康明斯动力（深圳）有限公司

新闻主题	柴油发电机油路堵塞或漏气的解决方法

摘要：为有效解决康明斯柴油发电机PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题，提出了基于核主元分析（KPCA）和最小二乘支持向量机（LSSVM）的故障识别方法。本文采用多种群遗传算法对LSSVM的参数进行寻优，以达到提高模型分类性能的目的。通过康明斯发电机组燃油系统堵塞和泄漏实验结果表明，KPCA提取的主特征向量有效表达了原始故障的特征信息，相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型，基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。

 

一、燃油系统堵塞或泄漏故障分析

 

1、故障分析

      柴油发电机在运转过程中突然停机，按压手油泵，系统内充满燃油后，继续启动，但柴油发电机转动不到3分钟，又突然停机，一般是由于燃油系统出现堵塞或漏气所造成。燃油系统结构和原理如图1所示。

2、故障原因

（1）油路中有空气或各油路接口松动，产生漏油现象；

（2）空气滤清器部分堵塞，造成柴油发电机进气量不足；

（3）油路堵塞或进油滤网堵塞；

（4）柴油发电机柴油滤芯堵塞；

（5）手油泵有故障；

（6）喷油泵卡死在不供油的位置；

（7）喷油器的喷油孔堵塞或针阀卡在不供油的位置。

3、故障排除方法

（1）拆下高压油泵回油螺丝，用右手按压手油泵压油（手油泵实物如图2所示），感觉油量符合规定，但柴油从滤清器流出的杂质较多，拆卸滤清器，检查柴油滤芯是否堵塞，结果发现柴油滤芯已变质，内部油泥较多，柴油滤芯已失去作用，更换新的滤芯，启动柴油发电机后，不到5分钟，又在运转中突然停机。

（2）拆下柴油滤清器回油螺丝，按压手油泵，发现手油泵出油正常，手油泵密封良好。若无油出来，可能是油路进空气造成的，应立即进行油路排空。

      手油泵排空气方法：

① 左旋手压油泵的锁紧帽，手压油泵处于泵油模式。

② 打开柴油细过滤器的放气阀。

③ 上下移动手压油泵，手压油泵上移动时，手压油泵的进油口打开，柴油流向手压油泵底部空间，当手压油泵下移动时，手压油泵的进油口关闭，油泵通往柴油细过滤器的排油口打开、此时也是柴油细过滤器进有过程，这样周而复始的移动手动油伐，柴油细过滤器逐步装满

④ 当继续往柴油细过滤器收油时，柴油细过滤器的排空气孔开始往外排空气，直至空气排完溢油为止。

（3）拆下高压油泵侧盖板，拧下4根高压油管固定螺母，用一平口螺丝刀撬动柱塞，观察各缸是否出油，对柱塞和出油阀进行检查，结果也正常；燃烧室内密封不良，柴油发电机启动应该很困难，而这台柴油发电机启动容易，不应该是气门漏气、气门间隙或供油提前角方面的问题。

（4）拆卸手油泵，对手油泵的滚轮和顶杆进行检查，检查中发现滚轮进入顶秆套内，两个锁片的位置相差90°，滚轮被卡死，无法来回弹动，导致柴油发电机启动后，手油泵无法工作。

（5）调整两锁片的相对位置，安装手油泵和各回油管螺丝、高压油管与高压油泵的固定螺帽。启动柴油发电机，观察半小时后，无停机现象，故障即被排除。

 

图1  康明斯柴油发电机燃油系统图

图2  康明斯手油泵实物图

 

二、燃油系统故障实验

 

      PT泵出油口压力波动情况主要取决于系统的工作状态，由于采集的油压信号不具备明显的频域特征，因此在信号处理时主要采用时域分析的方法。

      以正常状态的PT泵出油口压力信号为依据，分别提取怠速点油压、最大扭矩点油压、拐点转速油压及近停油点油压作为4个特征值。这4个特征值能够描述各种状态下信号的轮廓，然后计算不同状态油压信号的均值、方差、均方值、峰值、偏度、峭度、波形系数、峰值系数、脉冲系数、裕度系数及峰峰值11个时域特征参数，共计15个特征值。其中一组数据的特征值如表1所示。

      5种不同工作状态的部分时域特征值如图3~6所示。比较图4中不同工作状态的特征值分布可以发现，不同工作状态的部分特征值差距不是很明显，如图3所示，对于滤清器泄漏、喷油器堵塞和喷油器泄漏3种故障，其拐点转速油压值都分布在0.1～0.2 MPa，差距不是很明显。

      部分特征值存在交叉重叠的现象，如图4所示，对于正常状态、泵进油堵塞和喷油器泄漏3种故障，其近停油点油压值在0.025～0.075 MPa存在交叉重叠的现象。因此，任何单一的特征参量都无法准确区分PT燃油系统的工作状态，为此需要进行多特征参数的融合，消除多特征值之间的重叠和交叉，提高识别的准确性。

      采用高斯核的KPCA算法对原始特征矩阵进行特征提取，原始特征矩阵在经过标准化后，计算核矩阵、中心化核矩阵，得到矩阵特征值、各成分的贡献率以及累计贡献率如表1所示。

 表1    燃油系统特征值贡献及累积贡献率

     

      从表1可知，经KPCA提取的前2个主成分的累积贡献率为94.616 5%，达到了表达原始特征矩阵的目的。为此，文中选用主成分1和主成分2作为新的组合特征对PT燃油系统不同的工作状态进行识别。前2个主成分累积贡献率如图7所示。

      为了更直观地显示经KPCA特征提取后的效果，本文将提取的前2个主成分投影到二维平面显示，所有训练样本前2个主成分的二维分布效果如图8所示。

      由图8可知，经过KPCA处理后，其核主成分具有较好的聚类性能，提取的综合特征值分布区间明显，不同类别样本间的可分性明显变好。所有样本的综合特征参数如表2所示。

表2   燃油系统所有样本的综合特征参数

     

      为了检验文中所提算法的性能，本文采用其他2种不同的分类模型与其作对比，其中BP神经网络结构为3层，隐含层激活函数为双曲正切函数，隐含层神经元的个数是经网络训练误差对比确定的，输出层采用线性激活函数。不同的分类模型、模型的参数以及分类结果如表3所示。

表3    不同方法的比较结果

     

      由表3可知，与KPCA特征提取后的模型相比，在未经KPCA提取的情况下，分类模型的训练时间与测试样本的分类时间均较长且识别率不高。本文并未与其他特征提取算法进行对比，比如粗糙集、主元分析等，这些方法的对比将在后续研究工作中开展。

      比较经参数优化的LSSVM分类模型的识别结果可以看出，经过参数优化后，分类模型的识别率提高了，减少了模型在选择参数上的盲目性。同时，LSSVM模型和MPGA-LSSVM模型的识别率都大于BP神经网络，这也充分体现了LSSVM针对小样本统计和预测学习方面的优越性。而BP-NN算法由于过分依赖模型训练过程中样本数据的数量和质量，因此在本文训练样本数据数量较小的情况下，故障识别率较低。

 

图3  柴油机燃油系统拐点转速油压	图4  柴油机燃油系统近停油点油压
图5  柴油机燃油系统偏度特征值	图6  柴油机燃油系统峰峰值
图7  前2个主成分累积贡献率	图8  前2个主分量的二维分布

 

三、结论

 

      针对PT燃油系统故障样本数据数量小、不具备明显频域特征以及分类器参数选择的问题，提出了KPCA和MPGA-LSSVM相结合的PT燃油泵故障诊断方法。主要结论如下：

（1）PT燃油系统油压信号为典型的非平稳信号，不具备明显的频域特征，且不同工作状态下的时域特征参数存在交叉重叠的现象，单一特征参量无法准确识别燃油系统的工作状态。

（2）针对PT燃油系统油压信号时域特征的特点，利用KPCA进行特征参数提取，消除了不同时域特征值之间存在的交叉重叠现象，简化了分类器结构，提高了模型识别的准确率。

（3）针对LSSVM参数选择问题，采用MPGA群智能算法进行参数的优选。通过对比BP-NN、未经参数优选的标准LSSVM以及有没有经过KPCA进行特征提取等多种分类模型的识别结果，说明了经过KPCA特征提取和经MPGA参数优选的LSSVM分类模型具有更快的诊断速度和更高的准确率，具有更强的工程实用性。

----------------
以上信息来源于互联网行业新闻，特此声明！
若有违反相关法律或者侵犯版权，请通知我们！
温馨提示：未经我方许可，请勿随意转载信息！
如果希望了解更多有关柴油发电机组技术数据与产品资料，请电话联系销售宣传部门或访问我们官网：https://www.11fdj.com