基于數據驅動的船舶柴油機智能故障診斷研究

張 靖

(廣東生態工程職業學院,廣東 廣州 510000)

0 引言

傳統的船舶柴油機故障多依賴維修人員的經驗與專業知識，還要結合維修記錄和故障現象來進行分析，故障診斷存在滯后性，準確性也無法得到保證。人工智能和機器學習為船舶柴油機故障診斷提供了新的思路，對即將發生的故障進行準確了解，可以保障船舶正常航行。

1 船舶柴油機故障數據獲取與診斷

1.1 故障數據獲取方式

當前，船舶柴油機故障類型及數量比較少，采集到故障數據的成本比較高，采用算法來創建模型存在著較大的難度?？刹捎肁VL BOOST軟件來對進行故障仿真獲取到數據信息，主要對內燃機穩態及瞬態性能進行仿真，仿真柴油機為4沖程8缸，缸徑為510mm，額定轉速為514r/min，活塞行程600mm，輸出功率為8MW，設置為燃油模式，設置好熱力系統外部邊界、進排氣管、渦輪增壓、空冷器、氣缸、連接管路，并確定出工介流動方向。在做實驗以前，將仿真模型與船舶在額定工況下的性能參數進行對比，實測值與仿真值誤差為±4%，表明仿真模型與柴油機實際工況基本相符，可用于故障設置與仿真實驗。

1.2 故障分析與設置

通過修改仿真模型參數來對船舶柴油機熱工故障進行模擬，并得到足夠數量的故障數據樣本，對多源信號數據過進行分析與處理，可以實現對故障的高效診斷。故障為柴油機內元件進行模擬，對多種故障表現形式及原因進行分析，按照故障機理來對參數進行修改，主要故障為：

1)單缸供油量降低

如果柴油機單缸供油量減小，燃燒消耗量則會變多，排氣溫度、爆發壓力和有效功率等都會減小，燃油經濟性變差。柴油機運行時，噴油器和噴油泵溫度可高達90℃，燃油粘度在高溫條件下會變差，柱塞等元件內漏會變多，缸內噴油量會減少。供油量變小故障，需要使單缸循環油量減小，額定工況下的柴油機供油量為12.27g，可將仿真中某氣缸供油量調整區間為5～20%，其它氣缸供油量不變。

2)增壓器效率低

如果柴油機增壓器效率不高，進氣壓力、有效功率等也會相應減小，后燃的問題變得嚴重，壓氣機出口溫度、油耗等也會變大。在對增壓器低效條件下故障進行模擬時，需要適當調低壓氣機效率，將額定運行工況下壓氣機效率下調至80%，可將數值調整區間為5～20%，。

3)空冷器效率低

柴油機空冷器效率不高會使進氣溫度變高、換氣質量下降，缸內燃燒溫度及油耗也會相應提升，熱負荷、排氣溫度等也會增加?？諝庵写嬖诨覊m及油霧，濾網具備的過濾能力比較有限，會導致空冷器壁面存在結垢現象，無法對空氣進行有效地冷卻。將柴油機仿真模型空冷器效率調低至87.68%，可將數值調整區間為5～20%，用于模擬不同程度條件下空冷器效率低下。

4)噴油定時滯后

柴油機噴油滯后會使氣缸氣體溫度與壓力均存在不同程度的降低，后燃現象較為嚴重，有效功率會存一定程度的下降，油耗和排氣溫度均會提升，燃油經濟性降低。噴油分泵噴油時間由調整滾輪螺釘來進行設置，噴油時間是通過調節柱塞下端與滾輪間隙來實現。燃燒放熱為AVL MCC模型，可用于穩太及瞬態工況的仿真，在對噴油定時故障進行仿真時，應該合理調整噴油角度，將模型在額定工況下噴油定時角度調整為-3.5deg，將此數值在5～20%區間內進行修正。

5)排氣閥氣閥間隙大

如果柴油機排氣閥間隙太大，會導致開啟時間會變短，廢敢無法順利排出，換氣質量無法得到保障，燃油也無法得到充分燃燒，有效功率也會相應降低，而排氣溫度和油耗會增大，燃油經濟性也會降低。閥座與閥盤受到缸內燃油燃燒爆發壓力和落座帶來的沖擊，會存在彈性變形問題，密封錐面存在一定程度的磨損，會使排氣閥氣閥間隙變大。對仿真模型中排氣閥氣閥間隙大小進行調整，來對氣閥間隙過大情況進行模擬，在額定工況下，排氣閥間隙值為0.4mm，將間隙值增大為原來的5～20%。

6)活塞環磨損

柴油機活塞磨損會使缸內燃燒溫度、壓力等變低，油耗和排氣溫度也會增加，嚴重情況下會使曲軸箱量油孔存在溢油現象。柴油機長時間運行，缸套與活塞環間會出現嚴重磨損現象，使竄氣間隙變大，缸內高溫高壓氣體會沿著活塞環間隙流動至曲軸箱。當存在拉缸問題時，缸套與活塞環的磨損會愈加嚴重，竄氣現象也會加劇。在對柴油機活塞環磨損故障進行模擬時，需要將竄氣間隙值由0mm逐步增大至0.125mm。

1.3 樣本數據的獲取

在柴油機額定工況條件下，按照6種故障設置方法來對參數進行設定，氣體溫度、壓力和流速等參數會對柴油機正常運轉產生非常大的影響。于仿真模型中增壓器、空冷器、渦輪的出口部位設置測點，在進、排氣歧管、排氣總管部位出設置測點，通過采集可以反映出柴油機不同部位運行狀況。進行仿真實驗可以得到單缸供油量降低等多種故障條件下的樣本數據。

2 深度信念網絡算法原理

2.1 算法原理

深度信念網絡是一種深層網絡，逐層訓練學習的方式將學習劃分為預訓練、微調兩個不同階段，具體見圖1所示。

預訓練為逐層無監督方式，各層均參數初始化，并對樣本數據信息進行提??；微調階段對初始化以后的參數以BP算法來進行細微調整。

2.2 限制性玻爾茲曼機

信念網絡通過對各層RBM神經元權值進行調整，形成最大概率訓成數據，再以此為基礎進行特征提取、目標識別，具體結構見圖2所示。

可見層與隱藏層組建起RBM雙層網絡結構，可見層接收數據，隱含層提取特征，兩層的神經元相互連接，每層神經元為獨立狀態。v為可見層單元輸入節點，h為隱含層節點，w可見層至隱含層權值矩陣，建立起RBM模型需要參數w、a和b，參數θ={wij，ai，bj}(i=1,2，…，n，j=1,2，…，m)。v和h值被給定時，限制性玻爾茲曼RBM能量函數為：

(1)

上式中ai、bj分別為可見單元和隱含單元偏置，wij為權值，該函數為當前可見層和隱含層節點分布條件下，兩層間的能量值。兩層中任意節點有0、1兩種狀態，則節點組狀誠共有t=2n+m種。進行指數化及正則化處理以后，兩層節點集合{v,h}各自為某種狀態下聯合概率分布：

(2)

上式中Z為歸一化因子，用于表達可見層、隱含層節點狀態對數量總和，該值多有用吉布斯采樣法來莉得近似解。

2.3 參數求解

RBM模型建立要先確定出可見層與隱含層節點數量，再求解出模型參數θ?？梢妼由窠浽獢的繛闃颖咎卣鲾?，隱含層神經元數目根據使用要求來確定。訓練樣本為x={x1,x2,…,xn}，可見層向量為v=x。對RBM模型進行訓練可用于模型參數θ的調整與修改，模型反映的可見層節點概率分布與輸入數據相符，求解最優問題采用似然函數進行求導師，似然函數則為邊緣概率分布函數P(v)，能量E與概率P為反比例關系，求解出最大P(v)就可以獲取到最小的能量E，最大似然函數為梯度上升法。

2.4 激活函數與代價函數

神經網絡學習訓練需要借助激活函數，使模型去處理復雜的非線性關系，可在輸入加權求和處理以后，提升網絡模型非線性。常用的激活函數有Linear、Tanh和 Sigmoid 等。代價函數用于對模型預測值與真實性間的誤差進行計算，模型學習的整個過程可看作代價函數優化過程，梯度下降計算采用的代價函數為參數的偏導。

3 船舶柴油機復合故障的診斷研究

3.1 相關性分析原理

相關性分析為樣本預處理的重要工具，對多個變量的變動狀態一致性進行調整，用于對樣本特征進行降維，使模型具有更好的泛化能力，網絡結構變得更為簡潔。對多變量間相關度進行評估時，多采用相關系數來表示，相關系數小于0則兩變量為負相關，大于0則為正相關。相關系數絕對值大則表明樣本特征和狀態類別相關度變高。Pearson相關系數有著很高的實用性和計算準確度，計算公式為：

(3)

3.2 故障診斷流程

將船舶柴油機故障仿真作為前提，對復合故障情況進行模擬并進行診斷，由在線學習和在線診斷兩部分構成，離線學習階段需要開展數據信息標準化處理，特征約簡處理和模型訓練，在線識別階段對采用的柴油機數據信息進行預處理并進行故障診斷，具體流程見圖3所示。

實施步驟如下：對故障樣本數據信息進行預處理，歸一化處理及對故障類型進行編碼；進行相關性分析再篩選，減小訓練樣本維度；進行預訓練，把樣本導入模型，由下至上對每個RBM層進行訓練，進行計算后得到每層初始化參數；對模型進行細微調整，進行預訓練后獲取到初始化參數，采用BP算法來反方面調整，可以獲取到最終的模型；對故障進行在線識別，把監測到的實時運行數據信息采用同樣預處理和約簡方式進行處理，導入到模型來進行故障識別。

3.3 樣本數據預處理

故障仿真實驗后可以得到6種故障狀態下樣本數據信息，確定出數據集規模，再隨著劃分出不同的數據集，可以得到訓練樣本集、測試樣本集。訓練樣本集應用于模型學習整個過程，測試樣本集對模型泛化性進行檢驗，在進行模型訓練以前采用線性函數歸一化來對樣本進行變換處理，訓練完成后采用相同方式對測試集進行歸一化處理，可進行模型泛化性驗證。對樣本中可能存在狀態類別，利用獨熱編碼進行處理，對訓練樣本進行特征歸一化處理及狀態標簽編碼，再通過深度信念網絡算法訓練，可創建好復合故障診斷模型。

3.4 基于相關性分析的特征選擇

采用算法進行訓練以前，應用相關性分析來對樣本特征和相關系數進行計算，再結合相關性系數對特征量進行篩選，進行降維處理可以降低網絡節點和模型復雜度，提升網絡收斂速度。不同特征及狀態類別間相關系數存在較大差異，可通過設置閾值λ來對特征進行降維，如果|r|≤λ，特征與狀態類別為弱相關性，可進行約簡處理。多次調整閾值λ可得到具有不同特征數目樣本集。λ值變大則樣本特征數變小，0≤λ≤0.28，分析模型沒有對測試樣本集故障識別率產生變化；0.28≤λ≤0.35，分析模型對訓練樣本集和測試樣本集識別率降低，λ=0.28則特征數目減小至15種，所以，采用網絡訓練不需要耗費較多時間，可以得到很高的準確率及泛化性。

3.5 模型設置與訓練

采用算法來對故障模型進行創建時，要設定好網絡結構等參數，輸入屬性維度與樣本類別數量分別與首層及末層節點數相對應。進行預訓練時，樣本訓練至1000次，網絡誤差已經大幅減少，訓練至1500次，損失函數減小至0.0607，表明模型對訓練集故障識別率已經上升至99.39%。

3.6 故障診斷方法的驗證

復合故障診斷方法可以較為準確地識別出測試樣本真實情況，但真實情況與測試樣本還存一定誤差 ，共有3條樣本識別存在錯誤，1條被誤識別為狀態1，2條被錯識別為狀態4，表明該診斷方法有著很好的泛化能力，有著較高的識別準確率，可以在99%以上正確判別概率。

4 結束語

綜上所述，傳統的船舶柴油機故障診別依賴于人員經驗，基于數據驅動的智能故障診斷與識別，可認采集到更多的故障數據信息，采用深度信念網絡算法對不同的故障模型進行識別，具有很高的故障診斷準確性。