基于油液污染分析的发动机润滑油系统故障诊断方法研究

收稿日期:2005-09-02

作者简介:徐延军(1973—),博士后,主要研究方向为流体污染控制与可靠性.E 2mail:xuyj1973@1261com 1

基于油液污染分析的发动机润滑油系统故障诊断方法研究

徐延军1

　曹邦武

2

(1.解放军理工大学工程兵工程学院　江苏南京210007;2.空军装备部军械通用装备部　北京100843)

摘要:采用模糊神经网络处理监测数据,对某型装备的发动机润滑油系统的污染状况进行分析和故障诊断,并基于监测数据完成了神经网络的训练和效果的检验工作。根据分析结果进行有针对性的维修,可以节约大约30%的维修时间。

关键词:模糊神经网络;润滑油;污染分析;故障诊断

中图分类号:T H137　文献标识码:A 文章编号:0254-0150(2006)6-124-3

Research of Eng i n e Fault D i a gnosesM ethod Ba sed

on Lube Cont am i n a ti on Ana lyzi n g

Xu Ya n jun 1

　C ao B a ngw u

2

(1.Engineering College of Engineer Cor p s,P LA Univ of Sci &Tech,Nanjing J iangsu 210007,China;

2.O rdnance and GeneralMateriel B ranch,A ir Force Materiel B reau,Beijing 100843,China )

Abstract:Fuzzy nerve net w ork (F NN )was used to deal with the ins pecting data of the engine lube acquired fro m the

lube .The result was used to analyze the contam inati on level and diagnose the engine faults .The checking of the training effect of the FNN was accomp lished with the ins pecting data .About 30percent repairing ti me can be retrenched according to the result .

Keywords:fuzzy nerve net work;lube;contam ination analyzing;fault diagnoses

　某型发动机当前主要采用光谱分析法进行润滑油污染监测,主要检测Fe 、A l 、Cu 、Cr 、Zn 、Cd 、Ag 、

Pb 、Ti 、Sn 、Mg 、Si 等元素的含量。实际工作中只

是简单判断元素含量并根据检测结果给出系统的污染度是否超标,没有对检测结果中含有的关于零部件磨损的信息进行有效利用,也没有根据历史纪录对故障状况进行预测,造成了信息资源的浪费。更重要的是,由于无法提供故障部件的具体信息,对故障系统进行维修时经常采用逐件换件的方法,降低了维护人员的工作效率,也影响了装备的完好率和出勤率。本文作者采用模糊神经网络方法结合摩擦磨损理论对检测数据进行处理,通过对润滑油中各种元素含量进行分析,可以判断系统各个部位的磨损状况,从而为系统维修提供方向性意见和建议。

1　磨损分析

通过对油液进行光谱分析,可以得到的元素成分及其含量的具体数据,这些数据可以提供如下诊断信

息:

(1)根据元素成分及其含量结合运动副零件材

料的构成信息,可以判断磨粒产生的可能部位。

(2)根据添加剂和污染物元素成分及其含量,

结合润滑油的性能参数,可以判断油液的劣化变质程度。

故障分析时选取的磨损元素及来源如表1所示。

表1　磨损元素及来源

元素来 源

铁(Fe )阀门、轴承、齿轮、轴、环镁(Mg )衬垫、垫圈、活塞、轴承保持器、添加剂

铜(Cu )轴承、轴套、齿轮、阀门、垫片

铅(Pb )密封件钛(Ti )压缩机盘硅(Si )

环境灰尘

　为了便于处理,根据维护工作的实际经验,结合表1设置故障的对应编码。如表2所示。

表2　故障的对应编码

故障编号

1

2

3

4

5

6

故障可能原因

齿轮、轴承

活塞、添加剂

轴承、轴套

密封件

压缩机盘

密封失效

2006年6月

第6期(总第178期)

润滑与密封

LUBR I CATI O N ENGI N EER I N G

June 2006

No 16(serial No 1178)

2　

逻辑模糊神经网络图1　模糊神经网络结构

鉴于零部件的磨损程度和故障程度都是非定量的模糊概念,为了便于分析,采用模糊神经网络处理光谱分析的结果,从而在最大限度上有效利用现有信息,对系统的磨损和故障情况进行评估和诊断。

考虑系统数据为正数,模糊逻辑操作是定义在

[0,1]正区间,这里采用单极逻辑模糊神经网络。

逻辑模糊神经元是具有模糊权系数,并且可对输入的模糊信号执行逻辑操作的神经元。模糊神经元所执行的模糊运算有逻辑运算、算术运算和其它运算。

网络结构如图1所示。

该神经网络是一个5层的前向网络,各层含义如下:

(1)输入层。本层中的每个神经元表示1个输

入变量。

(2)前提隶属数层。本层神经元用于模拟隶属

度函数。

(3)规则层。规则层的神经元用于模拟模糊推

理,本层神经元完成模糊“与”运算。

(4)结论层。每个规则神经元与本层中表示相

应结论的神经元相连。按照前面所介绍的模糊关系运算方法,结论神经元的转移函数应为模糊“或”运算:

f (S j )=∑i

(θij ・

σij ・X i )/∑i

(σij ・X i )(5)输出层。输出神经元的个数等于输出变量

的个数。本层神经元的作用有两个,不仅用来模拟结论的隶属度函数,还要完成去模糊运算,输出精确量。

3　系统建模311　数据预处理

在光谱检测数据分析中,选取测得数据中的6个具有典型代表性的元素:Fe 、Mg 、Cu 、Pb 、Ti 和Si

的质量分数进行分析。为了避免因采样和系统运行过程补油等工作带来的影响,采用比例三限值法进行数据的预处理。比例三限值法得公式如下:

E (x )=

1

n

∑n

i =1

x i

σ(x )=

1

n

∑n

i =1

[x i -E (x )]

2

式中:x i 为某种元素在检测对象同期相关成分中所占的比例;E (x )为其比例统计的期望值;σ(x )为其均方差。

结合工作实际,磨损元素的比例三限值可以确定为:

正常磨损:E (%)+σ(%)亚正常磨损:E (%)+2σ(%)异常磨损:E (%)+3

σ(%)312　隶属度函数选取

数据预处理后,取各个元素的质量分数比例三限值作为系统输入构成系统输入向量X =[X 1,X 2,

X 3,X 4,X 5,X 6]。各个元素均采用3个模糊子集描

述元素的相对质量分数比例三限值:{正常,亚正

常,异常},计为{NM ,PS,P M },隶属度函数均

为高斯型。

另外,对于机械系统来说,系统的故障概率服从浴盆曲线,在系统的磨合期以及即将到达系统的使用寿命时故障率较高。因此有必要根据系统的运行时间对各个元素的含量进行修正,在此引进时间修正因子

T,T 的隶属度函数和系统的故障浴盆曲线相关。定

义为双边高斯型隶属函数。定义如下:

T =

1-ex p (-(x -215)

2

4

) x <5

1-ex p (-

(x -4715)

2

4

) x >45

其中:系统大修时间为50个时间单位。

综上,定义[X,T ]为系统的输入矩阵。定义

Y (n )为输出故障矩阵:Y (n )=019～1为临界故障

状态;Y (n )<019为正常;Y (n )=1为故障状态。

Y (n )=1时必须对相应重点零部件进行检测并换油。

采用3个模糊子集描述故障隶属度Y (n ):{正

常,临界,故障}。计为{NM ,PS,P M },隶属度

函数为阶梯型。

4　网络训练

应用MAT LAB615编写程序,取学习率β=010001,

5

212006年第6期徐延军等:基于油液污染分析的发动机润滑油系统故障诊断方法研究