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燃油系統進(jìn)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(wèn)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的參數進(jìn)行尋優(yōu)，以達到提高模型分類(lèi)性能的目的。通過(guò)康明斯發(fā)電機組燃油系統堵塞和泄漏實(shí)驗結果表明，KPCA提取的主特征向量有效表達了原始故障的特征信息，相比于傳統的BP神經(jīng)網(wǎng)絡(luò )和未經(jīng)參數優(yōu)選的LSSVM等分類(lèi)模型，基于KPCA-LSSVM的故障識別方法速度更快、分類(lèi)準確率更高。

 

一、燃油系統堵塞或泄漏故障分析

 

1、故障分析

      柴油發(fā)電機在運轉過(guò)程中突然停機，按壓手油泵，系統內充滿(mǎn)燃油后，繼續啟動(dòng)，但柴油發(fā)電機轉動(dòng)不到3分鐘，又突然停機，一般是由于燃油系統出現堵塞或漏氣所造成。燃油系統結構和原理如圖1所示。

2、故障原因

（1）油路中有空氣或各油路接口松動(dòng)，產(chǎn)生漏油現象；

（2）空氣濾清器部分堵塞，造成柴油發(fā)電機進(jìn)氣量不足；

（3）油路堵塞或進(jìn)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(shí)物如圖2所示），感覺(jué)油量符合規定，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，結果發(fā)現柴油濾芯已變質(zhì)，內部油泥較多，柴油濾芯已失去作用，更換新的濾芯，啟動(dòng)柴油發(fā)電機后，不到5分鐘，又在運轉中突然停機。

（2）拆下柴油濾清器回油螺絲，按壓手油泵，發(fā)現手油泵出油正常，手油泵密封良好。若無(wú)油出來(lái)，可能是油路進(jìn)空氣造成的，應立即進(jìn)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(kāi)柴油細過(guò)濾器的放氣閥。

③ 上下移動(dòng)手壓油泵，手壓油泵上移動(dòng)時(shí)，手壓油泵的進(jìn)油口打開(kāi)，柴油流向手壓油泵底部空間，當手壓油泵下移動(dòng)時(shí)，手壓油泵的進(jìn)油口關(guān)閉，油泵通往柴油細過(guò)濾器的排油口打開(kāi)、此時(shí)也是柴油細過(guò)濾器進(jìn)有過(guò)程，這樣周而復始的移動(dòng)手動(dòng)油伐，柴油細過(guò)濾器逐步裝滿(mǎn)

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

（3）拆下高壓油泵側蓋板，擰下4根高壓油管固定螺母，用一平口螺絲刀撬動(dòng)柱塞，觀(guān)察各缸是否出油，對柱塞和出油閥進(jìn)行檢查，結果也正常；燃燒室內密封不良，柴油發(fā)電機啟動(dòng)應該很困難，而這臺柴油發(fā)電機啟動(dòng)容易，不應該是氣門(mén)漏氣、氣門(mén)間隙或供油提前角方面的問(wèn)題。

（4）拆卸手油泵，對手油泵的滾輪和頂桿進(jìn)行檢查，檢查中發(fā)現滾輪進(jìn)入頂稈套內，兩個(gè)鎖片的位置相差90°，滾輪被卡死，無(wú)法來(lái)回彈動(dòng)，導致柴油發(fā)電機啟動(dòng)后，手油泵無(wú)法工作。

（5）調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(dòng)柴油發(fā)電機，觀(guān)察半小時(shí)后，無(wú)停機現象，故障即被排除。

 

圖1  康明斯柴油發(fā)電機燃油系統圖

圖2  康明斯手油泵實(shí)物圖

 

二、燃油系統故障實(shí)驗

 

      PT泵出油口壓力波動(dòng)情況主要取決于系統的工作狀態(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(shí)主要采用時(shí)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，分別提取怠速點(diǎn)油壓、最大扭矩點(diǎn)油壓、拐點(diǎn)轉速油壓及近停油點(diǎn)油壓作為4個(gè)特征值。這4個(gè)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、峰值系數、脈沖系數、裕度系數及峰峰值11個(gè)時(shí)域特征參數，共計15個(gè)特征值。其中一組數據的特征值如表1所示。

      5種不同工作狀態(tài)的部分時(shí)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，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(diǎn)轉速油壓值都分布在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象，如圖4所示，對于正常狀態(tài)、泵進(jìn)油堵塞和噴油器泄漏3種故障，其近停油點(diǎn)油壓值在0.025～0.075 MPa存在交叉重疊的現象。因此，任何單一的特征參量都無(wú)法準確區分PT燃油系統的工作狀態(tài)，為此需要進(jìn)行多特征參數的融合，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(jìn)行特征提取，原始特征矩陣在經(jīng)過(guò)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(gè)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燃油系統不同的工作狀態(tài)進(jìn)行識別。前2個(gè)主成分累積貢獻率如圖7所示。

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

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

表2   燃油系統所有樣本的綜合特征參數

     

      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(lèi)模型與其作對比，其中BP神經(jīng)網(wǎng)絡(luò )結構為3層，隱含層激活函數為雙曲正切函數，隱含層神經(jīng)元的個(gè)數是經(jīng)網(wǎng)絡(luò )訓練誤差對比確定的，輸出層采用線(xiàn)性激活函數。不同的分類(lèi)模型、模型的參數以及分類(lèi)結果如表3所示。

表3    不同方法的比較結果

     

      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(lèi)模型的訓練時(shí)間與測試樣本的分類(lèi)時(shí)間均較長(cháng)且識別率不高。本文并未與其他特征提取算法進(jìn)行對比，比如粗糙集、主元分析等，這些方法的對比將在后續研究工作中開(kāi)展。

      比較經(jīng)參數優(yōu)化的LSSVM分類(lèi)模型的識別結果可以看出，經(jīng)過(guò)參數優(yōu)化后，分類(lèi)模型的識別率提高了，減少了模型在選擇參數上的盲目性。同時(shí)，LSSVM模型和MPGA-LSSVM模型的識別率都大于BP神經(jīng)網(wǎng)絡(luò )，這也充分體現了LSSVM針對小樣本統計和預測學(xué)習方面的優(yōu)越性。而B(niǎo)P-NN算法由于過(guò)分依賴(lài)模型訓練過(guò)程中樣本數據的數量和質(zhì)量，因此在本文訓練樣本數據數量較小的情況下，故障識別率較低。

 

圖3  柴油機燃油系統拐點(diǎn)轉速油壓	圖4  柴油機燃油系統近停油點(diǎn)油壓
圖5  柴油機燃油系統偏度特征值	圖6  柴油機燃油系統峰峰值
圖7  前2個(gè)主成分累積貢獻率	圖8  前2個(gè)主分量的二維分布

 

三、結論

 

      針對PT燃油系統故障樣本數據數量小、不具備明顯頻域特征以及分類(lèi)器參數選擇的問(wèn)題，提出了KPCA和MPGA-LSSVM相結合的PT燃油泵故障診斷方法。主要結論如下：

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

（2）針對PT燃油系統油壓信號時(shí)域特征的特點(diǎn)，利用KPCA進(jìn)行特征參數提取，消除了不同時(shí)域特征值之間存在的交叉重疊現象，簡(jiǎn)化了分類(lèi)器結構，提高了模型識別的準確率。

（3）針對LSSVM參數選擇問(wèn)題，采用MPGA群智能算法進(jìn)行參數的優(yōu)選。通過(guò)對比BP-NN、未經(jīng)參數優(yōu)選的標準LSSVM以及有沒(méi)有經(jīng)過(guò)KPCA進(jìn)行特征提取等多種分類(lèi)模型的識別結果，說(shuō)明了經(jīng)過(guò)KPCA特征提取和經(jīng)MPGA參數優(yōu)選的LSSVM分類(lèi)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(shí)用性。

----------------
以上信息來(lái)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，請通知我們！
溫馨提示：未經(jīng)我方許可，請勿隨意轉載信息！
如果希望了解更多有關(guān)柴油發(fā)電機組技術(shù)數據與產(chǎn)品資料，請電話(huà)聯(lián)系銷(xiāo)售宣傳部門(mén)或訪(fǎng)問(wèn)我們官網(wǎng)：http://