Conditiebewaking van een drukvulgroepsysteem bij een 2-tact dieselmotor

W.A. Buwono

Technische Universiteit Delft

FacUlteit der Werktuigkunde en Maritieme Techniek

Vakgroep Maritieme Techniek

Sectie OEMO

Van Ommeren Shipping B.V.

Rotterdam

Conditiebewaking van een drukvulgroepsysteem

bij een twee-takt dieselmotor

Voorwoord

Dit verslag is het resultaat van mijn vierdejaaropdracht. lk wit iederen bedanken die aan de tot standkoming van dit verslag heeft bijgedragen.

Mijn dank gaat vooral uit naar Prof. J. Klein Woud en Van Ommeren Shipping B.V. die mij de mogelijkheid boden deze opdracht tilt te voeren. Het was een nuttige ervaring en ik geloof dat het belangrijk voor mijn toekomst is.

Mijn speciale dank gaat uit naar Ir. J.L. van Herwerden voor zip begeleiding tijdens mijn afstuderen. Daarnaast gaat mijn dank uit naar P.R. Meijer en A. De Vries van Technische

Dienst van Van Ommeren Shipping B.V. te Rotterdam voor het verstrekken van alle gegevens.

Tenslotte wil ik rmjn vrouw Tina en mijn dochters Azka en Asfara bedanken voor huh staid en aanmoediginizen tijdens mijn studie.

Opdracht

Deze opdracht worth in samenwerking met de rederti Van Ommeren Shipping BV uitgevoerd. De reder heeft interesse voor een ondersteunend systeem waarmee de conditie van drukvulgroep en luchtkoeler bewaakt kan worden.

Voor de voortstuwing wordt een twee-takt 6 cilinder Sulzer dieselmotor toegepast van het type RTA 76, welke voorzien van een ABB drukvulgroep van het type VTR 714A-32.

De opdracht omvat het volgende:

De inventarisatie van reeds ontwikkelde diagnosemethodieken voor een

drukvulgroepsysteem (drukvulgroep

luchtkoeler) an de

hand van literatuuronderzoek.

Het selecteren van een diagnosemethodiek vvelke het meest geschikt is voor dit probleem.

Het uitwerken en tunen van de gekozen diagnose aan de hand van de beschikbare metingen en gegevens.

+ r

Samenvatting

Aan de hand van de literatuuronderzoek worth mil aantal reeds ontwikkelde diagnosemetho-dieken voor een drukvulgroepsysteem geinventariseerd. De diagnosemethodieken zijn de Rule Based Eexpertsysteem, Patroonherkenning, Componentbewaking,Vector Analyse, Neuraal Net--werk, Fuzzy Logic en Multilevel Flow Modelling.

Van de methodieken wordt eon methodiek gekozen welkegeschik is voor de conditiebewaking van het drukvulgroep van een 6 cillinder Sulzer ,dieselmotor van het type RTA 76.

De benodigde meetdata voor dit onderzoek wordt elke dag tijdens het varen van het schip visual

Ii

gemeten. Omdat elke component van het drukvulg,roepsysteem eenverschillende schoonmaak-interval heefi is het moelijk om een model te bouwen van het volledige, gezonde systeem. Gegeven deze feiten is de Componentbewaking de meest eenvoudige toepassing, die bovendiem een beter resultaat oplevert. Bij deze methode wordt elke component apart bewaakt, d. w. z. een compleet systeemmodel niet nodig. Een andere voordeel is dat de storingdirekt gekwantificeerd wordt.

In dit geval' is het drukvulgroepsysteem in 4 componenten onderscheiden, luchtfilter, lucht-koeler, compressor en turbine. Van elke component is model gemaakt en vervolgens d.m.v. refe-, rentiemetingen getuned. Voor de diagnose van de conditie van de diverse componenten wordt een zogenaamde conditieparameter geintroduceerd. Deze conditieparameters vergelijken een actuele gemeten waarde van een procesparameter/ variabele met een door het model geleveerde referentiewaarde.

Voor de luchtfilter zijn twee referentiemodellen gemaalct: een gebaseerd op de warmteover-dracht, den gebaseerd op stroming. De vervuilingsproces in de luchtkoeler loopt heel langzaam. Na ongeveer 8 maanden laten vervuilen vertonen de conditieparameters nietveelverschillen met de conditieparameters in de gezonde toestand.

Voor de compressor zijn drie referentiemodel len ontwikkeld, te weten,: een gebaseerd op druk-verhouding, een gebaseerd op temperatuurverhouding en een gebaseerd op isentropisch rende-ment. Na een verlenging van de schoonmaakinterval tot &en maand in plaats van een dag verto-nen de conditieparameters geen verschillen met deconditiparameters in de gezondeconditie. De verlenging van de schoonmaakinterval is, dusnot.;aanvaardbaar.

Voor de turbine .worden ook drie referentiemodellen gemaakt: den gebaseerd op drukverhou-ding, een aebaseerd op temperatuurverhouding en een gebaseerd op isentropisch rendement. Na ongeveer een maand laten vervuilen worden veranderingen in de conditieprameters, gebaseerd op drukverhouding en gebaseerd op temperatuurverhouding,gemerkt. Met andere woorddat de turbine vervui Id as ,geworden,

Voor de luchttilter wordt den model, gebaseerd op stroming, gemaakt. De conditieparameters in de vervuilde conditie vertonen Metveel verschi lien met die van de gezonde conditie. Maar men kan duidelijk een toename van de parametersbinnen een maand ziem

INHOUDSOPGAVE Voorwoord Opdracht im Samenvatting

In'tiding

Het conditiebewakingssysteeM

1.1 De opbouw van het conditiebewakingssysteem

/./

Net monitoringssysteem

2.3 I let diag,nosesysteem

2.4 Trendanalyse en storingspredictie

3 Typen diagnosemethodieken 3.1

3.1 Rule Based Expertsysteciii

3.2 Patroonherkenning 3.4

3.3 Componentbewakingt 3.7

3.4 Vector Analyse 3. WE

3.5 Neuraal Netwerk 3.12

3.6 Fuzzy Logic 3.15

3.7 Multilevel Flow Modelling _3.20

3.8 Keuze van diagnosemethodiek, 3.24

4

De dieselmotor en het drukvulgroepsyskeM 4.1

4.1 De dieselmotor _4.2

4.2 De drukvulgroep

4.2.1 De compressor 4.4

4.2.2 Be turbine 4.5

4.2.3 Net luchtfi I ter 4.8

4.3 De efficiency booster 4.10

4.4 [Del uchtkoe ler _4.13

,4.5 Aanwezige meetapparaten 4.13

5 Componentbewaking voor een drukvulgroepsysteem 5.1

5.1 Luchtkocler 5.2

5.2 Compressor _5.13

5.3 Turbine 5.19

5.4

luchtfilter

_5.26,

6 De meetresultaten _6.'1

6.1 De Ltemeten variabelen Y6.1

6.2 De correctie van de gemeten druk 6.2

6.3 De benadering van onbekende variabelen

6.3.1 Onbekende druk 6.3.2 Onbekende itemperatuur 6.3 1 2 ,.1 2.1 2.3 3.2 6.1

De referentiemodellen 7.1

7.1 De modellen van de luchtkoeler 7.1

7.1.1 Het model van de warm teoverdracht 7.1

7.1.2 Het stromingsmodel 7.4

7.2 De modellen van de comprssor 7.7

7.2.1 Het model van de drukverhouding. 7.7

7.2.2 Het model van de temperatuurverhouding 7.10

7.2.3 Het model van het rendement 7.12

7.3 De turbinemodellen 7.15

7.3.1 Het model van de drukverhouding 7.15

7.3.2 Het model van de temperatuurverhouding 7.18

7.3.3 Het modelvan bet rendement 7.20

7.4 Het luchtkoelermodel 7.23 S Conclusies 8.1 9 Referenties 9 1 10 Symbolen- en indiceslijst 10.1 10.1 Symbolen 10.1 10.2 Indices 10.2 Bijlagen:

Medium eigenschappen van lucht en water

II

Luchtmassastroomschatter

III Geometric Moving Ava rage (C MA) Control

IV Gezonde meetdata

II Inleiding

Dit onderzoek vond plaats in opdracht an rederij Van Ommeren Shipping BV., een reder van een zestal bulkcarriers, elk met een grootte van 42.000 mts. Aan boord van deze zeeschepen vindt momenteel nauwelijks conditiebewaking van de voortstuwingsdieselmotor plaats en wordt

voornamelijk periodiek onderhoud gepleegd in plaats van conditie-afhankelijk onderhoud. Aan-gezien am. het drukvulgroepsysteem onderhoudsgevoelig is, bestaat er bij de reder belangstel-ling voor een ondersteunend systeem waarmee de conditie vandrukvulgroep en luchtkoeler be-waakt kan worden.

De opdracht omvat de volgende onderdelen

De inventarisatie van reeds ontwikkelde diagnosemethodieken voor een drukvul-groepsysteem (drukvulgroep luchtkoeler) aan de hand van literatuuronderzoek. Het selecteren van een diag,nosemethodiek welke het meest geschikt is voor dit probleem.

Het uitwerken en tunen van de gekozen diagnose aan de hand van de beschikbare metingen en gegevens.

Dit rapport heeft de volgende structuur:

In hoofdstuk 2 wordt een aantal redenen genoemd om een conditiebewakingsysteem te instal-leren. Oak warden de eisen genoemd waaraan een dergelijk systeem dient te voldoen, gevolgd door een beschrijving van de opbouw ervan.

In hoofdstuk 3 wordt aan de hand literatuuronderzoek een aantal diagnosemethodieken geInven-tariseerd. Enkele van deze methodieken zijn reeds eerder bij een machine-installatie en/of een drukvulgroepsysteem toegepast. Aan het eind van dit hoofdstuk wordt een keuze gemaakt voor de meest geschikte diagnosemethodiek voor een drukvulgroepsysteem.

Hoofcistuk 4 beschrijft het voortstuwingssysteem en het drukvulgroepsysteem aan board van de schepen. In deze systemen bevinden zich een aantal meetsensoren welke de voor het diagnoti-seren benodigde variabelen meten.

In hoofdstuk 5 volat een beschrijving van de componentbewaking, de uiteindelijk verkozen thodiek, en wordt deze voor de betreffende cornponenten toegepast. Deze cornponenten zijn de lucht-koeler, de compressor, de turbine en het I uchtfi her.

De conditieparameter van elk component wordt bepaald door de actuele waarden van uitganus-variabelen of procesparameters te vergelijken met referentiewaarden.

In hoofdstuk 6 warden de tzemeten vartabelen en de meetresultaten aan board van de schepen

wee rgegeven

In hoofdstuk 7 worth het referentie model van elk component hepaald aan de hand van metinaen.

(.ontin febewu king van drukvulgroep/OEM() 95 141

1.1 +

me-(.ondriiebewaking van drukvulgroep /OEM() 95 14]

In hoofdstuk 8 wordt dit rapport met een paar conclusies en aanbevelingen afgesloten. In hoofdstuk 9 en 10 vol eeni respectievelijk de referentie- en de symbolenlijst.

2 Het conditiebewakingssysteem

Systemen aan boord van schepen zijn tegenwoordig steeds Ineewikkelder. Bovendien is het ver-loop van de conditie van deze systemen als een functie van de tijd vaak onbekend. Een gevolg hiervan is dat vaak onnodig of te vroeg onderhoud wordt uitgevoerd. Om dit te voorkomen wordt steeds vaker een onderhoudspolitiek gevoerd met behulp van een zogenaamd conditiebewakings-systeem.

De functies van een dergelijk bewakin2ssysteem zijn Het indiceren van een storingsvorm

Het lokaliseren van een opgetreden storing (conditie wijkt af van gezond) Het aangeven van de grootte van een storing

Het aangeven van een onderhoudsvoorspel ( tijd totdat storing ontoelaatbaar wordt geacht en onderhoud dus nodie is) en advies

Een voorwaarde hierbij is dat er een eigenschap aanwijsbaar dient te zijn die relevant is voor de conditie van het systeem of die maatgevend is voor het optreden van een bepaalde storingsvorm. Voor deze laatstgenoemde functie is niet alleen het vaststellen van de momentane waarde van de conditie eigenschap van belang, maar ook van het verloop donrvan. Voorts dient een grens te worden vastgesteld waarboven een storing ontoelaatbaar wordt geacht.

2.1 De opbouw van het conditiebewakingssysteem

Bewakingssvstemen worden tegenwoordie op vele terreinen toegepast. Tevens zijn er vele tech-nieken beschikbaar voor de ondersteuning ervan. Een bewakingssysteem kan uitduedelen wor-den opgebouwd: een monitortngsysteem, een diagnose.systeem en een trendanalyse predictie.

Condit lebewuking Van clrukvulgroep /0/...A10 95 14/

machine ;woos

systeem %anahelen

monitonng Ampiiiincii diagnose

svsteem systeem 0.1nplomn-,..u/aken (Venda' alyse predictie aCt

Figuur 2.1 Algemene ophouw van een condi, tehewukingssvsteem

io.a.::

2.2 Het monitoringsysteem

Bij het monitoring,systeem worden eerst, m.b.v. sensoren, de procesvariabelen gemeten en

even-tueel de procesparameters berekend. Hierbij vindt tevens een eerste grovecontrole plaats van de sensorwaarden, om al in een vroeg stadium eventuele sensorfouten of fouten in de meetappa-ratuur te onderkennen. Vervolgens worden met behulp van een referentiemodel, welke de waar-den van alle gemeten variabelen of berekende procesparameters bij een gezonde conditie !evert, de conditieparameters of symptomen vastgesteld met betrekking tot respectievelijk de kwantita-tieve en de kwalitakwantita-tieve diagnose (zie figuur 2.2). Voorts zal het monitoringsysteem bepalen of de conditieparameters of symptomen een vooraf gestelde drempelwaarde overschrijden. De drempelwaarde wordt bepaald door de invioed van van sensorruis en procesruis.

Conclitiebewaking van drukvulgroep 101-: MO 95 141

sensoren sensoren_

" lcsessorcontrole

referenne model van gezonde

systeem

Figuur 2.2 lien voorbeeld van een monitoongssysteem

2.3 Het diagnosesysteem

Indien een of meer conditieparameters7symptomen de drempelwaarde hebben overschreden, is het noodzakelijk om de oorzaak daarvan te bepalen. Daartoe dient men het effect van storingen op procesvariabelen te weten te komen en een diagnosetechniek totzijn beschikking hebben.

Allereerst dienen mogelijke storingen te worden geinventariseerd. Hierbij kan men gebruik maken van twee methoden:

De interview methode; infonnatie worthingewonnen door vraaggesprekken met deskundigen, zoals ontwerpers, operators en onderhoudsdeskundigen.

aerucle

uitgangsvariabelen symptomeni

vergelijken

referentie conditieparameter

uitgangsvariabelen

in an s werkclijke actual< uttgangsvarinbeiC13

Condit iebewuking van clrukvu1groep /OEM() 95 141

De analvtische methode: storingsvormen worden systematisch geinventariseerd. Bijvoorbeeld : Fault Tree Analysis (FTA), Event Tree Analysis (ETA) of Failure

Mode and Effect Analysis (FMEA).

Het is belangrijk om een complete lijst van mogelijke storingen op te stellen, anders kan men tijdens de diagnose problemen verwachten wanneer een onverwachte en niet gedefinieerde storing optreedt. In dat geval zal de diagnose waarschijnlijk leiden tot eenfoutieve conclusie of een combinatie van meerdere foutegevolgtrekkingen.

De relatie tussen storingen en symptomen, in de vorm van een storings-symptoom matrix, kan kwalitatief of kwantitatief worden aangegeven. Een kwalitatieve diagnose (buy. patroonher-kenning [Herwerden, 1992]) kan alleen leiden tot identificatie van de storing(en),tervvijI een

kwantitatieve diagnose (bijv. vector analyse [Fase, 19921) in staat is om ook de ernst van de storing te bepalen.

2.4

Trendanalyse en storingspredictie

Trendanalyse en storingspredictie geven een prognose van het storingsgedrag. Ze zijn alleen van belang bij een kwantitatieve diagnose.

Door middel van een trendanalyse bepaalt men hoe de gesignaleerde storing(en), afgezet tegen de tijd, verlopen. Een voorbeeld hiervan is het bepalen van conditieparameter als functie van de tijd.

[Elliot, 1990] beschrijf1 de toepassing van een trendanalyse op een dieselmotor.

Met een storingspredictie probeert men te voorspellen wanneer de storing(en) een vooraf vast-gestelde alarmgrens overschrijdt, zodat tijdig passende maatregelen overwogen kunnon worden. Deze maatregelen kunnen bijv. bestaan uit onderhoud, operationele beperkingen, uit bedrijf nemen, etc.

3. Typen diagnosemethodieken

De keuze van de diatmosemethodiek is afhankelijk van diverse factoren. Het maakt bijvoorbeeld een wezenlijk verschil of een conditie bewakingssysteem moet worden ontworpen voor een installatie, waarbij sensoren mogen worden toegevoegd of dat slechts gebruik gemaakt mag worden van de reeds aanwezige sensoren. Voor de ontwikkeling van een conditie bewakings-systeem leidt dit tot twee totaal verschillende benaderingen.

In het eerste geval zal men eerst een inventarisatie maken van de storingen welke men will kunnen detecteren en vervolgens een diagnosemethodiek kiezen, hetgeen de keuze van de daar-voor benodigde sensoren bepaalt.

En het tweede geval bepalen de reeds aanwezige sensoren tezamen met de gekozen diagnose methodiek de storingen welke gedetecteerd zullen worden. Deze laatstgenoemde situatie is aan de orde bij de ontwikkeling van een conditie bewakingssysteem voor het drukvulgroepsysteem van de Sulzer 6 RTA 76 dieselmotor aan boord van enkele schepen van Van Ommeren Shipping

B. V.

Daarnaast zal men zich moeten afvragen of een kwalitatieve dan wet kwantitatieve storings-diagnose gewenst is. Met een kwalitatieve storingsstorings-diagnose kan men alleen identificeren dat er een storing(en) plaatsvindt. TerwijI men met een kwantitatieve storingsdiagnose naast identifi-catie van een storing(en) ook de ernst daarvan kan bepalen.

Indien er voldoende sensoren aanwezig zijn om bijv. de conditieparameters te kunnen bepalen, zal men vanzelfsprekend kiezen voor een kwantitatieve diagnose, omdat aan de hand van een dergelijke diagnose de storingsgraad bepaald kan worden en d.m.v. trendanalyse het gedrag van de storing in de tijd bewaakt kan worden. Indien de trend bepaald is, kan voorspeld worden wanneer de storing onacceptabel wordt, zodat tijdig maatregelen genomen kunnen worden. Zijn er onvoldoende sensoren aanwezig om een conditieparameter te berekenen, dan kan men kiezen voor een kwalitatieve diagnose. Hierbij kan bijv. gebruik worden gemaakt van patroon-herkenning of rule based methodieken om op basis van gemeten symptoompatronen de mogelijk opgetreden storing(en) te vinden.

Uiteraard zou een combinatie van een kwalitatieve en een kwantitatieve diagnose methodiek tot de best mogelijke oplossingen behoren.

Hiema worth een overzicht gegeven van een aantal diagnose methodieken welke in de literatuur zijn gevonden. Van elke methodiek zullen voor zover mogelijk de voor- en nadelen worden op-gesomd

3. 1 Rule Based Expertsysteem

Expertsystemen zijn informatiesystemen die, vanuit een geszeven probleemstelling in een be-paald vakgebied, oplossingen kunnen bieden of advies kunnen verlenen op een niveau dat verge-lijkbaar is met dat van deskundigen op het betreffende vakgebied [Lucas,1988].

Een expertsysteem bestaat hoofdzakelijk uit twee delen: een kennisbank en een kennisverwer-kingsmodule. Een kennisbank bevat alle kennis en informatie die het systeem nodig heeft om zijn taak naar behoren te kunnen uitvoeren. In een kennisverwerkingsmodule vindt de feitelijke bewakingen diagnose stelling plaats. Verder is een in- en uitvoer module nodig welke de

corn-municatie met de buitenwereld verzorgt. Ook is vaak een database toegevoegd waarin alle rele-vante gegevens opgeslagen kunnen worden welke tijdens het functioneren van het systeem worden verkre2en. Fiizuur 3.1 laat de structuur van een expertsysteem zien.

DATA BASE

kennis _

bank kennisverwerk.

m- en uitvoer

module module

conditiebertaking van drukvulgroep I()EA10 95 141

expertkennis sensor haaroperator

Figuur 3.1 Structuur van een Rule Based Expertsysteem

De invulling van de kennisbank en de kennisvervverkingsmodule bepaalt in grote mate het karakter van een expertsysteem. De kennisbank is volgens ALS bewering(en)

DAN

con-clusie(s) logica gestructureerd. Beweringen zijn uit simpele feiten opgebouwd met gebruik van

functies als EN en OF. Een voorbeeld daarvan btj een luchtkoeler is als

ALS

druk _versehtl = hoog EAT lucht nzassastroom normaal DAN

lucht koeler

vervuild

De verwerkingsmodule werkt vaak in twee richtingen: voorwaarts-redenering en achterwaarts-redenering. Voorwaarts-redenering (data driven) neemt alle regels op waarvan de beweringen met beschikbare data overeenkomen. De conclusies \Norden in de database opgeslagen en de procedure worth herhaald tot Met meer nieuwe feiten worden izevonden.

3.2

handmatig

conch! iebewaking vandrukvulgroep MEMO95 141

Achterwaarts-redenering (goal driven) izebruikt voor een door de 2ebruiker gedefinieerd doel en

probeert alle regels te ondergaan welke het doe als een van de conclusies hebben. De

beweringen van zulke regel worden de nieuwe doelen tot het eerste doel als waar of fout is bewezen of de beschikbare data onvoldoende zijn bevonden en het doe later als "onbekend" wordt verklaard. Een combinatie van beide technieken maakt de bewerking efficienter.

Voordelen van het expertsysteem zijn:

eenvoudige constructie van de kennisbank.,

directe interpretatie en wijziging van de kennisbank; breed toepassingsgebied.

nadelen zijn:

toepasbaarheid heel specifiek voor een geval;

de kennis acquisitie verloopt moeizaam, omdat regels expliciet geformuleerd moeten worden en deskundigen vaak tegenstrijdige meningen hebben;

de diagnose prestatie is niet gegarandeerd, omdat er geen garantie geboden wordt op de volledigheid van de kennis;

voor complexe problemen is een groot aantal regels nodig.

Expertsystemen zijn reeds op diverse terreinen toegepast. In de maritieme industrie zijn er een aantal voorbeelden te noemen: De "EC Esprit Shipboard Installation of Knowledge-Based

System (1(BSHIP) Project" [Hobday. 19921. Een ander voorbeeld is het "Fault Avoidance Knowledge Systeem" (FAKS) van Wartsila Diesel [Ahlqvist, 1990].

3.2

Patroonherkenning

Op het gebied van machines zijn technieken om patronen te herkennen de belangrijkste tools die intelligent gebruikt kunnen worden. Patroonherkenning kan worden gedefinieerd als het catego-riseren van input data naar identificeerbare klassen door de 'extraction' van significante ken-merken of attributen van de data [Gonzales, 19781.

Een patroon is een kwantitatieve of structurele beschrijving van een object of een andere 'entity of interest'. Patronen kunnen de vorm hebben van karakters, vingerafdrukken, fysische objecten, beelden, etc. Onder een patroonklasse wordt een set van patronen verstaan die gemeenschappe-hikeeigenschappen hebben.

pattern description

RESULTS

,cond it iebewakingvan drukvulgroein/OEM() 95 141

METHODS

CONTROL

Figuu r 3.2 Componenten voor analyse van pat ronen Pliemann, 19811

Het toewijzen van een patroon aan een bepaalde klasse kan aan de hand van vier componenten worden beschreven [Niemann, 19811, zie figuur 3.2:

Een database met resultaten, die tijdens de analyse van het patroon wordt verkre-gen;

Een database met methoden voor het bewerken van patronen;

Een database met kennis en/of informatie over structurele eigenschappen van patronen:

Een control module.

Een algemene beschrijving van de actie die uitg,evoerd dient te worden om een patroon te her-kennen is: lees het patroon dat geanalvseerd diem te worden, verwerk dit patroon volgens de gekozen methode en maak gebruik van de beschikbare kennis tot het resultaat aa.n de norm van

3.4

condi( iebewuking van drukvzilgroep /OEM() 95 141

een beschrijving voldoet. Fijdens de analyse worden tussentijdse resultaten verkregen die in een database 1.vorden bewaard. De norm van de beschrijvingen is afhankelijk van het type van classificatie dat worth gebruikt

[Grimmelius, 19931 noemt een paar mogelijke classificatie technieken

Statistical classification: hierbij wordt gebruik gemaalct van parameters van bekende ver-delingsdichtheidsfuncties. Een vereiste is dat kennis over de verdeling van de componen-ten van een patroon beschikbaar moet zijn.

Distribution .free classification; hierbij wordt gebruik gemaakt van parameters van

be-kende discriminantfuncties. Een vereiste is dat een discriminant wordt gekozen, maar er zijn geen statistieke begrenzingen.

Non-parametric classification; hierbij wordt bijvoorbeeld gebruik gemaakt van non-parametric statistical methoden. Een belangrijk voorbeeld hiervan is de 'nearest neigh-bour 'regel, welke betekent dat elk nieuw patroon wordt toegewezen aan een klasse van zijn 'nearest neighbour

'Classificationthrough sequential classifiers; hierbij wordt eerst alleen gebruik gemaakt

van een paar kenmerken (eigenschappen) van het patroon terwijI hoge afkeuringdrem-pelwaarden (reject thresholds) worden gebruikt. Als er geen klasse gevonden is, worden er meet kenmerken van het patroon gebruikt. Deze laatste stap wordt herhaald tot een beslissing is bereikt of een maximaal aantal pogingen is gedaan.

Hierarchical classification; hierbij wordt gebruik gemaakt van een boomachtige struc-tuur. Eerst wordt een brede klasse voor het patroon aangewezen. Deze klasse wordt ciaarna ingedeeld en het patroon wordt wederom geclassificeerd. Dit wordt herhaald tot er geen klasse nicer wordt gevonden.

Patroonherkenning wordt reeds op vele gebieden toegepast. Een bekende toepassing van pa-troonherkenning is het automatisch sorteren van brieven. In dit geval zijn er 37 patroonklassen, een voor elke 26 letters en 10 numerieke getallen, en een 'reject' klasse yoor onaanvaardbare karak-ters. De functie van een degelijke sorteermachine is om elk inputkarakter te identificeren als een lid van een van de beschikbare patroonklassen [Gonzales, 19781

Patroonherkennimz is een proces van het toewijzen van een labelof categoricnaar een patroon op basis van bepaalde kenmerken in het patroon [Grimmelius,19931. Een patroon is, in een algemeen begrip, een opstelling van informatie die een specifieke von m heeft. Voor diagnose kan een patroon in de vorm van een svmptoom, eenafwijking van actueel gemeten variabele toy. de referentiewaarde, zijn.

Bij patroonherkenning is het belangrijk om een complete lijst van storingen te hebben, anders kan men problemen ondervinden tijdens het diagnoseproces wanneer een onverwachte niet ge-definieerde lout optreedt. In dat geval kan de diagnosemethodiek waarschijnlijk tot een of een

condi! iebewuktng van druk-vulgroep /OEM() 95 141 combinatie van foutieve conclusies leiden.

Een voorbeeld van een patroonherkenningstechniek is in [Herwerden,19921 gegeven. De relaties tussen storingen en symptomen worden in de vorm van een storingsymptoom matrix geschre-ven. Voor elke mogelijke storing in de matrix is de kans geevalueerd welke een indicatie geeft in welke mate de matrix-symptoompatroon overeenkomt met het actuele patroon. Dit is bereilct door elk patroonelement een score te geven. De maximale score van alle symptomen van een storing is gelijk aan 100. De score voor elk element is op de basis van kennis over de bepaalde storingssymptoom bepaald. Fen procesvariabele die storingsgevoelig is krijgt een hogere score dan een procesvariabele die minder storingsgevoelig is. Als een voorbeeld zou een storing A de volgende scores kunnen hebben

Afhankelijk van de totale score kan een classificatie van de kans van de storingen worden gemaakt, bijv. als volgt :

score > 90 storing A waarschijnlijk aanwezig

score

>65 & <90

storing.At mogelijk aanwezig

score

<65

storing A onwaarschijnlijk aanwezig

Als nu het volgende symptoompatroon wordt gemeten :

a

> = = > > =

30 5 5 10 5 30 5

dan vindt men voor storing keen totale score tzelijk aan 90, maw. met irrote waarschijnlijkheid is storing A opgetreden. 3.6 Storing A: procesvariabele a b c

de

f

_g symptoom = = < > = > < score 30 5 10/5 10/5 5 30 10/5

c

d'

I

g =

3.3 C6mponentbewa king

Bij componentbewaking worth een svsteem in een aantal componenten onderverdeeld [Bergman, 1991, 19931, [Klein Woud, 1992]. Elke component wordt onaftiankelijk van de andere bewaakt. Men behoeft geen referentiemodel van het complete systeem te hebben. Voor het genereren van referentie waarden van systeemgrootheden in een gezonde conditie wordt gebruik gemaakt van een component-referentiemodel (zie figuur 3.3).

condi! lehewakIng van drukvulgroep 10E1140 95 141

referentie model van gezemdc component

Figuur 3.3 Componentmodel voor monitoring en diagnose.

In an s- _werkelijke acturle

v ariabe len I component

corn ponentm odel

system -verge /ij kin g

procesparameter vergelijking =tuck 1 ultganprvarlibelen vergclijkins Hdingnotte 1 procesvariabelen

conditieparam etc,- conditieparam etei

vergelijking

re fcrentic

procesvariabelen

referentie procespararneter

Fig,our 3.4 ( 'onditieparumeter gehuseerd op uitgangsvartuhelen

rciercntrr uitgangsvanabalen werkelijke component iegnog3-variabelen L

-r

n an

s-condtt iebewaking van drukvulgroep [OEM() 95 141

variabelen Figuur 3.6 werkelijke component procesparameter sy steem -vergelijking vergelijking referentie procesparameter ingangsvanahelen herekening van compressor-toerentai herekentng van relerentle drukerhoudin (a) p.

cond itiep arum e ter

vergelijking conditiepararneter actuele r proceNvariabelen acruele procespararneter

Figuur 3.5

Conditieparameter gebaseerd op procesparameter.

Men kan een component bewaken op basis van procesvariabelen of op basis van procesparame-ters. In het eerste geval wordt voor de diagnose een direct gemeten uitgangsvariabele, bijvoor-beeld de temperatuur of druk, vergeleken met een referentie-uitgangsvariabele (zie figuur 3.4).

In het tweede geval worthde referentie-procesparameter vastgesteld aan de hand van een

proces-parametervergelijking. Voor de diagnose wordt hierbij gebruik gemaak-t van een vergelijking tussen de actuele en de referentie-procesparameter (zie figuur 3.5).

WERKELUKE COMPRESSOR hcrekerung van aLtuele drukverhoutimg ,na compressor 3.8

actuele druk na compressor

C(MsIDITIEPARAMETER

conditteparameter ergeliikmg

-vergelijking

actuele dt.uk cond teixtrarnct r

com.mni-ingangsarlabclen vvvRKEL LIKE COMPRESSOR

herekening van herekentng an

compressor- rere:me

tnerental dank,. erhouding

(b)

Conditiepurameters van een compressor, gebaseerd op proce.sparameter la) en op procesvariabele (b).

herekentng van relcrenuedank na compressor PARAMETER

---

-conddiebewaking van drukvulgroep 10EMO 95 141

Het resultaat van de vergelijking tussen de actuele en de referentie grootheden is een zogenaam-de conditieparameter. De conditieparameter is een maat voor zogenaam-de conditie van zogenaam-de component. Figuur 3.6 geefl een voorbeeld om het verschil te verduidelijken tussen conditieparameters geba-seerd op de procesvariabele en op de procesparameter.

Componentbewaking is zeer geschikt voor diagnosetaken, omdat de component is gescheiden van de invloeden van andere deelsystemen en ook niet wordt beinvloedt door gewijzigde omgevingscondites. Wanneer afwijkingen optreden tussen de referentie en actuele procesvaria-belen of parameters, kan de storing zich alleen bevinden in de component zelf. In dat geval zijn complexe diagnosetechnieken niet nodig. Dit kan de betrouwbaarheid bevorderen [Bergman,

1993].

Verder kan het componentmodel op een eenvoudige wijze worden ontvvikkeld. Aangezien een componentmodel minder complex is, is ook de benodigde proceskennis minder complex dan voor een compleet systeemmodel. Componentbewaking is tevens zeer geschikt om een diagnose-systeem modulair te ontwikkelen.

Componentbewaking is reeds met succes toegepast voor de conditiebewaking van componenten van dieselmotoren [Bergman, 19921 De beperking ervan ligt in het feit dat alle actuele ingangs-en uitgangsvariabelingangs-en voor de te bewakingangs-en componingangs-ent bekingangs-end mod t zijn. Om bijvoorbeeld de weerstandsfactor en de warmteoverdrachtsfactor van een luchtkoeler te kunnen bepalen, moeten vier temperaturen (lucht en water, in en uit), twee massastromen en de drulcval bekend zijn [Klein Woud, 19921.

3.4 Vector Analyse

Vector analyse, geintroduceerd door [Overes, 1989] en toegepast door [v. Nielen, 199 I ], is geba-seerd op het felt dat een optredende storing een specifieke verandering van het procesgedrag tot gevolg heeft. Dit komt tot uiting in een verandering van de waarden van diverse procesvariabe-len. Het totaal aan veranderingen van de procesvariabelen ten opzichte referentiewaarden vomit de symptomenset van een storing. Deze symptomenset wordt dan in de vorm van kwantitatieve storing-symptoom matrix geschreven.

De matrix bevat een aantal invloedsfactoren (m), welke een "standard" storing (bijv. een storing met de maximaal toelaatbare ernst) vertonen. Als het aantal gemeten variabelen p is en het aantal gedefinieerde storingen q, dan kan men de matrix beschouwen als een p-dimensieruimte waarin het maximum van elke storing door een vector gepresenteerd is, de projecties waarvan gelijk zijn aan het aantal invloeden (Figuur 3.7).

A1s wordt aangenomen dat het gedrag van de storingen lineair is, kan het syrriptoom, atliankelijk van de opaetredende storingen, als volgt worden uitgedrukt :

s, = m, + + m,,f, + + milfq

waar : symptoom: afwijkingen van variabele i vergeleken met de

referentie-conditie

invloedsfactor voor variabele i als gevolg van standardstoring j ernstvan storing)

Het aantal van deze vergelijkingen zal gelijk zijn aan het aantal sensoren, welke gelijk is aan het aantal gemeten variabelen p. Voor een machinesysteem kunnen de p-variabelen tijdens de

werking gemeten worden. Door gebruikmakingvan een referentie-generator kunnen de symp-tomen s worden bepaald welke leidt tot een set van p lineaire vergelijkingen met q onbekende storingsernstfactoren f

Fig,uur 3.7 uit [Klein Woud, 1992] laat de situatie zien met 3 gemeten variabelen (sensoren) M M2, M.

Er zijn twee bekende storingen in dit systeem, aang,eduid met F, en F2. Storing F, heeft als in-vloedsfactoren de projectie op de hoofdassen MI,M2 en M,: m1.1, m2i, en m,

m2,, is een symptoom van variabele 2 als gevolg van standaard storingF,.

S is de gemeten svmptoom vector in de actueleoperation& conditie. Zonder sensor- en model-onnauwkeurigheden zou S in het gebied OF ,F 2 lilzgen. In werkelijkheidligt S buiten dat gebied. De projectie van S op 0F1F2 is S'. De deviatievector d tussen S en S' voldoet aan de kleinste kwadraat criteria. f, en f2 geven de projectie weer van S op F, en F2. Ze vertegenwoordigen de ernst van storing F, en F,.

condit iebewuking van drukvulgroep 1011M0 95 141

3.10 =

=

-conditiebewaking van drukvulgroep /OEM() 95 141

.1

2.i

M3

M1

Figuur 3.7

Het principe van diagnose m.g.v. vectoranalyse

Deze set van vergelijkingen /weft, in matrixnotatie, de volgende vorm: S = M F

waar: S( p) symptoomvector

M(P,q) matrix van het aantal invloeden

F(u) vector van de ernst van de storing

De ernst van de storing fzal de waarde 0 in gezonde toestand en 1 voor een storing met een ernst overeenkomend met de "standaard" storing (F) hebben.

Als het aantal variabelen p groterof genii: is aan het aantal storingen en als de matrix retzulier is, is het mogelijk om deze set vergelijkingen op te lossen welke tot de gewenste diagnose leidt: de ernst van de storingen

[Fase, 1992] heeft deze methodiek beschreven voor een storingsdiagnosesysteem van een SW280 dieselmotor.

3.5 Neural Netwerk

De karakteristieke structuur van een neuraal netwerk is gebaseerd op de menselijke hersen. Een neuraal netwerk bestaat uit een aantal relatief eenvoudige basiselementen, neurons genaamd. Den neurons zijn in een bepaalde vorm met elkaar verbonden. De vorm wordt bepaald door de aard van de netwerkstructuur (netwerk topologie) die wordt gebruikt. Hieronder wordt een voor-beeld gegeven van een mogelijke structuur van een neuraal netwerk.

input layer

inputvector m(t)

conditiebewaking van drukvulgroep /OEM() 95 14]

hidden layer _output

II.

layer N11 _{4109'7 PANNglimmi.-}

I.

Viterdp,:-. II.

_-...110,4/

--w4vI

_{vvii- ow}

--**,,,

_...

veo..=.

Ile

wiik,4r

_v

_/-\

output vector o(t)

Figuur 3.8

Structuur van een neural netwerk

Een neuron is een relatiefeenvoudig rekenelement. Het kan signalen ontvangen, transformeren en een output genereren. Met andere woorden: een neuron is in staat om veelvoudige signalen te ontvangen en kan slechts een output genereren.

In een netwerk kan de output van een neuron de input van andere neurons vormen. De verbin-dingen tussen de neurons bevatten een weight .factor (w). De output van een neuron wordt met deze weegfactor vermenigvuldigdveer hij aan de volgende neuron toegevoegd. Deze weegfac-toren zijn de variabele parameters.

De topologie van het netwerk wordt hoofdzakelijk bepaald door het probleem dat opgelostclient

te worden. De dimensie van de input vector bepaalt het aantal input neurons van de input layer en het aantal output neurons van de output layer worthbepaald door de gewenste oplossing. Het

3.12

conditrebewuking van drulcvulgroep"'DEMO 95 I

aantal neurons in de hidden laver en het aantal hidden layers kunnen vrij worden gekozen. Evenals bij biologische hersenen is bij een neuraal netwerk een learning process' nodig om een bepaalde taak te kunnen vervullen. Tijdens dit leerproces worden de waarden van de weegfacto-ren veranderd tot het netwerk de gewenste output van een bepaalde inputdata oplevert.

Er zijn twee verschillende leerstrategieen [Kuilenburg, 1995] mogelijk:

Supervised learning; hierbij is de gewenste output van een neuraal netwerk van te voren bekend en wordt het netwerk getraind tot de berekende output gel ijk is aan de gewenste

output.

Unsupervised learning; hierbij is de gewenste output onbekend en traint het netwerk zichzelf. De training is bedoeld om de weegfactor dusdanig te veranderen dat soortge-lijke inputs dezelfde output opleveren. [Kirkman, 19951

Een voorbeeld van de toepassing van een neuraal netwerk bij conditiebewaking wordt hieronder

gegeven.

Stel een systeem heeft 4 ingangsvariabelen (xl, x2, x3 en x4) en 2 uitgangsvariabelen (y, en y2). Het systeem wordt in figuur 3.9 grafisch weergegeven.

systeem

YI y2 Y3

Figuur 3.9 Een systeem met gemeten in- en Migungsvariabelen

De mot4elijke structuur an het neurale netwerk is in figuur 3.10 getekend. 4/

conditiebewaking van drukvul groep [OEMO 95 14] XI X2 X3 X4 Yi y2 3.14 U U2

input hidden unput

layer layCf layer

Figuur 3.10 Een mogeltike neuraal netwerkstructuur van het systeem in figuur 3.8

ut en u2 hebben een waarde tussen 0 en 1. Het systeem is gezond at s:

ul > 0.7 (boven drempelwaarde) and u2 <0.3 (onder drempelwaarde) Het systeem is foul als:

ut <0.3 (onder drempelwaarde) and u2 > 0.7 (boven drempelwaarde)

In andere gevallen geeft het neurale netwerk geen beslissing bereikt' als antwoord.

Uit [Kuilenburg, 1995] kunnen een paar voordelen van het neurale netwerk worden genoemd: Het biedt unieke oplossingen gebaseerd op data van de gebruiker.

Men behoeft geen algoritme te weten.

De inherente parallel processing structuur leidt sneller tot een oplossing.

De belangrijke nadeel van een neuraal netwerk is dat de training veel data en tijd vergt.

De toepassingen van een neuraal netwerk als diagnosemethodiek zijn in diverse papers

beschre-ven

[Kuilenburg, 1995] onderzocht de toepassing en de eigenschappen van neurale netwerken voor een storingsdiag-nose systeem van een compressor koelsysteem,

[Hobday, 1992] beschreef de rol van neurale netwerken in de maritieme industrie;

In [Snyder, 1995] worden de resultaten gepresenteerd van een onderzoek naar de toepassing van neurale netwerken als 'active control' van trillingen.

3.6 Fuzzy Logic

Het fuzzy syteem werd voor het eerst geintroduceerd door Zadeh in 1973. Bij deze toepassing worden onzekere gebeurtenissen weergegeven door middel van een fuzzy graad, zoals een ver-wantschapsfunctie (relationship function), mogelijkheidsfunctie (possibility function) of

lidmaat-schapsfunctie (membership function).

In het kort: Als A een fuzzy concept (onzekere gebeurtenis) is en een subset van de universele set U, dan kan A worden beschreven door:

A = {x_p.A(x)}

waarbij x E U de waarde van A is en ,,(x) de fuzzy g,raad. De fuzzy graad is een monotone

functie, 0 kiA(x) s 1, waarbij zeker niet betekent en "1" zeker we!. Tabel 3.1 ill ustreert het concept van een "fuzzy classification" (fuzzy graad), vergeleken met de "ordinary classifica-tiornwaarschijnlijkheid).

Een vaak verwarrende kwestie is het verschil tussen de fuzzy graad en de waarschijnlijkheid (probability). Het volgende voorbeeld uit [Grimmelius, 19931 laat duidelijk het verschil zien

We kunnen een mogelijkheids-verdeling met X voorstellen door interpretatie van ,a(u)al s

de fysische mogelijkheid van een gemeten uitlaattemperatuur u, gegeven onder bepaalde condities.

We kunnen ook een waarsclujnIrikheidvverdeling met X voorstellen door interpretatie van p(u) als de waarschijnlijkheid van de gebeurtenis van deze temperatuur u, gebaseerd op data-analyse.

Als verondersteld mag worden dat er een criterium is waarmee we de ir,raad van fvsische mogelijkheid in de range 0 tot 1 kunnen beschrijven, zouden de waarden voor ii(u) en p(u) er als volgt uit kunnen zien:

conditichewaking van drukvulgroep (DEMO 95 141

Tabel 3.1 Het verschil tussen de gruad ('//(0) en de waarschOnla *held p(u). De exacte vorm van de lidmaatschapsfunctie, die de mate van lidmaatschap ,zi be paa I t mag vrij worden gekozen, afhankelijk van de toepassing.

De basislogica van Fuzzy, gebruikt voor combinaties en doorsnijdingen van fuzzy sets, is respec-tievelijk de maximum of minimum graad van lidmaatschap van een individuele subset. De ver-gelijkingen voor een combinatie en doorsnijding van twee subsets zijn:

u 360 370 380 390 400 410 420 430 ,a(u) 0 0.2 0.8 1 1 I 0.8 0.6 p(u) 0 0 0 0 0.1 0.8 0.1 0 "0" 1 _

condiliebewaking van drukvulgroep [DEMO 95.141

Null = max{gA(x) 418(41

PAno ,4itt(x)}j

Tegenwoordig fuzzy logic een van de meest effectieve control 'technologic op het gebied van, control systemen [Manikopoulos, 1995]. Een fuzzy logic controller bestaat uit vier hoofdcompo-nenten: eenfuzzifier, een knowledge base, een decision maker en een

deficifier.

Figuur 3.14' laat de basisconfiguratie van een Fuzzy Logic Controller zien.

Rule base' Data base

Figukr.3.111 Een typische fuzzy logic controtsysteem 1Manikopoulos; 19951

De Fuzzyfier; oftewel de 111.74ication interface, neemt metingen van de real-time input-procesvariabelen en transformeert deze met door middel van de opgeslagen lidmaat-schapsfunctie teneinde een fuzzy inputwaarde te produceren. Elke input heeft minstens den linguistieke waarde of label van een fuzzy set. Elke lidmaatschapsfunctie identifi-ceert de range van de input data die correspondeert met een label

Voorheeld

Stel de linguistieke variabelen "temperatuur 7-, "temperatuurverschil D" (actuele tempe-ratuur minus voorafgaande tempetempe-ratuur) en "massastroom r. Hun universele sets wor-den als volgt gedefinieerd: = 10,1001, I/0 = 1-10,101, 17F = [0,80], De linguistieke

waarden van temperatuur T zijn (Low, Medium, High), die van D zijn ;Negative large, Small, Positive large:, en die van zijn (Slow, Medium, High). Hun lidrnaatschapsfunc-ties zijn gedefinieerd zoals in figuur 3.12.

3116 ti 1 -, Actuators

c

--- _-1' Sensors ;. ,44 _Proces. :I 6 II

-fl

ii

t Decision ! .

I

d' Defuzzifier -4 tl 1 Fuzzifier maker 'I; is A

conditiebewaking van drukvulgroep /OEM() 95 141

PA

-0 Low Medium, High

I u. 08

0.6

E -4

\

2 . I 20 30 40 50 60 70 go 90 100 Temperature (T). F MD (a)

Negative Large Small Positive Large

c Slow 11; 0.8 g 0.8 p.6 0.6 0,4 - 04 0.2 - 0.2 0 -10 -6 -2 0 2 () 10 _{0 10 20 30 40 50 60 70 80}

Temperature Difference (D), F _{Flow rate (f), g/min.}

(c)

Figuur 3.12

Stetde gemeten actuele temperatuur is T 90°F en de voorafgaande temperatuur is 87°F Dan is T high met lidmaatschapwaarde = 1.0 (zie figuur 3.12). Omdat het tempera-tuurverschil D = 90-87 = 3°F, is D small met lidmaatschapswaarde,up- 3/4 en D is posi-tive large met /40= 1/4, (zie figuur 3.12).

De Knowledge Base bevat kennis van het toepassingsgebied en het controldoel (control goal) en bestaat uit een database en een linguistieke (fu.-..7) control rule base. De databa-se verzorgt de benodigde definities zoals lidmaatschapsfuncties, welke worden gebruikt voor het definieren van linguistieke control regels en fuzzy data manipulatie. De rule base karakteriseert de controldoelen (control goals) en het control-beleid (control policy) van de deskundigen door middel van een set van linguistieke control regels.

Voorbeeld (vervolg)

Aangenomen wordt dat 'massastroom. de geregelde variabele is. Twee regel (rule base) voorbeelden zijn als volgt:

RI

IFtemperatuur T is high en verschil I) is small. DAN massastroom F is

medium.

R2. IF temperatuur T is high en verschil D is positive large, DAN

massa-stroom F is slow.

De Decision Maker is als kern van een fuzzy logic controller in staat tot het nemen van

-4 1 Maiium r

i

r

-i

\

n

canditiebewaking van drubiulgraepMEMO 95 141_

beslissingen, gebaseerd op fuzzy set concepten. De decision maker eva!ueert alle toepas-bare regels door te controleren of hun beweringen (premiswen) waarzijn en leidt de ware

waarde van het feSultaat af Vaarheehi (vervolg)

Voor regel RI en R2, zijn beide beweringen waar, ervan uitgaande dat de actuele tempe-rat.uur T 90°F en de vomrafgaande T= 87°F. Vertolgens is de ware waarde voor R1 het minimum van de twee fuzzy waarden in zijn bewering, d.w.z. Min(//,-(T is high), Ado (D is small)) Min 11, 3/41 3/4. Op eery suoiligelijke iitaiiiei wuldide wine waartic van

R-1 berekewl, 11.1.11.7. Min 1,= 1/4.

tinfuzzifinr, oftewe!' de (tofu= if Icarian interface converteert de range van waarden van output variabelen naar een corresponderend universum en geeft een non-fuzzy con-trol.nctie van een nfgeleide fuzzy cnntrn!notie.

Vanrbeeld (vervolg)

Hieronder wordt gebruik gemaalct van de "center of area" -methode. Het resultaat de twee fuzzy tegels RI en R2 is dai

Filet

medium is mei pp-- 3/4 en 1: is low Wei./IF

= 1/4. Figuur 3.12 (n) en (b) !aten de ware w.aarde van de bewering zien (gearceerde ,gebieden). Door de twee gearceerde gebieden te combineren, geeft figuur 312 (c).:

a jSloe 144.4aue 2OA - I

"1

r*

0_7 1 a 10 20 30 40 SO 60 PO tb Flew s (4).

vs

(ahs III 10 SO 40 SO 60 70 KO Plow raw (fl. (b) Figtittir 1.11

fl gecombineerle tirininntsch7sfunctie trent,

318 14,4. 4 74as1 0.6 1 i 1/4 \ \\*NA \N.":\*k

a.

4.7. k91 JO .20 10 40 00 40 70 IN AtWI F ew as (O. glum MettIt' _.0)241i FpFdF COA /1,11 43.54? 0.00 _{gy dF} 04 g 2 _{le.Zi111.44,!,}

-

-4. van 0 0

-(0)

FCOA

conclitiebewaking van druk-vulg,roep!GEAR) 95 141

0 overige

De 'Center of Area" methode (COA) genereert dan de crisp massastroom als volgt.

F

dF

Jo

- 43.547

fgo°

dF

Deze waarde zal worden gebruikt om het proces te regelen. Elke keer dat nieuweinputs gem,-men worden, genereert de Fuzzy Logic Control een regelwaarde volgens bovengenoemde proce-dure.

In de diagnosetechniek kan fuzzy logic zowel worden gebruikt bij de bepaling van de sympto-men als bij het vaststellen van de diagnose.

1.1.,(x) = 1/4 0.05F-1 2/3 3 -0.05F 0 ,c 25 35 45 25

F s 35

F

45

Fs 60

3.7 Multilevel Flow Modelling

Multilevel Flow Modelling (MFM) is een modelleringsmethode die gebruik maakt van massa-en massa-energiebalansmassa-en voor het beschrijvmassa-en vanhet gedrag van een systeem [Riedijk, 19901. Het model worth beschreven op verschillende abstractieniveaus.

De basisdimensies van MFM zijn in figuur 3.14 afaebeeld. In de figuur is te zien dat de beschrij-ving van een systeem fangs twee richtingen tegelijk mogelijk is. Een systeem wordt beschreven in termen van goalsliincties en defi)sische componenten (langs de means-end as) en tegelijker-tijd kan elk van deze beschrijvingen worden gegeven op verschillende niveaus van decompositie fangs de whole-part as.

WHOLE

conditiebewaking van drukvulgroep/OEM() 95 14]

3.20

PART

Figuur 3.14 Pen hasisdimensie van Multilevel Flow Modelling

In de MFM-modellen worden de functionele eigenschappen van een systeem beschreven aan de hand van goal-means of goal-ends relaties in een functionele abstractiehierarchie.

Zo'n hierarchic beschrijft 'bottom-up' welke functies en componenten izebruikt worden, of kun-nen worden, door op de hogere niveaus gelegen doelen; en 'top-down' hoe doelen zijn geimple-menteerd door functies en componenten. Met andere woorden: op het hoogste abstractieniveau wor-den de doelen van het proces weergegeven en op laagste niveau de componenten ervan. De tus-senliggende niveaus %Norden overbrwzd door middel van functies. Elk doe wordt een niveau lager uitgesplitst in een aantal functies. Deze functies worden op hun beurt weer op een niveau lager uitgesp]itst in andere functies. Dit gaat door totdat functies niet meer in functies uitgesplitst kunnen worden, maar slechts nog in componenten [Riedijk, 19901.

Verstoringen worden in een abstractiehierarchie 'bottom-up' doorgegeven terwij1 redenen voor voldoende vervulling van functies 'top-down' worden afgeleid. Het aantal abstractiesniveaus hang/ af van het soon svsteem en het doe van de beschrijvinu.

cond it iehewak mg van drukvulgroep OEM() 95 14]

Voor de representatie van een fysisch systeem heeft Rasmussen bijvoorbeeld vijf niveaus van hierarchic ontwikkeld. De niveaus zijn:

1 Niveaus van het .systeemdoel: Op dit hoogste niveau wordt het clod van het systeem

weergegeven.

De doelen kunnen in drie categorieen worden onderverdeeld [Lind, 1988] namelijk: Veiligheidsdoelen

Produktiedoelen Economiedoelen

2. Niveau van de ahstracte.hincties: Op dit niveau worden overall functies van het systeem

weergegeven. Deze worden gepresenteerd door een gegeneraliseerd netwerk. Er valt te denken aan de informatie-, massa- en energiestromen door het proces.

Niveau van de gegeneraliseerdejimmies: Op dit niveau worden de gegeneraliseerde functies beschreven. Een gegeneraliseerde functie is een functie die het gedrag van een aantal fysische functies beschrijft.

Niveau van de bsische.functies: Op dit niveau worden formules en beperkingen gegeven die bij een bepaalde component of een verzame1ing hiervan behoren.

5. Niveau van de fysische vorm: Op dit niveau, het representatieniveau van de fysische

vorm, wordt de fysische verschijningsvorm van het systeem en zijn componenten

weer-gegeven.

Een voorbeeld dat goed de relaties hisser) de onderste drie hierboven genoemde niveaus

be-schrij ft is de functie remmen bij een auto. Deze functie bevindt zich op het gegeneraliseerde functieniveau. Er wordt bier beschreven dat remmen het afremmen van de auto is. Hoe dat precies gebeurt, bijvoorbeeld door op het rempedaal te trappen of door het inschakelen van een lagere versnelling, doet niet ter zake. Op dat lagere niveau bevinden zich de formules van de remmen van een auto. Of dit J.4ebeurt door middel van schijf- of trommelremmen is weer te zien op een nog lager niveau.

flet laagste niveau, het niveau van de fysische vorm zal niet gebruikt worden voor het foutdiag-nosesysteem om een fout te detecteren. Het is wel handig om de informatie die op dit niveau wordt beschreven, aan het foutdiagnosesysteem te koppelen, zodat als het diagnosesysteem vermoedt welke component defect is, er geen tijd verloren 'mat met het zoeken van informatie over de fysische vorm van die component.

Figuur 3.14 geeft een voorbeeld weer van een structuur van de hierarchic van een Generic Nuclear Plant (GNP).

conditiehewaking van drukvulgroep 10EMO 95 14]

VEILIGHEID PRODUKTIE

---__ 1

1

ENERGIE ! ENERGIE

GENERATIE / TRANSPORT I CONVERSE.:

,--- 1

----, 1

- --- i

PRLMAIRE SECUNDAME TERTIAIRE

CIRCUIT CIRCUIT :CIRCUIT

DRUKV . RI.X.VATO STG STG

! 1

1 i

REAKTOR _{DK 1:}AT b

NTVEAt: DR! V. SlIVEAU' TUR:GEN! rNDENSO POW ;

I i i_---7,- 1 L 1 ____ : J__ 1 L _J

I PRIM-, I ()LIE I !VOLUME I SEC. I JOUE I

POMP ., , CIRC. ; SYST. ._pow I i CIRC. j

i

Figuur 3.15 Een voorbeeld van hierarchic van het Generic Nuclear Plant

Als in MFM het normatieve gedrag van elke node (een doe I, functie of component) beschreven is, is het mogelijk om te beoordelen of een node verstoord is door het normatieve gedrag te ver-gelij ken met het waargenomen gedrag (zie figuur 3.16).

gemeten ingangssignaalw _werkelijke

fun ctie 3.22 1 ECONOMLE 1

4/5

gemeten uitgangssignaal

ALS <e binnen toleranties > DAN < lunette gocd > ANDERS < functie fout > gewcnst uitgangssignaal

Figuur 3.16 Heoordeling van het heschikhaur:On van een jiinctie

gewenste p. func tie 2 i -3 n iyeau

conch! lebewaking van drukvulgroep fOEMO 95 Nj

Dit redelijk simpele diagnoseproces is eon van de voordelen van het gebruik van MFM voor-diag-nose. Maar MFM heeft ook een groot nadeel, namelijk dat het een groot aantal sensoren nodig heeft omdat alle componenten afzonderlijk moeten worden bewaakt om het systeem volledig opereerbaar te maken [Grimmelius, 19931 Een andere nadeel is dat in feite niet alle fouten naar hogere niveaus propageren, waardoor het controleren op hogere niveaus inlet meer betrouwbaar is

3.8 Keuze van diagnosemethodiek

an het kader van de afstudeeropdracht bij rederij Van Ommeren Shipping B.V. moet de meest geschilcte diagnosemethodiek gezocht worden voor de conditiebevvaking van een door de uitlaat-gassen gedreven drukvulgroepsysteem en een luchtkoeler van een 6 cilinder RTA 76 Sulzer dieselmotor. De beschrijving van het drukvulgroepsysteem is in hoofdstuk 4 te vinden.

In een drukvulgroepsysteem is vervuiling de meeste voorkomende storing. Daarom moet de gekozen methodiek in staat zijn om met bestaande meetapparatende invloed van vervuiling op de systeemconditie te bepalen. In paragraaf 4.2 zijn de met bestaande meetapparaten gemeten variabelen weergegeven.

De voor deze bpdracht benodigde datametingen worden tijdens het varen elke dag een keer gemeten (visueel afgelezen). Aan boord. van de schepen worden de volgende activiteiten cuitgevoerd:

De luchtfilter wordt schoongemaakt als het nodig is. De compressor wordt elke dag schoongemaakt.

De turbine wordt ongeveer elke 30' dagen schoongemaakt.

Op basis van de beschikbare meets- en fabrieksgegevens is het moeilijk om een model te bouwen van het volledige, gezonde systeem, hetgeen ook veel tijd vergt. Daamaast heeft men voor de complete systeemmodel veel datametingennodig om het model te tunen. Bewaking op basis van Rule Based expertsysteem, patroonherkenning en vectoranalyse vallen daarmee Bovendien zijn de twee eerstgenoemden van kwalitatieve aard en genereren geen storingsemst. Voor 'diagnose methodieken zoals Fuzzy logic, neurale netwerken zijn datametingen nodig welke de invloed van de verschil'lende,storingen weergeven, zoals

Datametingen waarbij de compressor vervui'ld is en de andere componenten gezond zifn., Datametingen waarbij de compressor en de turbine vervuild zijn en de andere compo-nenten gezond zijn.

Dergelijke datametingen zijn in dit geval moeilijk te verkrijgen. Gegeven deze feiten is comfier-nentbewaking de meest eenvoudige toepassing, die bovendien een beter resultaat oplevert.

Im-rners, bij deze methode wordt elke component apart bewaakt, d.w.z. een compleet systeemmodel' is niet nodig. Een ander voordeel is dat de storing direkt gekwantificeerd wordt. Hierdoor is de, trendbewaking betrekkelijk eenvoudig en wordt de mogelijkheid geschapen om onderhoud aan het drukvulsysteem te voorspel len, hetgeen een tijd cq. kostenbesparing zou kunnen opleveren. De beperking bij corn ponentbewakinu is, zoals in paragraaf 3.3 is aangegeven, ,dat afte.actuele:

ingangs- en uitgangsvariabelen van het componentmodel bekend moeten zijn. In dit gevalzullen een aantal systeem-aannamen voor het bepalen vanonbekende (Met gemeten) ingangs- en uit-gangsvariabelen gebruilct worden. Daamaast wordt voor het bepalen van massastromen gebruik gemaakt van een schatter (zie bijlage ft).

124

- concia iebewaking van drukvulgroep [DEMO95 I 41

condi( iebewaking van cfrukvulgroep /OEM() 95 14/

In hoofdstuk 5 wordt de procedure van de componentbewaking voor het bewaken van de lucht-koeler, de compressor, de turbine en het luchtfilter uitgebreid beschreven.

condi! iebewuking van drukvulgroep fOEMO 95 141

4 De dieselmotor en het drukvulgroepsysteem

Het doel van dit onderzoek is het bewaken van een drukvulgroepsysteem aan boord van schepen van Van Ommeren Shipping RV. In figuur 4.1 is de doorsnede van de dieselmotor en het druk-vulgroepsysteem weerg,egeven. In dit hoofdstuk worden de dieselmotor en de componenten van het drukvulgroepsysteem beschreven.

SULZER

Figuur 4.1 Schema van de dresehnolor en ,de drukvulgroep

4.1 De dieselmotor

De dieselmotor is een C.C.M. Sulzer, type 6 RTA 76. Dit type motor (RTA serie) is een voor directe schroefaandrijving ontworpen tweeslag diesel motor, uitgevoerd met langsspoeling. De motor werkt met drukvulling volgens het gelijkdruk-systeem.

De spoel- en verbrandingslucht wordt aangevoerd via spoelpoorten in bet onderste gedeelte van de cilindervoeringen. De gasafvoer vindt plaats middels in de cilinderdeksels geplaatste uitlaat-kleppen.

Enkele gegevens van de dieselmotor zijn:

type-aanduiding RTA 76 aantal cilinders 6 cilinderdiameter 0,76 (m) nominate toerental 98 (rpm) cilindervermogen 16250 (kW) 4.2 De drukvulgroep

Het drulcvulgroepsysteem, type VTR 714A-32, is vervaardigd door de firma B.B.C. Brown Bove-ri. Deze drukvulgroep wordt door uitlaatgassen gedreven en werkt volgens het gelijkdruksys-teem.

De uitlaatgassen van alle cilinders worden afgevoerd naar een mime, gemeenschappelijke uit-laatgassenleiding (uitlaatreceiver). Drukstoten in de gasstroom worden hierdoor afgevlakt, zodat de gassen met nagenoeg constante druk naar de op de leiding aangesloten turbine stromen.

Enkele gegevens van de drukvulgroep zijn:

tvpe-aanduiding VTR 714A-32

maximale toerental 11100 ( omw/min.) max. luchttemperatuur 620 (omw/min.)

Het schema van de drukvulgroepsvsteem is weergegeven in figuur 4.2. De verbrandingsgassen worden via uitlaatklep (1) en een korte uitlaatleiding (2) naar een ruim bemeten uitlaatgassen-leiding (3) gevoerd. Vanuit due uitlaatgassen-leiding (3) stromen de gassen naar de uitlaatgassenturbine (4). De turbocompressor (5) zuigt lucht aan uit de omgeving van de motor, waarna de lucht via een koeler (6), een waterafscheider (7) en een gemeenschappelijke spoelluchtleiding (8) naar de in-laatpoorten (9) van de cilinders (10) worth gevoerd.

Bij lage belastingen wordt de spoeldruk (druk van de inlaatreceiver) te laag en moet gebruik worden gemaakt van een elektrische hulpventilator (12). Deze ventilator zuigt lucht aan uit ruim-te (8) en leven deze met een verhoogde druk af aan de spoelluchtruimruim-te rond de cilinders. Het moge duidelijk zijn dat de terugslagkleppen (8a) alleen een functie hebben wanneer de

hulpven-tilator in bedrijf is.

conariPebewoking van clrukvulgroep [OEMO 95 14

De waterafscheider (7) is nodig om de na de compressie in, de luchtkoeler condenserende water-damp tilt de lucht te verwijderen. Het verzamelen van water in de spoelluchtleiding moet worden voorkomen, omdat water (hetzij vloeibaar, hetzij in dampvorrn), meegevoerd met de lucht-stroom, een negatieve invloed kan uitoefenen op het'loopgedrag van de zuigers en, bovendien kan leiden tot corrosieve slijtage van de zuigerveren en de cdindervoeringen.

II

Figuu r 4.2. Schema van fte arrukvulgroepsysteem., 4.3

-8 8a

All

Turtuhammer 8 V

Figuur 4.3 Doorsnede van druk-vulgroep type VT!? 714-32 van ABB.

4.2.1 De compressor

De compressor heeft tot functie het verhogen van de verbrandini4sluchtdruk. Hierdoor komt er meer lucht binnen in de cilinder, kan er meer brandstof verbrand worden en neemt het geleverde vermotren bij gelijke motorafmetingen toe.

De compressor bestaat uit twee hoofdonderdelen. te weten:

een compressorrator. die het verhoizen van de kinetische enerQie van de verbran-dingslucht tot functie heeft:

2. een diffitssor, die tot functie heeft het omzetten van de kinetische energie van de luchtstroom in een verhoi4inv, van de druk.

De compressor is van het radiale type, waarbij de lucht axiaal de compressorrotor ingaat en er radiaal weer uirtreedt.

condit lebewuk mg van druk-vul groep IOEMO 95 14

Het belangrijkste verslechteringsproces in de drukvulgroep (compressor en turbine) is vervuiling. Om toename van de vervuiling te voorkomen, is de drukvulgroep uitgerust met een wasinstalla-tie. De wasinstallatie is geschikt voor het schoonmaken van de compressor en de turbine terwijl de motor in bedrijf is. Wanneer de vervuiling te ernstig is, moet de drukvulgroep echter gede-monteerd worden om deze van hardnekkige vuilaanslag te ontdoen.

De schoonmaakinterval voor de compressor bedraagt 25-75 bedrijfsuren. Het succes van het schoonmaakproces kan worden vastgesteld door een waameembare stijging van de receiver-luchtdruk of een verlaging van temperatuur van de uitlaatgassen.

De compressorkarakteristiek is gegeven in figuur 4.4.

4.2.2 De turbine

De functie van de turbine is het omzetten van energie van de uitlaatgassen in de rotatie-energie van de drukvulgroep. De turbine is van het axiale type. Dat wil zeggen dat de uitlaatgassen axiaal de turbinerotor binnenkomen en er eveneens axiaal weer uittreden.

De turbine werkt met een gelijkdruksysteem. De uitlaatgassen van alle cilinders komen bijeen in een gezamenlijke uitlaatgas manifold, waar een vrijwel constante druk heerst. De aanstroming van de turbine vindt zodoende plaatst bij een constante druk.

De schoonmaakinterval voor de turbine bedraagt 250-1000 bedrijfsuren. Voor de schoonmaak moet het motorvermogen worden gereduceerd, zodanig dat de temperatuur na de cilinders niet hoger is dan 300 °C.

De turbinekarakteristiek is gegeven in figuur 4.5.

4,5

4.0

condiriebewaking van drukvulgroep IDEMO 95 I 4/

'r-n30C - n

============.-'

-,=================--2MP; 0==fff__

CO, 20.0

Figuur 4.4 Karaberisnek van de compressor

25.0

VTP /1,4A PADS V#03 VE17 'H4 4 HF I

; a : 30.0 V300 / m35-1 96-11-06 35.0 ;1141 ;Ii 3.0 '101'11 2.5 2.0 5 0 ItO

Prct

ft" I,'1 i

p:-.-5.5 3.5 5.0

et;

.1

77T '41%.* , r:

.conditiebewakin van drukvul roe DEMO 95 14

2C, 3 "S 77:

t

4/ 7 e4A....A,' Zia G2 rrIr.

Figuur 4.5. Karakteristiek van de turbine; 4,7 .45- as- :a 7% P8862

1 i

2: :1 I-2 5 Arrr' (7 S: S,r S&S; ;72 "2 t e 3 7:5 1:11 1; 3

4.2.3

Het luchtfilter

De primaire functie van het luchtfilter is het afscheiden van vuilbestanddelen uit de aangezogen lucht. Daamanst heeft het luchtfilter een geluiddempende werking. In figuur 4.6a is een luchtfil-ter getekend. Het luchtfilluchtfil-ter wordt rond de compressor geplaatst.

De buitenomtrek van het luchtfilter bestaat uit een vierdelige mantel van g-rof gaas en fijn koper-gaas (zie fig. 4.6b). Onder de buitenmantel zijn een aantal geluiddempende schijven aange-bracht.

81050

conditiebewaking van drukvulgroep 10EMO 95 141

-A

Figuur 4.6a Piet luehtlilwr

-VTR 304. -7%

81100 81250

81250

-\\...

conchtiebewuking van drulcvulgreep 101*10 95 14]

11,

81253 81252

tit

atzlotime=e

Figuur 4.66 Demantel van het luchifilter

Aanwijzingen hi; de figuren 4.6a en 4.6b 81050 U-huis manometer

81100 geluiddemper

81250 mantel van luchtfi !ter 81252 fijn kopergaas 81253 got' gaas 4.9 354 45-56'

4.3 De efficiency booster

Efficiency Boosting is een systeem waarbij de energie in de uitlaatgassen voor een deel als me-chanische energie aan de knikas wordt afgegeven. Het schema van het systeem is in figuur 4.7 weergegeven.

'Went

iconditiehewaking van cfruicvulgroep !DEMO 95 141

MOTOR,

Figuur 4.7 Schema van de Efficiency Booster

Door het hoge rendement van de drukvulgroep is slechts een deell van de uitlaatgassenstroom nodig om de turbine van de drukvulgroep aan te drijven. Het overtollige deel van de gassen wordt via een klep naar een parallel aan de diukvulgroep geschakelde vermogensturbine (Power Turbine) gevoerd. Deze turbine levert zijn vermogen via een epicyclische tandwielreductie en een hydraulische koppeling aan een tandwieloverbrenging die aan de motorkrukas is verbonden. Door toepassing van een Efficiency Booster wordt het totale rendement van de installatie,dus verhoogd. De cilinders hoeven immers minder vermogen te leveren aan de schroefas, waardoor het brandstofverbruik worth gereduceerd (ongeveer 3-5%).

De Efficiency Booster wordt uitsluitend gebruikt bij hoge motorbelastingen. Het aan/uitschakell, punt is bier bij 45% van het maximale motorverrnogen gekozen.

Wanneer de vermogensturbine wordt uitgeschakeld (door middel van een klep in de uitlaatgas-sentoevoer) wordt de gehele gasstroom naar de turbine geleid. Daardoor stijgt de vuldruk en als, gevolg daarvan ook de eind-compressiedruk en de verbrandingsdruk. Dit leidt tot een gunsti2er brandstofverbruik bij deel last.

klep uilltugasgen, ibycasi efficidncy booster, filter compressor luchtkoeler

cond it iebewaking win drukvulgroep tOEMO 95 141

Indien als gevolg van een storing de vermogensturbine onbruikbaar wordt, za bijhoge motorbe-lasting tech een gedeelte van de uitlaatgassenstroom via een omloopleiding (bypass) direct naar de uitlaatgasleiding worden afgevoerd Daarmee wordt voorkomen dat de vuldruk, en .daarmede de compressie- en de verbrandingsdruk, te lhoog wordt.

Enkele gesevefis van de Efficiency Booster

type-aanduiding NTC 2 f 4-1 1

maximale toerental fl450 (omw/s) max. gastemperatuur 680 (°C)

Reeds enige tijd geleden is de Efficiency Booster aan boord van de schepen tat technische ciVer-wegingen buiten bedrijf gesteld. Een gedeelte van de uitlaatgassenstroom wordt bij hoge motor-belasting dus via een omloopleiding direct naar de uitlaatgassenleiding afgevoerd.

In figuur 4.8 is de turbinekarakteristiek weergegeven, van de efficiency Booster_

4.4 1 zijn:

condiaebewaking van ilrukvulgroep ,10EA40 95 14f

Figuur 48 Karaktert.sidelc van de turbine van tie I.,fficiencv Booster.

E. a: is 11

li

9

it. t

rj

Si 1 :3

ji

fr, ,:'

i

4

l

t!

A & Ei --,. :r 11: A 3 [ 0.85 772T 0.80 8.75 0.70 17.65 0'.60 1.5 2.10 2.5 3.0' 3.15 7r7 2::::6/ ti42:7;

;life

0.11

6:1

illti

_jot!

1.30 1.25

I

YU

_{numil a}

II MI II

_nn

in

an

l

i

IBM /MAW

ea

11/11/11 EN

Ilin

ERR

WM'S

MEM MU

II

3

it!!

s sE 3 5 -Z Wt.::

iii:i

1 .1 r..".. 4 if; - $

-24!

11Pi

-fail

lati

Mil t 11.20 1 *15 1.10 1. as

a

T 1 .00 0.95 NM

WI

MEIPPLIM1111

Inn

MR

=am:

illiallanIMIIIM

MOP%

1 ii mitimim

-Er

;

Sne St/ Ss It. '77,6, 62.9 0.722 I rA

EMI

KM

1.111 UM .t.

,.. E

iii '

I" e

11. v.- A -3 440

In II

IlUhllIlIllIll

MN IMP

n

it D. 1 5 2 0 ₂ 5 3.0 3.5 tri. ID

am

IPI 110Vat I Turb :nenkennfe Id Nit 214 VA54 V5 l',0, EA 03 Er I 6 11 I1 Si r. 107.5

et

95-08 08 "tet_e_ID NOY.* HZTL 28863 -0 9-0 2 0,2 0,2

4.4 De luchtkoeler

Elke door uitlaatgas gedreven drukvulgroep is met een luchtkoeler uitgerust die aan de motor gemonteerd wordt. Deze koeler zorgt ervoor dat de gecompresseerde, en daardoor verwarmde, verbrandingslucht gekoeld wordt vOordat deze via de waterafscheider en de spoelluchtreceiver de cilinders binnenstroomt.

Wegens het nog ontbreken van de fabriekgegevens zijn de benodigde gegeven voor de koeler-bewaking geschat. De geschatte gegevens zijn:

conch! iebewuking van drukvulgroepl0EAS) 95 141

- Koelwaterpijpdiameter - Koelwaterpijplengte - Aantal koelwaterpijpen

- Aantalkoelwaterpijpdoorgangen

4.5 Aanwezige meetapparaten

Zoals reeds eerder is opgemerkt, zijn de beschikbare meetapparaten bepalend voor het kiezen van de diagnose methode. Aan boord van de schepen zijn standaard meetapparaten aanwezig, zoals U-buizen en thermometers. De volgende grootheden worden aan de motor en het druk-vulsysteem gemeten: 4.13 = 0 m = 1m = 500 = Brandstofindex

- Toerental van de hoofdmotor Toerental van de drukvulgroep Luchtdruk in de machinekamer Luchtdrukverschil over het luchtfilter - Luchtdrukverschil over de koeler

- Luchtdruk in de spoelluchtruimte (relatief t.o.v. druk in machinekamer) - Luchttemperatuur in machinekamer

Luchttemperatuur voor koeler - Luchttemperatuur na koeler

- Gasdruk voor turbine (relatief t.o.v. druk in machinekamer) - Gasdruk na turbine (relatief to. v. druk in machinekamer) - Gastemperatuur voor turbine

- Gastemperatuur na turbine

Koelwatertemperatuur voor koeler - Koelwatertemperatuur na koeler [omw/m in] [omwirnin] [Pari [PO Pad [Bari

rq

rig

rq

[Bari [Bari [°C]

rq

foci

-Condit ithewaking van drukvulgroep [OEMO 95 141

5 Componen'tbewaking voor een drukvulgroepsysteem.

Componentbewaking werd reeds door [Bergman, 199211toegepast op een drukvulgroepsysteem van een 2-talct dieselmotor. Hierbij werden de referentiemodel len gemaakt met gebruik van test-bed data. De in dit hoofdstuk beschreven bewakingsmethode voor een drukvulgroepsysteem van een 4-talct dieselmotor is gelijk aan die van een 2-takt motor. Echter, in dit geval worden de be-nodigde meetdata verkregen uit metingen aan boord van het schip. De hiermee gegenereerde referentie-modellen zijn in hoofdstuk 7 weergegeven.

Voor de diagnose van de conditie van de diverse componenten worth een zogenaamde conditie-parametergeintroduceerd. De waarde van deze conditieparameter wordt verkregen door de actuele en de referentiegrootheden met elkaar te vergelijken. Dit kunnen zowel, procesvariabelen als procesparameters zijn Ole paragraaf 3.3).

Zinvolle conditieparameters kunnen pas worden geformuleerd als er een of meer verslechterings-processen bekend zijn. Dergelijke verslechterings-processen zijn ten aanzien van conditiebewaking alleen van belang warmer er in zekere mate een voorspelrling mogelrijk is op basis van een voortschrijdend fysisch proces.

Omdat een technisch systeem over het algemeen complex is, moeten in een componentmodel aannamen en vereenvoudigingen worden aangebracht. Hierbij is van belang dat de aannamen en de vereenvoudigingen niet ten koste mogen gaan van de betrouwbaarheid van het model. De

conditieparameters moeten de componentconditie onafhankelijk van de omgeving kunnen aan-geven. De invloed van de omgeving op het model en ook de invloed van het model op de omge-, ving moeten worden vastgesteld. Terwiji de invloed uitgeoefend door de omgeving wordt ge-kwantificeerd door ingangsvariabelen Wordt de invloed op de omgeving gege-kwantificeerd door

uitgangsvariabelen.

Bij conditiebewaking van een drukvulgroepsysteem kan men de volgende componentenronder,-, scheiden

Luchikoeler Compressor Turbine tucluldler

De procedure.voor het bewaken van el ke component worth in de volgende paragrafen uitgebreidr beschreven.