（维保技术）柴油发电机燃油系统堵塞或泄漏实验与故障阐释

摘要：为高效解除康明斯柴油发电机PT燃油系统进油油路堵塞、滤清器泄漏、喷油嘴油路堵塞等多种典型故障解除问题，提出了基于核主元详解（KPCA）和较小二乘支持向量机（LSSVM）的事故辨识措施。本文采用多种群遗传算法对LSSVM的数据进行寻优，以达到提升模型类型性能的目的。通过柴油发电机组燃油机构堵塞和泄漏实验结果表明，KPCA提取的主优点向量有效表达了原始故障的优势信息，相比于传统的BP神经网络和未经参数优选的LSSVM等类型模型，基于KPCA-LSSVM的事故辨认对策转速更快、类型正确率更高。

      柴油发电机在运行程序中突然熄火，按压手油泵，装置内充满燃油后，继续起动，但柴油发电机转动不到3分钟，又突然熄火，一般是因为燃油装置产生堵塞或漏气所造成。燃油系统组成和原理如图1所示。

（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，拆装滤清器，查验柴油滤清器是否堵塞，结果发现柴油滤清器已变质，内部油泥较多，柴油滤芯已失去作用，替换新的滤清器，起动柴油发电机后，不到5分钟，又在运行中突然停机。

（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。

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，油泵通往柴油细滤清器的排油口打开、此时也是柴油细滤清器进有步骤，这样周而复始的移动手动油伐，柴油细滤清器逐步装满

④ 当继续往柴油细滤清器收油时，柴油细滤清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验，结果也正常；燃烧室内密封不佳，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）拆装手油泵，对手油泵的滚轮和顶杆进行检验，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，不能来回弹动，引起柴油发电机起动后，手油泵不能作业。

（5）调节两锁片的相对位置，装配手油泵和各回油管螺丝、高压油管与高压油泵的固定螺帽。起动柴油发电机，观察半小时后，无停机现状，损坏即被排除。

      PT泵出油口压力波动状况主要取决于装置的工作状态，由于采集的油压信号不具备明显的频域特征，因此在信号解决时具体采用时域细说的手段。

      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、最大功率点油压、拐点速度油压及近停油点油压作为4个特点值。这4个特点值能够描述各种状态下信号的轮廓，然后计算不一样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个特点值。其中一组数据的特点值如表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点值分布可以发现，不同作业状态的部分优势值差距不是很明显，如图3所示，对于滤清器泄漏、喷油嘴堵塞和喷油器泄漏3种事故，其拐点速度油压值都分布在0.1～0.2 MPa，差距不是很明显。

      部分优点值存在交叉重迭的现状，如图4所示，对于正常状态、泵进油堵塞和喷油嘴泄漏3种故障，其近停油点油压值在0.025～0.075 MPa存在交叉重迭的状况。因此，任何单一的特点参量都无法准确区分PT燃油机构的工作状态，为此需要进行多优点数据的融合，处置多特点值之间的重迭和交叉，提升辨认的准确性。

      采用高斯核的KPCA算法对原始优点矩阵进行优势提取，原始优点矩阵在经过标准化后，计算核矩阵、中心化核矩阵，得到矩阵特点值、各成分的贡献率以及累计贡献率如表1所示。

      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%，达到了表达原始优点矩阵的目的。为此，文中选用主成分1和主成分2作为新的组合优点对PT燃油机构不一样的作业状态进行识别。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解决后，其核主成分具有较好的聚类性能，提取的综合优势值分布区间明显，不一样类型样本间的可分性明显变好。所有样本的综合特点参数如表2所示。

      为了查看文中所提算法的性能，本文采用其他2种不同的类别模型与其作对比，其中BP神经网络构成为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、模型的数据以及分类结果如表3所示。

      由表3可知，与KPCA特点提取后的模型相比，在未经KPCA提取的情形下，类别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。本文并未与其他优点提取算法进行对比，比如粗糙集、主元叙述等，这些途径的对比将在后续研究作业中开展。

      比较经参数优化的LSSVM类别模型的辨认结果可以看出康明斯官网备件查询，经过数据优化后，类型模型的辨认率提升了，减小了模型在选购数据上的盲目性。同时，LSSVM模型和MPGA-LSSVM模型的辨认率都大于BP神经网络，这也充分体现了LSSVM关于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参数的数量和质量，因此在本文训练样本参数数量较小的情形下，事故辨认率过低。

      关于PT燃油装置故障样本数据数量小、不具备明显频域特点以及类别器参数选用的问题，提出了KPCA和MPGA-LSSVM相结合的PT燃油泵损坏解除办法。具体结论如下：

（1）PT燃油系统油压信号为典型的非平稳信号，不具备明显的频域优点，且不同作业状态下的时域优势数据存在交叉重迭的状况，单一优点参量无法正确辨识燃油机构的工作状态。

（2）关于PT燃油装置油压信号时域优势的优点，利用KPCA进行特点数据提取，消除了不同时域特征值之间存在的交叉重迭情形，简化了分类器组成，提升了模型识别的准确率。

（3）针对LSSVM数据选定问题，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进行特点提取等多种类型模型的辨认结果，说明了经过KPCA优点提取和经MPGA数据优选的LSSVM类型模型具有更快的诊断转速和更高的正确率，具有更强的工程实用性。