面向船舶推進系統的數字孿生系統研發與實現*

馬世杰

(中國電子科技集團公司第二研究所,山西 太原 030024)

0 前言

伴隨著電子信息技術、人工智能技術以及數字孿生技術的飛速發展,船舶推進系統也得到了長足的進步[1]。推進系統是一種十分復雜的系統,作為船舶最重要的部件,推進系統的可靠性對船舶的穩定性具有決定作用。一方面由于船舶需要長時間在海上高溫、高鹽、高濕環境下航行,受元器件特性變化、絕緣老化以及電磁干擾等影響,系統內各部件面臨更大的故障風險,在推進系統中,推進變頻器若主電路發生故障必然造成元器件的損壞和報廢,會直接對船舶推進系統造成影響,另一方面難以全面采集實時工作數據,且對采集到的數據也不能得到有效利用,無法在線監控推進系統的運行狀態,一旦出現異常情況無法得到及時的救援,會直接影響整個船舶的運營[2]。近年來快速發展的數字孿生技術為船舶推進系統數字化、信息化、智能化轉型提供了新的解決思路。

本文針對目前推進系統數據采集處理難和運維難的問題,首先提出面向船舶推進系統的數字孿生系統架構,開發基于數據驅動的船舶推進數字孿生系統,獲取系統的全方面時效信息,通過將這些信息進行可視化呈現,能夠將運行機理復雜,結構復雜且內部狀態和過程不可見的系統變得透明,同時利用人工智能技術幫助決策者全面深入了解系統的性能、運行狀態及趨勢和任務需求等,有效支持系統的質量檢測和溯源、運維和故障診斷等功能的實現。

1 船舶推進系統數字孿生系統架構

船舶推進系統由發電機組、配電板、變換機構、推進機組、能量管理系統以及負載等部分組成。它的工作原理主要是通過柴油機或燃氣輪機帶動發電機發電,并將所發出的電經過配電板裝置進行用電分配后,傳輸給變換單元進行調壓、變頻、整流、逆變,最終將電能輸送給推進電機以及船上各用電機構,保證船舶正常航行和船上各用電部分的正常運作。圖1為船舶推進系統結構示意圖。

圖1 船舶推進系統結構示意圖

針對如何構建覆蓋船舶推進系統全要素、多維度、多尺度的精準數字孿生實體模型,實現對生產要素的精準刻畫,參考陶飛等[3]提出的數字孿生五維模型,設計了船舶推進系統數字孿生系統架構,如圖2所示。根據數字孿生五維模型理論,船舶推進系統數字孿生系統結構由物理實體、虛擬實體、服務、孿生數據和各組成部分間的連接。

圖2 船舶推進系統數字孿生系統架構

2 推進系統數字孿生系統關鍵技術

船舶推進數字孿生系統主要開展推進系統的高保真建模技術、多源異構數據融合技術、推進系統的狀態識別技術等關鍵技術。

2.1 推進系統高保真建模技術

虛擬模型是物理實體的忠實映射,通過研究幾何建模、機理建模、數據建模和可視化四個部分,構建基于機理-數據模型融合的孿生模型,主要技術思路如圖3所示。

圖3 基于機理-數據模型融合的孿生模型技術思路

1) 幾何和物理建模方面,采用SolidWorks工業建模軟件構建船舶推進系統模型,實現其結構參數、零部件間的約束與位置關系的精確表達,同時將所有零部件的材料屬性、受力、流量等仿真分析以及零部件間的約束關系進行詳細的定義,進而采用U3D對三維模型進行輕量化處理,并對曲面、拓撲關系進行優化,從而確保幾何模型在視覺上與推進系統的保真度。

2) 行為邏輯建模方面,基于方程定義的方式,采用U3D引擎構建推進系統機械子系統模型、電氣子系統模型、控制子系統模型以及運動過程行為模型等,支持推進系統運行狀態的虛實精確同步,從而具備高保真分析能力。

3) 規則模型方面,針對船舶推進系統惡劣的工作環境、擾動疊加分析等具體應用場景,基于先驗知識和實時數據,構建樣本數據集,從而采用深度學習方式構建工作擾動預測、疊加擾動預測等數據模型,并實現數據模型的自適應和自學習,從而獲得較高的保真度。

4) 可視化方面,基于Java Web技術,以幾何物理模型為可視化載體,以行為邏輯模型和規則模型為內核,實現各模型在服務層的互操作與可視化。其具體融合過程如下:在規則模型訓練階段,行為邏輯模型為規則模型提供先驗知識和仿真數據,提高規則模型的泛化能力和精度;數據模型在使用過程中不斷反饋調整機理模型,實現動態更新。

2.2 多源異構數據融合技術

船舶推進系統中涉及溫度、振動、流量等多種類型的傳感器,通過多源異構數據融合技術可以在最少傳感器配置的前提下,實現最優的數據決策效果,有效提高傳感器監測數據的準確度、可信度,降低信息的模糊度,從而得出適于決策的信息。

以推進變頻器為例,主要檢測數據分為四類:固定限值類、離散變量、跟負荷工況相耦合的變量和環境參數類,如表1所示。

表1 推進電機在線監測參數

根據先驗知識推進變頻器多發故障主要有開關器件開路、短路導致的電流畸變故障、電壓突變故障等。對主要反映故障情況和運行狀態的電流、電壓、振動等參數進行采集監測。

在多源異構的傳感器信息系統下,由于各傳感器自身性能、所處的工作環境等因素,一方面傳感器采集的數據會受到噪聲等干擾,另一方面得到的數據具有隨機性、模糊性以及不確定性,因此需要對采集的原始數據進行數據的處理。

數據處理主要包括:數據清洗、數據標準、數據輕量化。

1) 數據清洗通過剔除大量數據中冗余數據,來提高數據傳輸效率。

2) 數據標準是將多來源、多格式、不同特性的數據通過一定的特征規則進行標準化處理。

3) 數據輕量化的目的是根據數據的特征,優化數據維度來減少有效變量和數據存儲數量。

數據輕量化處理方法:數據規范化處理,縮放數據特征,使原始數據盡量映射到較小的特定區域;規范化處理,如最大-最小規范化和零一規范化等。

同時,采用時間同步算法進行時間戳同步,通過同步或異步的回調函數可以估算數據包在通信鏈路中數據的往返延遲,還可獨立地估算本地時鐘的偏差,從而在系統局域網內實現傳感器采樣時鐘的精確同步。

2.3 推進系統狀態監測技術

以推進變頻器為例,實現推進變頻器的全狀態監測,需要對變頻器內部電路、外部特性及關鍵電子器件進行參數在線監測,利用監測數據,提取特征參數,通過建立的機理模型實時分析變頻器目前的運行狀態。

IGBT作為推進變頻器核心電子器件,需要重復開關,會反復受熱應力沖擊作用,將會逐漸發生疲勞老化失效,嚴重影響器件的可靠性,從而直接影響到推進系統的運行效率。IGBT的故障失效在推進變頻器失效占比率高,IGBT的狀態監測能有效反映推進變頻器的健康狀態,因此選擇IGBT作為關鍵特征器件開展推進變頻器狀態監測研究。

IGBT器件在工作時,當流過電流將會在器件的集-射極產生一定的導通飽和壓降,且導通飽和壓降與器件的運行結溫以及器件老化狀態相關,因此可利用監測導通壓降作為關鍵特征參數來反映IGBT器件的運行狀態。

開展IGBT狀態監測原理與輸出特性曲線研究,分析其失效特性,以集-射極飽和壓降作為老化特征量,研究其與IGBT模塊的老化失效進程之間的關系。采用基于數據驅動的方法,搭建IGBT老化狀態的神經網絡及其變式的智能算法模型,研究關鍵特征參數監測數據分析方法,實現對模塊狀態與行為的準確描述。利用智能算法、預測模型及其他的統計學方法來學習退化系統或器件的退化行為并預測其未來的健康狀態。

同時,開展集-射極飽和壓降VCE(sat)在線監測方法的研究,解決狀態監測時由于在線監測電路靈敏度低、可靠性差導致的狀態監測不準確問題,如圖4所示。

圖4 IGBT狀態監測系統框架圖

3 結束語

運用數字孿生技術開展船舶推進系統的運維,可以通過人工智能算法分析推進系統的實時工況,并通過可視化的手段及時確定故障部位,并大幅提高故障的可追溯性,實現數據的資產化,降低船舶推進系統的運維成本,具有廣闊的應用前景。