制定標準守則 -MTU 發電機故障查修流程化

1.前言

1.1 從發電機參數檢視機組狀態

隨著數據採集與監控系統（Supervisory Control and Data Acquisition, SCADA）於業界普及化，越來越多系統具備以遠端通訊達到集中式管理之能力，發電機亦不例外，一般企業急電用途之機組即具備檢視基本數據之功能，如：電壓、轉速、水溫、機油壓力；在發電機作為主要動力系統之場所，如：航運、軍艦等設施內，甚至具備監測內部機械結構特定節點之機油壓力、單一汽缸噴油量等能力，使監視人員發現異常時能及早止血避免故障擴大，機組參數監控對於狀態管控之重要性由此可見。

1.2 狀態監測

發電機運轉參數異常通常可分為短期與長期，短期如電壓、頻率、轉速異常，發生時於數十毫秒內即易造成系統受損，較難由操作人員進行應變處理，通常會交由發電機保護電驛反應，如：GE G30、SR489、SEL700G；而長期異常則可由監測人員自機油壓力、水溫、噴油量等數據，透過建立資料庫推算合理範圍，於機組參數尚未惡化至跳機門檻時將故障確實隔離，並進行預知維護，達到發電機早期異常偵測之目的。

1.3 事後維修

當發電機發生故障需要盡速維修上線，除臨時搶修易造成維修成本提高、維修人力調用不順，且臨時性維護亦會降低生產效率。如可透過資料庫建立機組故障紀錄平台，紀錄各廠發電機組故障紀錄與真因，除使人員於機組發生異常時快速自我查修，不必次次仰賴專業廠商，同時亦能透過觀察機組部件異常頻率，判斷備品重心與重要性，達到提升廠區急電妥善率之目的。(圖1)

2.文獻探討

2.1 發電機運轉原理

目前公司內使用之柴油引擎為四行程，活塞在柴油引擎汽缸中上、下動作各兩次，曲軸旋轉兩轉(720°)即完成進氣、壓縮、動力、排氣等四個行程，產生一次作功。引擎汽缸會將經由空濾的空氣與噴油嘴噴出的高壓霧化柴油充分混合，在活塞往上擠壓下，使體積縮小溫度升高達到柴油的燃點，使柴油被點燃後混合氣體劇烈燃燒，讓體積膨脹推動活塞往下完成動力行程，再透過各種不同方式，如MTU為電子控制噴油時程、三菱為機械式共軌控制，使各汽缸依序完成噴油行程，使活塞的推力經過連桿推動曲軸轉動，從而帶動發電機轉子，利用電磁感應原理，發電機即輸出感應電動勢。

從上述運轉原理可以發現噴油嘴的健康度乃發電機穩定度核心之一，常見之噴油嘴異常如：髒汙堵塞噴孔、內部閥針磨耗，都會致使噴油霧化能力降低，造成引擎馬力不足或排放黑煙等異常。(圖2)

2.2 分位數迴歸（Quantile Regression）

傳統線性迴歸^[2][6]，主要藉由最小化平均值與各點平方差之總和^[4]，達成估算數據趨勢，其計算方式簡易且迅速之優點至今仍廣受重用，但單點預測仍存在誤差，對於觀察發電機參數走向，以區間預測較為適合^[5]。(圖3)

分位數迴歸透過分析標的物長時間收集之數據資料^[1]，於每一時間間格選出當下設定之分位數，再將所有時間點挑出之同分位數以線性迴歸方式產出上下限之區間，使發電機在運行期間仍可持續有效偵測參數異常。(圖4)

3.研究方法

3.1 最佳化趨勢線

為能於監測發電機啟動時，預測各時間點之機油壓力合理區間，以及發電機柴油油耗與功率之關係，必須先針對系統油耗與油壓特性選擇適用公式。

目前公司內部使用之發電機大部份為60Hz、2000kW機組，從MTU 2000REOZDB原廠測試書可得知在25%、50%、75%、100%滿載輸出下之柴油消耗量(如圖5)，將此四點之數據以圖表方式標出後可發現其為線性相關(如圖6)，故可以線性函式進行最佳化迭代(公式1)。

機油壓力則透過撈取F14A廠發電機過去啟動保養紀錄作為訓練資料庫，其油壓與時間之特性從圖7可觀察出較像似於多項式相關，故本文第四章會以多項式函式進行迭代(公式2)。

本文實驗方法以最小二乘法為最佳化方法，目標函式設定如公式3所示，會以各數據點與函示之最小平方差總和為目標進行最佳化。

3.2 百分位數迴歸

一般迴歸分析僅考慮單點趨勢預測，百分位數迴歸則是集合該分位數下之所有資料群進行分析，它可以明確指出分析對象在任何時間點的資料分布性，假設撈取n組分布在t=1至t=m時間內之資料，x_(i,p)為t=n時第p百分位之實際值，結合上節所述之最佳化方法目標函式，可得(公式4)。

4.結果與分析

4.1 從油耗反映噴油嘴健康指標

根據MTU 2000REOZDB發電機噴油嘴VTO-G160BM新品檢測數據，2000kW機組每支噴油嘴在開度全開且柴油進油壓力1300bar的情況下，每1000次之噴油量落於525~639 c.c.間，藉此數據我們可定期將噴油嘴出廠送驗，觀察各缸噴油量是否有低於標準量之情形，如有則需盡快進行調整或更換新品，否則噴油量不足易造成機組輸出無法達標，然而此法檢查耗時且如備品不足會造成機組停機無法使用。

MTU發電機最大的優點即為電控式噴油，透過其行車電腦MDEC我們可即時觀察機組各種數據，如：機組即時耗油量，如搭配第3.1節以公式1進行最佳化，可得知噴油量應與功率成線性正比之關係(如圖8)，所以我們可推出機組於各功率輸出之情況下應有之噴油量。因MTU機組的電控行車電腦MDEC內部乃透過偵測噴油嘴噴頭開度百分比計算耗油量，如未來引入此法即時觀測噴油量，需先將此函式轉換為百分比耗油量，如圖9所示。

透過圖9函式可得1400kW下耗油量應為滿載之63.9%（此處滿載為機組引擎全力輸出2190kW，但原廠因需預留調整與誤差空間，發電機額定輸出通常會寫以2000kW），如將此函式導入SCADA遠端監測，即可於台電限電、發電機保養等各式情境即時監控機組狀態（如圖10），如發現耗油量異常即可精準定位進行出廠檢修，藉取代傳統大海撈針式排查，降低人力與時間成本。

4.2 應用分位迴歸於啟動油壓區間預測

由於機油壓力亦為發電機運轉重要環節，如發生油壓異常變動表示機組可能有滲油或破管之異常，如無即時停機恐造成故障蔓延導致機械結構不可逆之受損。

本節撈取F14P1廠MTU發電機運轉40次之機油壓力建立訓練資料庫（如圖11），於每一時間節點計算所有資料之第90與第10百分位數，並透過3-1節所提之公式二與公式四，藉此建立發電機運轉油壓區間預測（如圖12），如未來引入此法至值班SCADA監測機組油壓，可及早預判機組狀況，在異常尚未惡化前將其扼殺於根本。

4.3 應用分位迴歸於機組水溫區間預測

水溫亦為機組運轉中另一重要參數，機組如大量滲水或風扇故障造成散熱異常，易造成引擎溫度過高使機組如轉子、行車電腦等電控部件損壞，故發電機出廠時即會設定過溫門檻，如水溫越線即自動停機。

本節分析採用台積公司F14P1廠發電機組啟動40次之一小時水溫紀錄(如圖13)，透過於每一時間點撈取歷史紀錄之第10與第90百分位數，以迴歸分析建立機組水溫預測區間之上限與下限(如圖14)，以供人員於運轉期間可提前監測機組水溫，如發現水溫連續超出上或下限，可及早進行降載應變與視察，避免機組故障繼續惡化擴散。

5.結論

單點預測與單一趨勢線易與實際值存在誤差使監測人員無從判別機組參數偏移是否超標或異常，本文方法透過引用分位迴歸，結合分位數之區間性與線性回歸之預測性，達到機組參數區間預測之目的，並透過分析廠區發電機既有資料驗證其應用性，本文使用之線性分析方法為最基礎之最小平方差法，如未來可應用於更複雜或效率之最佳化模型，如類神經網路或機器學習，或許仍可進一步提升運算效率與預測可靠度。

另由於MTU發電機之行車電腦MDEC尚存通訊協定與版權問題，目前仍無法直接以市面普遍之方法，如：RS485、TCP/IP、IEC61850與SCADA通訊進行監測，如未來能解決此問題，透過本文提及之一般迴歸分析與分位迴歸之方法，並與SQL資料庫連結應用，應可確實執行機組健康度與狀態監測，達到發電機妥善率提升之目的。