试验所装配震动传感器的采样频率为25 600 Hz，而室外型静音发电机组稳定转速为600 转/分。根据计算低噪音柴油发电机组振动信号每个周期包含约5 120个数据点。

　　通过试验，共采集正常状态下参数1 000组，其中800组作为训练数据，其余200组作为测试数据；各故障状态下数据200组，对参数进行时域分析。

　　设信号x(t)经过量化处置后分解成一组离散参数X={xi}，i=1， 2，…，n，则峰峰值为信号的最大值减去xmax最小值xmin，是信号变化的幅值范围，峰峰值对于隔音箱发电机组的失火和撞缸故障比较敏感。平均值是描述信号波动中心的变化，方差μx]2，描述的是信号的波动范围。标准差即方差S开方后的正平均根。均方值即，它的稳定性较好，但是对机械早期故障信号不敏感。峭度指标是无量纲参数，由于它与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，特别实用于表面磨损类损坏、尤其是早期故障的诊断。这几种指标是信号时域最主要的统计数据[13]，对安静型发电机组损坏较为敏感，可以有效地对装置的总体振级大小进行定量剖析，初步判别损坏[14]。因此，为了描述信号时域特征以及取得较好的故障判断效果，本文选定选均方值、峰峰值、平均值、峭度值、标准差和方差值六个时域特征作为信号的特点参数。

　　本文对各工况下振动信号经过时域特点提取后，得到4种工况下震动参数的6种特性值。然后对每一个特性在不一样的工况下的值求出取值范围，如表1所示。

　　从表1可知，六个时域特点量当中，不一样的损坏工况下的同一种时域特点量的取值范围是不尽相同的，故而各个时域特性量对低噪声柴油发电机组不同故障的灵敏度是不同的。

　　本文用优、良、中、差来衡量各特点量对不一样损坏工况的灵敏度，对初始输入损坏数据与正常参数之间的区别化做一个半定型的剖析，以此来选出适用于IMS聚类算法的聚类程序的特性量。“差”为损坏特点量和正常特征量范围大部分重合，重合率大于80%；“中”为损坏特征量和正常特性量小部分重合，重合率小于20%；“良”为损坏特性量和正常特点量范围不重合，但不一样故障特征量间范围大部分重合，重合率大于80%；“优”为损坏特性量和正常特征量范围不重合，但不同故障特性量间范围小部分重合，重合率小于20%，经过大量数据验证，这样的特性量可以更好地用于IMS聚类算法的聚类流程，如表2所示。

　　从表2可知，平均值、标准差和方差值对于区别全密封静音发电机组正常状态和各故障的效果并不是很好， 因此选型峭度值、峰峰值和均方值作为反映震动的3个特征参数构成特点向量，作为IMS算法的输入值。

　　应用归纳式监控算法对实验所得数据进行剖析，以室外型静音发电机正常工作状态下的800组数据作为训练样本，正常状态下其余200组数据和各损坏状态下的200组数据分别作为待测数据。

　　算法代码在MATLAB环境下实现，分为归一化、优化、训练、测试四个部分。根据上述数据和前面的剖析， 应用均方值、峰峰值和峭度值这3个参数作为IMS算法的输入向量。

　　因为提供的初始数据的不一样分量数量级差距很大，并且量纲不同，它们数值的变化与它们的重要性不一定相称。在聚类剖析中，剖析结果完全依赖于各个变量的变异度，因此需要统一参数尺度，即进行归一化，排除量纲区别。本文使用标准差规范化办法对样本数据进行归一化[15]

　　式中：x为原始训练样本参数；xmin为数据中最小值；xmax为数据最大值；x′为归一化之后的参数。归一化程序部分结果输出，如表3所示。防音发电机组

　　在使用距离阈值预判样本参数是否属于某一数据群时，应该有一优化途径对距离阈值进行优化，以最大限度的去除人为设定要素对诊断结果带来的干扰。

　　Fukuyama-Sugeno指数[16]可以作为适应度函数表征参数群分组是否合理，FS指数的计算方法为

　　式中：xij为数据群内各个参数点；vi为参考点；v为参考点的中心；C为参数群个数；N为该参数群内数据个数。在固定其他影响训练结果的因素时，FS最小时的D为最优值。通过MATLAB中优化工具箱中的遗传算法寻找适应度函数绝对值最小时所对应的D，即为D的最优结果。

　　由图4可知，当距离阈值D为1.70时，适应度函数值最小，距离阈值D与正常状态数据群个数的关系，移动电站如图5所示。此时对应的正常数据群个数为10个。

　　以归一化后正常状态参数、优化阈值D=1.70、数据群扩张系数E=1.02作为输入，训练结果即参数群上、下限、个数、各群内参数个数作为输出。具体输入输出结果，如表4和表5所示。

　　由于发电机组作业环境的起因，即使在正常作业状态下数据也可能出现些许波动，这些波动可能造成的结果就是被判定为损坏数据，这些参数被称为野点。为了提升报警的准确率减少“非法”超限参数和误判率，需要对野点进行预判解除。对于一个待测数据，数据可能的类型增加为四种。首先判断是否完全属于某个参数群的上、下限，若属于则为正常数据，若不属于，则进行下面的作业。

　　计算该参数点到数据群的最短距离，记为Dis；计算该点各分量到归一化中心的距离，根据设定去除距离最大的2个分量，计算余下分量到数据群的最短距离，记为Dis1。根据下表对Dis和Dis1与参数群阈值D和阈值变形(Num-2)/Num·D比较(Num为参数点分量个数)，进行参数型号预判[17]。野点判断准则，如表6所示。

　　将失火、小头瓦磨损和撞缸故障状态下的200组参数分别作为测试参数，输入到经过上述流程训练好的IMS聚类算法中，得到最后测试结。

-------------------------------------
康明斯动力设备（深圳）有限公司
静音箱式柴油发电机组销售供应与价格咨询-一站式预集成电力解决方案提供商
如果想要掌握更多低噪声柴油发电机组技术资讯，请在官网http://www.cms-power.com查询电话联系方式