PHM案例 | 發動機故障診斷、健康狀態評估

該型號發動機是V型6缸柴油發動機，是某裝備量較大的履帶車輛發動機，該型裝備應用地域較廣、環境比較惡劣，因此發動機損耗較大，為提高裝備的完好率、降低維護費用必須引入健康管理系統為視情維護提供充分的數據支撐。

根據對用戶和維修單位的走訪，我們了解到該型發動機的故障主要集中在氣缸和軸系相關部件，客戶希望通過PHM系統能隨時了解發動機以及每個氣缸的故障和健康狀態，為發動機維護提供依據。

另外，客戶維護人員中經驗豐富的比較少，希望PHM能提供一個專家系統，輔助客戶對發動機進行故障診斷。

案例概述

實時健康評估與故障診斷

基于數據的故障診斷和健康狀態評估，本質上是用各類狀態（故障）的樣本數據（如振動數據）去訓練計算機，什么樣的數據是什么故障或健康狀態，以便未來能根據采集的數據判定故障或健康狀態，這樣的優點是利用傳感器對故障信號的敏感性，早期發現故障或性能下降，便于有針對性地安排維護工作。

PHM的最終效果取決于訓練數據的質量，為獲得發動機各類狀態的數據，我們與整車維修廠和發動機維修單位合作，采集了上百臺大修前故障發動機數據（未來仍會持續），根據隨后發動機維護的情況對數據進行標記，采用PIDE進行算法模塊生成及模型訓練。如下圖所示。

圖 1 X型發動機PHM系統開發流程

項目開發流程：
● 根據我公司柴油發動機故障診斷的技術積累，確定傳感器布局和安裝方案。采用HM系列PHM處理器作為數據采集、數據處理平臺；
● 采用ALTK生成樣本數據文件格式，并導入PHM處理器用戶接口軟件；
● 采用PHM處理器進行發動機大修前數據采集，跟蹤發動機大修，根據大修結果對采集的數據進行標記；
● 將樣本數據導入ALTK，將樣本數據分為訓練集和測試集；
● 采用ALTK自動生成算法模塊，訓練模型，導出滿足OSA-CBM的算法模塊；
● 將所有算法模塊導入PHM系統集成軟件，集成PHM系統，進行模擬調試，生成安裝包；
● 將安裝包安裝到PHM處理器；

● 采用測試集對模型進行測試。 2.2

建立專家系統

根據客戶需求我們采用貝葉斯網絡算法建立發動機貝葉斯網絡模型，輔助初級技術人員對復雜故障進行診斷。

貝葉斯網絡是一種圖形化的概率模型，網絡中每一個節點表示一種故障模式，故障模式之間的有向弧表示故障的因果關系，用條件概率表描述故障模式和故障原因之間的概率依賴程度，采用貝葉斯網絡可以根據故障現象自動定量分析某一底層故障模式發生的概率。

如下圖，貝葉斯模型由兩部分組成，一個是貝葉斯網絡結構模型，是一個有向圖，描述了故障模式和故障原因的依存關系，本項目網絡結構模型采用算法工具箱軟件（ALTK），根據FMEA自動生成。另一部分是ALTK生成的條件概率表，初始的條件概率由設計人員和維護專家根據以往的經驗，未來可以根據維護數據，采用算法工具箱軟件進行訓練，迭代條件概率表，以便不斷改善模型的診斷效果。

圖 2 柴油發動機貝葉斯網絡模型生成流程

-版權所有，抄襲必究-

 

更多有關PHM健康管理的技術咨詢和商務服務，請訪問http://www.softtest.cn/留下您的詳細需求，或按以下方式聯系旋極信息：