新聞主題	柴油發(fā)電機油路堵塞或漏氣的解決方法

摘要：為有效解決康明斯柴油發(fā)電機PT燃油系統(tǒng)進油油路堵塞、濾清器泄漏、噴油器油路堵塞等多種典型故障診斷問題，提出了基于核主元分析（KPCA）和最小二乘支持向量機（LSSVM）的故障識別方法。本文采用多種群遺傳算法對LSSVM的參數(shù)進行尋優(yōu)，以達到提高模型分類性能的目的。通過康明斯發(fā)電機組燃油系統(tǒng)堵塞和泄漏實驗結(jié)果表明，KPCA提取的主特征向量有效表達了原始故障的特征信息，相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡和未經(jīng)參數(shù)優(yōu)選的LSSVM等分類模型，基于KPCA-LSSVM的故障識別方法速度更快、分類準確率更高。

 

一、燃油系統(tǒng)堵塞或泄漏故障分析

 

1、故障分析

      柴油發(fā)電機在運轉(zhuǎn)過程中突然停機，按壓手油泵，系統(tǒng)內(nèi)充滿燃油后，繼續(xù)啟動，但柴油發(fā)電機轉(zhuǎn)動不到3分鐘，又突然停機，一般是由于燃油系統(tǒng)出現(xiàn)堵塞或漏氣所造成。燃油系統(tǒng)結(jié)構(gòu)和原理如圖1所示。

2、故障原因

（1）油路中有空氣或各油路接口松動，產(chǎn)生漏油現(xiàn)象；

（2）空氣濾清器部分堵塞，造成柴油發(fā)電機進氣量不足；

（3）油路堵塞或進油濾網(wǎng)堵塞；

（4）柴油發(fā)電機柴油濾芯堵塞；

（5）手油泵有故障；

（6）噴油泵卡死在不供油的位置；

（7）噴油器的噴油孔堵塞或針閥卡在不供油的位置。

3、故障排除方法

（1）拆下高壓油泵回油螺絲，用右手按壓手油泵壓油（手油泵實物如圖2所示），感覺油量符合規(guī)定，但柴油從濾清器流出的雜質(zhì)較多，拆卸濾清器，檢查柴油濾芯是否堵塞，結(jié)果發(fā)現(xiàn)柴油濾芯已變質(zhì)，內(nèi)部油泥較多，柴油濾芯已失去作用，更換新的濾芯，啟動柴油發(fā)電機后，不到5分鐘，又在運轉(zhuǎn)中突然停機。

（2）拆下柴油濾清器回油螺絲，按壓手油泵，發(fā)現(xiàn)手油泵出油正常，手油泵密封良好。若無油出來，可能是油路進空氣造成的，應立即進行油路排空。

      手油泵排空氣方法：

① 左旋手壓油泵的鎖緊帽，手壓油泵處于泵油模式。

② 打開柴油細過濾器的放氣閥。

③ 上下移動手壓油泵，手壓油泵上移動時，手壓油泵的進油口打開，柴油流向手壓油泵底部空間，當手壓油泵下移動時，手壓油泵的進油口關(guān)閉，油泵通往柴油細過濾器的排油口打開、此時也是柴油細過濾器進有過程，這樣周而復始的移動手動油伐，柴油細過濾器逐步裝滿

④ 當繼續(xù)往柴油細過濾器收油時，柴油細過濾器的排空氣孔開始往外排空氣，直至空氣排完溢油為止。

（3）拆下高壓油泵側(cè)蓋板，擰下4根高壓油管固定螺母，用一平口螺絲刀撬動柱塞，觀察各缸是否出油，對柱塞和出油閥進行檢查，結(jié)果也正常；燃燒室內(nèi)密封不良，柴油發(fā)電機啟動應該很困難，而這臺柴油發(fā)電機啟動容易，不應該是氣門漏氣、氣門間隙或供油提前角方面的問題。

（4）拆卸手油泵，對手油泵的滾輪和頂桿進行檢查，檢查中發(fā)現(xiàn)滾輪進入頂稈套內(nèi)，兩個鎖片的位置相差90°，滾輪被卡死，無法來回彈動，導致柴油發(fā)電機啟動后，手油泵無法工作。

（5）調(diào)整兩鎖片的相對位置，安裝手油泵和各回油管螺絲、高壓油管與高壓油泵的固定螺帽。啟動柴油發(fā)電機，觀察半小時后，無停機現(xiàn)象，故障即被排除。

 

圖1  康明斯柴油發(fā)電機燃油系統(tǒng)圖

圖2  康明斯手油泵實物圖

 

二、燃油系統(tǒng)故障實驗

 

      PT泵出油口壓力波動情況主要取決于系統(tǒng)的工作狀態(tài)，由于采集的油壓信號不具備明顯的頻域特征，因此在信號處理時主要采用時域分析的方法。

      以正常狀態(tài)的PT泵出油口壓力信號為依據(jù)，分別提取怠速點油壓、最大扭矩點油壓、拐點轉(zhuǎn)速油壓及近停油點油壓作為4個特征值。這4個特征值能夠描述各種狀態(tài)下信號的輪廓，然后計算不同狀態(tài)油壓信號的均值、方差、均方值、峰值、偏度、峭度、波形系數(shù)、峰值系數(shù)、脈沖系數(shù)、裕度系數(shù)及峰峰值11個時域特征參數(shù)，共計15個特征值。其中一組數(shù)據(jù)的特征值如表1所示。

      5種不同工作狀態(tài)的部分時域特征值如圖3~6所示。比較圖4中不同工作狀態(tài)的特征值分布可以發(fā)現(xiàn)，不同工作狀態(tài)的部分特征值差距不是很明顯，如圖3所示，對于濾清器泄漏、噴油器堵塞和噴油器泄漏3種故障，其拐點轉(zhuǎn)速油壓值都分布在0.1～0.2 MPa，差距不是很明顯。

      部分特征值存在交叉重疊的現(xiàn)象，如圖4所示，對于正常狀態(tài)、泵進油堵塞和噴油器泄漏3種故障，其近停油點油壓值在0.025～0.075 MPa存在交叉重疊的現(xiàn)象。因此，任何單一的特征參量都無法準確區(qū)分PT燃油系統(tǒng)的工作狀態(tài)，為此需要進行多特征參數(shù)的融合，消除多特征值之間的重疊和交叉，提高識別的準確性。

      采用高斯核的KPCA算法對原始特征矩陣進行特征提取，原始特征矩陣在經(jīng)過標準化后，計算核矩陣、中心化核矩陣，得到矩陣特征值、各成分的貢獻率以及累計貢獻率如表1所示。

 表1    燃油系統(tǒng)特征值貢獻及累積貢獻率

     

      從表1可知，經(jīng)KPCA提取的前2個主成分的累積貢獻率為94.616 5%，達到了表達原始特征矩陣的目的。為此，文中選用主成分1和主成分2作為新的組合特征對PT燃油系統(tǒng)不同的工作狀態(tài)進行識別。前2個主成分累積貢獻率如圖7所示。

      為了更直觀地顯示經(jīng)KPCA特征提取后的效果，本文將提取的前2個主成分投影到二維平面顯示，所有訓練樣本前2個主成分的二維分布效果如圖8所示。

      由圖8可知，經(jīng)過KPCA處理后，其核主成分具有較好的聚類性能，提取的綜合特征值分布區(qū)間明顯，不同類別樣本間的可分性明顯變好。所有樣本的綜合特征參數(shù)如表2所示。

表2   燃油系統(tǒng)所有樣本的綜合特征參數(shù)

     

      為了檢驗文中所提算法的性能，本文采用其他2種不同的分類模型與其作對比，其中BP神經(jīng)網(wǎng)絡結(jié)構(gòu)為3層，隱含層激活函數(shù)為雙曲正切函數(shù)，隱含層神經(jīng)元的個數(shù)是經(jīng)網(wǎng)絡訓練誤差對比確定的，輸出層采用線性激活函數(shù)。不同的分類模型、模型的參數(shù)以及分類結(jié)果如表3所示。

表3    不同方法的比較結(jié)果

     

      由表3可知，與KPCA特征提取后的模型相比，在未經(jīng)KPCA提取的情況下，分類模型的訓練時間與測試樣本的分類時間均較長且識別率不高。本文并未與其他特征提取算法進行對比，比如粗糙集、主元分析等，這些方法的對比將在后續(xù)研究工作中開展。

      比較經(jīng)參數(shù)優(yōu)化的LSSVM分類模型的識別結(jié)果可以看出，經(jīng)過參數(shù)優(yōu)化后，分類模型的識別率提高了，減少了模型在選擇參數(shù)上的盲目性。同時，LSSVM模型和MPGA-LSSVM模型的識別率都大于BP神經(jīng)網(wǎng)絡，這也充分體現(xiàn)了LSSVM針對小樣本統(tǒng)計和預測學習方面的優(yōu)越性。而BP-NN算法由于過分依賴模型訓練過程中樣本數(shù)據(jù)的數(shù)量和質(zhì)量，因此在本文訓練樣本數(shù)據(jù)數(shù)量較小的情況下，故障識別率較低。

 

圖3  柴油機燃油系統(tǒng)拐點轉(zhuǎn)速油壓	圖4  柴油機燃油系統(tǒng)近停油點油壓
圖5  柴油機燃油系統(tǒng)偏度特征值	圖6  柴油機燃油系統(tǒng)峰峰值
圖7  前2個主成分累積貢獻率	圖8  前2個主分量的二維分布

 

三、結(jié)論

 

      針對PT燃油系統(tǒng)故障樣本數(shù)據(jù)數(shù)量小、不具備明顯頻域特征以及分類器參數(shù)選擇的問題，提出了KPCA和MPGA-LSSVM相結(jié)合的PT燃油泵故障診斷方法。主要結(jié)論如下：

（1）PT燃油系統(tǒng)油壓信號為典型的非平穩(wěn)信號，不具備明顯的頻域特征，且不同工作狀態(tài)下的時域特征參數(shù)存在交叉重疊的現(xiàn)象，單一特征參量無法準確識別燃油系統(tǒng)的工作狀態(tài)。

（2）針對PT燃油系統(tǒng)油壓信號時域特征的特點，利用KPCA進行特征參數(shù)提取，消除了不同時域特征值之間存在的交叉重疊現(xiàn)象，簡化了分類器結(jié)構(gòu)，提高了模型識別的準確率。

（3）針對LSSVM參數(shù)選擇問題，采用MPGA群智能算法進行參數(shù)的優(yōu)選。通過對比BP-NN、未經(jīng)參數(shù)優(yōu)選的標準LSSVM以及有沒有經(jīng)過KPCA進行特征提取等多種分類模型的識別結(jié)果，說明了經(jīng)過KPCA特征提取和經(jīng)MPGA參數(shù)優(yōu)選的LSSVM分類模型具有更快的診斷速度和更高的準確率，具有更強的工程實用性。

----------------
以上信息來源于互聯(lián)網(wǎng)行業(yè)新聞，特此聲明！
若有違反相關(guān)法律或者侵犯版權(quán)，請通知我們！
溫馨提示：未經(jīng)我方許可，請勿隨意轉(zhuǎn)載信息！
如果希望了解更多有關(guān)柴油發(fā)電機組技術(shù)數(shù)據(jù)與產(chǎn)品資料，請電話聯(lián)系銷售宣傳部門或訪問我們官網(wǎng)：http://