陳智君 ，吳萌萌，王忠俊，袁 強(qiáng)，余永華

(1. 武漢理工大學(xué) 船海與能源動(dòng)力工程學(xué)院，湖北 武漢 430063； 2. 高性能船舶技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(武漢理工大學(xué))，湖北 武漢 430063)

隨著信號(hào)處理技術(shù)的提升和完善，學(xué)者們逐漸將人工智能技術(shù)融入到船舶柴油機(jī)故障診斷中，船舶柴油機(jī)的智能診斷可節(jié)省工作人員工作量，提高工作效率，防患于未然[1-2]．柴油機(jī)缸蓋振動(dòng)信號(hào)具有豐富的沖擊信息，且容易通過傳感器獲取，因而通過研究缸蓋振動(dòng)信號(hào)來診斷柴油機(jī)故障是可行的[3]．但柴油機(jī)激勵(lì)源很多，通過其形成的振動(dòng)信號(hào)非常容易互相耦合、互相干擾，導(dǎo)致故障特征不易提取，使得基于振動(dòng)信號(hào)的柴油機(jī)狀態(tài)監(jiān)測難以準(zhǔn)確有效．

基于此，學(xué)者們將人工神經(jīng)網(wǎng)絡(luò)[4-5]、隨機(jī)森林[6-7]和支持向量機(jī)(SVM)[8-10]等淺層學(xué)習(xí)算法應(yīng)用到柴油機(jī)故障診斷過程中．但是這些淺層學(xué)習(xí)算法都需要預(yù)先提取得到特征值，為了取得較好的模型準(zhǔn)確率，需要對特征值的提取進(jìn)行深入分析．深度學(xué)習(xí)的不斷發(fā)展為故障診斷技術(shù)提供了新的解決方案，深度學(xué)習(xí)算法可以通過逐層的非線性轉(zhuǎn)換，將預(yù)先構(gòu)建的特征向量從高維空間映射到一個(gè)更加清晰的低維空間，使分類或預(yù)測過程更加簡單[11-12]．常見的深度學(xué)習(xí)模型主要有深度堆棧網(wǎng)絡(luò)(DSN)[13-14]、深度置信網(wǎng)絡(luò)(DBN)和深度卷積網(wǎng)絡(luò)(CNN)[15-16]等．

為了提高柴油機(jī)多工況下燃燒室部件故障識(shí)別準(zhǔn)確率，筆者基于柴油機(jī)缸蓋振動(dòng)信號(hào)，綜合運(yùn)用DSN算法和多級(jí)診斷的思想，研究多級(jí)DSN故障診斷算法，并進(jìn)行在線驗(yàn)證．

1 深度堆棧網(wǎng)絡(luò)模型

1.1 堆疊自動(dòng)編碼器構(gòu)建

自編碼器(AE)的編碼過程相當(dāng)于獲得輸入數(shù)據(jù)較為理想的特征表示，解碼部分是將編碼后的特征數(shù)據(jù)恢復(fù)為原始數(shù)據(jù)，將前一個(gè)編碼器的隱含層輸出向量作為后一個(gè)自編碼器的輸入，并對其訓(xùn)練，再將各個(gè)編碼器按照一定的順序進(jìn)行堆疊，就能實(shí)現(xiàn)原始樣本數(shù)據(jù)的高層特征表示．

筆者使用包含輸入層、隱含層和輸出層的3層自編碼器進(jìn)行堆疊，如圖1所示，＋1為偏置項(xiàng)．對于訓(xùn)練樣本集D中的第i個(gè)樣本數(shù)據(jù)Xi( x1,x2,x3,…,xm1)，第1個(gè)自編碼器的輸入和輸出神經(jīng)元的個(gè)數(shù)均為m1，隱含層神經(jīng)元的個(gè)數(shù)可根據(jù)實(shí)際需求設(shè)定，假定隱含層的神經(jīng)元個(gè)數(shù)為n1．當(dāng)樣本集中訓(xùn)練樣本總數(shù)為k時(shí)，則樣本集D={X1,X2,X3,…,Xk}對該自編碼器進(jìn)行訓(xùn)練更新，在完成了訓(xùn)練以后便得到第1個(gè)自編碼器，在構(gòu)造第2個(gè)自編碼器時(shí)，該自編碼器的輸入數(shù)據(jù)為第1個(gè)自編碼器的隱含層輸出的數(shù)據(jù)，有，則第2個(gè)自編碼器的輸入、輸出節(jié)點(diǎn)個(gè)數(shù)為n1，令第2個(gè)自編碼器的隱含層神 經(jīng)元數(shù)目為n2，則樣本集D1對第2個(gè)自編碼器進(jìn) 行訓(xùn)練，在完成了訓(xùn)練以后可得到第2個(gè)自編碼器以及第2個(gè)自編碼器的隱含層輸出數(shù)據(jù)集，有D2=，利用數(shù)據(jù)集D2可訓(xùn)練第3個(gè)自編碼器，以此類推可訓(xùn)練出一組用于級(jí)聯(lián)的自編碼器．然后按照一定順序?qū)⒂?xùn)練得到的編碼器級(jí)聯(lián)得到堆疊自編碼器．

圖1 三層堆疊自編碼器示意Fig.1 Schematic of three-layer stacked automatic encoder

1.2 深度堆棧網(wǎng)絡(luò)模型構(gòu)建及優(yōu)化

堆疊自編碼器僅能獲得關(guān)于原始數(shù)據(jù)的高層特征映射，不能完成柴油機(jī)的故障分類，因而在其輸出層加上一層激活函數(shù)用于分類．

筆者在堆疊所得的網(wǎng)絡(luò)模型后面添加了M個(gè)使用Softmax激活函數(shù)的神經(jīng)元作為最后的輸出節(jié)點(diǎn)，從而獲得完整的深度堆棧網(wǎng)絡(luò)．通過堆疊編碼器獲得的深度網(wǎng)絡(luò)模型和普通的深層前饋網(wǎng)絡(luò)模型具有相同的拓?fù)浣Y(jié)構(gòu)，但是普通的深層前饋網(wǎng)絡(luò)的所有參數(shù)均是通過隨機(jī)初始化得到的，而筆者所選用的深度堆棧網(wǎng)絡(luò)，除了最后一個(gè)隱含層到輸出層之間的連接權(quán)值需要通過初始化獲得，其余的各層之間的連接權(quán)值均是通過逐層訓(xùn)練得到的．

考慮到在完成了對深度堆棧網(wǎng)絡(luò)的初始構(gòu)造后，由于其最后一個(gè)隱含層到輸出層的連接權(quán)值未經(jīng)過調(diào)整，可能還會(huì)存在所提取的高層特征并不一定適用于柴油機(jī)的故障分類，故還需要進(jìn)一步調(diào)整網(wǎng)絡(luò)參數(shù)．對于訓(xùn)練樣本集D={(X1,Y1),(X2,Y2),(X3,Y3),…, (Xk,Yk)}，可用該數(shù)據(jù)集對深度堆棧網(wǎng)絡(luò)做進(jìn)一步的微調(diào)以獲得模型參數(shù)的最終值(Xk和Yk為第K個(gè)樣本輸入數(shù)據(jù)及其結(jié)果)．這一步與普通的前饋網(wǎng)絡(luò)的訓(xùn)練過程一致．首先，將樣本標(biāo)記Yi通過獨(dú)熱編碼方式編碼為向量Yi′={0,0,…,1,…,0}，將訓(xùn)練樣本集D轉(zhuǎn)換為，假設(shè)模型對于Xi的輸出向量為F(Xi)，考慮到此處采用Softmax激活函數(shù)后輸出向量不同于筆者自編碼器的輸出向量，輸出層的神經(jīng)元輸出值范圍為[0，1]，同時(shí)所有輸出值之和為1，則考慮使用交叉熵構(gòu)造損失函數(shù)，可根據(jù)數(shù)據(jù)集構(gòu)造目標(biāo)函數(shù)為

式中：W為網(wǎng)絡(luò)權(quán)值矩陣；b為網(wǎng)絡(luò)偏置向量；K為訓(xùn)練樣本總數(shù)；yij取值為0或1，如果某一訓(xùn)練樣本的輸出為第h類，則yij＝1，其余的j≠h都有yij＝0．由于每個(gè)樣本只屬于一個(gè)類別，因而上述損失函數(shù)可簡化為

同時(shí)，為了提升所構(gòu)建模型的泛化能力，將網(wǎng)絡(luò)參數(shù)W的L2范數(shù)作為正則化項(xiàng)加入到目標(biāo)函數(shù)中，γ為正則化系數(shù)，有

使用優(yōu)化算法對該目標(biāo)函數(shù)進(jìn)行優(yōu)化，并結(jié)合反向傳播算法調(diào)整連接權(quán)值至模型收斂．深度堆棧網(wǎng)絡(luò)構(gòu)建流程如圖2所示．

圖2 深度堆棧網(wǎng)絡(luò)構(gòu)建流程示意Fig.2 Schematic of DSN construction flowchart

2 多級(jí)故障診斷模型

船舶柴油機(jī)往往運(yùn)行在不同的工況下，而從不同工況下提取的柴油機(jī)缸蓋振動(dòng)信號(hào)也是變化的，故在進(jìn)行故障種類區(qū)分之前，需對采集的數(shù)據(jù)按工況進(jìn)行劃分．此外，柴油機(jī)在發(fā)生故障時(shí)往往需要對故障的程度進(jìn)行估計(jì)．基于此，筆者搭建多級(jí)DSN故障診斷模型對多工況下柴油機(jī)的常見故障進(jìn)行識(shí)別并提高準(zhǔn)確率．首先，第1層級(jí)通過轉(zhuǎn)速和負(fù)荷實(shí)現(xiàn)對工況的區(qū)分，僅對轉(zhuǎn)速為1000r/min、轉(zhuǎn)矩分別為0(0%負(fù)荷)、788(25%負(fù)荷)和1576N·m(50%負(fù)荷)共3個(gè)工況的數(shù)據(jù)進(jìn)行故障分析．在第2層級(jí)，針對不同的工況分別構(gòu)建不同的DSN故障診斷模型，識(shí)別出不同的故障種類，選取柴油機(jī)常見的噴油器起噴壓力下降、噴油孔堵塞、活塞環(huán)磨損和排氣閥漏氣4種故障進(jìn)行分析．最后，建立第3層級(jí)DSN診斷模型，用于識(shí)別4種故障的嚴(yán)重程度，將其分為輕度、中度和重度故障．基于多級(jí)DSN的診斷示意如圖3所示．

圖3 基于多級(jí)DSN的診斷示意Fig.3 Schematic of diagnosis based on multi-level DSN

3 離線試驗(yàn)分析

筆者以轉(zhuǎn)速為1000r/min、50%負(fù)荷下的柴油機(jī)正常狀態(tài)和故障狀態(tài)的數(shù)據(jù)集進(jìn)行故障診斷和故障嚴(yán)重程度識(shí)別．柴油機(jī)各個(gè)狀態(tài)的數(shù)據(jù)集構(gòu)成見表1．

表1 轉(zhuǎn)速為1000r/min、50%負(fù)荷數(shù)據(jù)集Tab.1 Data set of engine under speed of 1000r/min，50%load

由于柴油機(jī)的缸蓋振動(dòng)信號(hào)與柴油機(jī)的工作過程對應(yīng)，故一個(gè)周期內(nèi)柴油機(jī)的缸蓋振動(dòng)信號(hào)可反映柴油機(jī)一個(gè)工作循環(huán)的狀態(tài)，利用不同時(shí)刻的缸蓋振動(dòng)信號(hào)可研究柴油機(jī)不同工況的變化．而不同燃燒室部件對燃燒過程不同階段的影響不同，通過分析燃燒過程的缸蓋振動(dòng)信號(hào)來判斷燃燒室部件的運(yùn)行狀態(tài)是可行的．選擇振動(dòng)信號(hào)分析段后，在振動(dòng)信號(hào)進(jìn)行特征值提取之前預(yù)先進(jìn)行降噪處理，可以一定程度提高信號(hào)的信噪比，避免噪聲信號(hào)對后續(xù)處理工作造成較大影響[17-18]．因而筆者結(jié)合變分模態(tài)分解算法(VMD)和小波閾值去噪方法各自的優(yōu)點(diǎn)進(jìn)行信號(hào)去噪．然后對船舶柴油機(jī)缸蓋振動(dòng)信號(hào)從經(jīng)典的時(shí)域、頻域及時(shí)頻域提取3種不同的特征值、共22個(gè)組成特征向量作為DSN網(wǎng)絡(luò)模型的輸入．用一個(gè)或是幾個(gè)特征值難以準(zhǔn)確區(qū)分故障種類，因而先將3個(gè)維度的特征值 進(jìn)行融合，利用多個(gè)自動(dòng)編碼器級(jí)聯(lián)來構(gòu)成堆疊自編碼器，再采用堆疊自編碼器對融合后的特征數(shù)據(jù)進(jìn)行二次特征提取的策略來獲得低維敏感特征數(shù)據(jù)．利用其良好的非線性映射能力，把特征向量從高維空間映射到低維空間求取深層次的特征．圖4為特征提取流程．

圖4 提取深層次特征流程Fig.4 Flow chart of extracting deep-seated features

當(dāng)船舶柴油機(jī)產(chǎn)生噴油壓力下降或失火等故障時(shí)，氣缸的燃燒激勵(lì)將會(huì)發(fā)生不同程度的改變，相應(yīng)的缸蓋振動(dòng)響應(yīng)信號(hào)也會(huì)受此影響．基于此，使用的時(shí)域變量有方差、裕度因子、波形因子、脈沖因子、峭度系數(shù)、峰值因子、偏斜度和能量．其中方差反映信號(hào)整體的離散程度和穩(wěn)定性；波形因子、峰值因子對故障的發(fā)生很敏感，是柴油機(jī)故障監(jiān)測過程中很重要的特征變量；脈沖因子和峭度系數(shù)能夠描述振動(dòng)信號(hào)脈沖程度的大?。煌ㄟ^裕度因子可以反映信號(hào)的沖擊程度，穩(wěn)定性一般但有較好的敏感性；偏斜度則反映信號(hào)的偏離程度；能量能反映振動(dòng)沖擊的強(qiáng)度．

當(dāng)柴油機(jī)燃燒室某部件產(chǎn)生故障時(shí)，如噴油孔堵塞，在燃燒段所產(chǎn)生的缸蓋振動(dòng)信號(hào)的頻率會(huì)發(fā)生改變，且不同故障的頻率響應(yīng)區(qū)間不一樣，因而可利用頻域特征參數(shù)對柴油機(jī)燃燒室的部件異常進(jìn)行故障診斷．研究用到的頻域特征參數(shù)有重心頻率、均方頻率、頻率方差、頻譜幅值方差、頻譜幅值偏度系數(shù)和頻譜幅值峭度系數(shù)．

柴油機(jī)產(chǎn)生的振動(dòng)信號(hào)并非平穩(wěn)信號(hào)．筆者利用時(shí)頻分析方法對振動(dòng)信號(hào)進(jìn)行分析，使用3層小波包分解將缸蓋振動(dòng)信號(hào)x(t)均勻地分解成8個(gè)包含不同頻帶的信號(hào)，故障信號(hào)分解所得的各頻帶能量成分的分布情況可以一定程度表征出柴油機(jī)燃燒室部件故障類型和故障程度．選用db10作為小波基函 數(shù)，運(yùn)用小波包分析，提取柴油機(jī)燃燒室部件異常的故障下信號(hào)的小波包能量比作為特征值．

在分析筆者提出的多級(jí)診斷方法之前，圖5給出了單級(jí)DSN算法直接進(jìn)行故障診斷的結(jié)果．考慮到輸出標(biāo)簽較多，故在構(gòu)建此次DSN網(wǎng)絡(luò)模型時(shí)采用4個(gè)隱含層，通過不斷試驗(yàn)確定各個(gè)隱含層節(jié)點(diǎn)的神經(jīng)元個(gè)數(shù)為20、18、16和14，最大迭代次數(shù)為400．

圖5 轉(zhuǎn)速為1000r/min、50%負(fù)荷工況下單級(jí)DSN算法診斷結(jié)果Fig.5 Diagnostic results of single-stage DSN algorithm with speed of 1000r/min and 50%load

類別1～13為柴油機(jī)在轉(zhuǎn)速為1000r/min、50%負(fù)荷下的13種不同狀態(tài)，當(dāng)藍(lán)色圓圈和紅色實(shí)心點(diǎn)重疊時(shí)測試數(shù)據(jù)分類準(zhǔn)確．使用DSN直接對柴油機(jī)進(jìn)行故障診斷，結(jié)果存在著較大的誤差，可知，將多種復(fù)雜的故障使用一個(gè)分類模型進(jìn)行故障診斷，效果并不是很好，因而對復(fù)雜工況的數(shù)據(jù)進(jìn)行多級(jí)故障診斷分析很有必要．

為了驗(yàn)證多級(jí)DSN故障診斷算法對故障識(shí)別的效果，筆者將所提故障診斷算法與經(jīng)典的SVM算法和極限學(xué)習(xí)機(jī)(ELM)算法進(jìn)行對比．多級(jí)DSN的訓(xùn)練參數(shù)如表2所示，訓(xùn)練的具體過程見圖2．

表2 多級(jí)DSN參數(shù)Tab.2 Multi-level DSN parameters

圖6為基于SVM、ELM和DSN算法故障種類的診斷．對上述數(shù)據(jù)集進(jìn)行重新歸類，不區(qū)分故障程度，只區(qū)分故障種類，分為柴油機(jī)正常、排氣閥漏氣故障、噴油器起噴壓力下降故障、活塞環(huán)磨損故障和噴油孔堵塞故障．對于5種不同的柴油機(jī)狀態(tài)的識(shí)別，DSN算法、ELM算法和SVM算法的準(zhǔn)確率分別為99.2333%、97.4333%和96.7000%．

圖7為基于DSN模型的故障程度診斷．將故障程度分為正常、輕度、中度和重度．可知對于給定的 故障，DSN可以對不同的故障進(jìn)行嚴(yán)重程度的精確辨別，其中噴油器起噴壓力下降的準(zhǔn)確率為98.6250%，活塞環(huán)磨損的準(zhǔn)確率為98.8750%，排氣閥漏氣的 準(zhǔn)確率為99.1250%，而噴油孔堵塞的準(zhǔn)確率為99.7500%．結(jié)合圖6可以看出，利用多級(jí)DSN不僅可以實(shí)現(xiàn)對故障種類的準(zhǔn)確區(qū)分，在故障發(fā)生時(shí)還可以對各類故障的嚴(yán)重程度進(jìn)行劃分．

圖6 基于SVM、ELM和DSN算法故障種類的診斷Fig.6 Fault type diagnosis based on SVM，ELMand DSN algorithm

圖7 基于DSN模型的故障程度的診斷Fig.7 Fault degree diagnosis based on DSN model

為了計(jì)算多級(jí)診斷模型的總準(zhǔn)確率，將各級(jí)診斷模型的平均準(zhǔn)確率累乘得到總準(zhǔn)確率η，有

式中：η1為工況識(shí)別的準(zhǔn)確率；η2為故障種類識(shí)別的準(zhǔn)確率；η3為故障程度識(shí)別的準(zhǔn)確率．

為了驗(yàn)證構(gòu)建的多級(jí)DSN智能診斷算法的效果，筆者將所提故障診斷算法與經(jīng)典的SVM算法和ELM算法進(jìn)行故障準(zhǔn)確率對比．

對轉(zhuǎn)速為1000r/min、50%負(fù)荷工況下，η1取100.0000%、η2和η3取平均值，可得多級(jí)DSN、多級(jí)ELM和多級(jí)SVM的總準(zhǔn)確率η．用同樣的方法對轉(zhuǎn)速為1000r/min、25%負(fù)荷和轉(zhuǎn)速為1000r/min、0%負(fù)荷的工況進(jìn)行多級(jí)診斷分析，得出多級(jí)DSN、多級(jí)ELM和多級(jí)SVM的總準(zhǔn)確率η，如表3所示．

表3 不同工況下多級(jí)診斷模型準(zhǔn)確率Tab.3 Accuracy of multi-level diagnostic model under different conditions (%)

綜上可知，相比于單級(jí)DSN，各個(gè)工況下多級(jí)DSN模型總的故障識(shí)別準(zhǔn)確率得到了提升，也都優(yōu)于各工況下多級(jí)SVM模型和多級(jí)ELM模型的故障識(shí)別準(zhǔn)確率，此外，在故障種類的區(qū)分和故障不同嚴(yán)重程度識(shí)別方面，多級(jí)DSN模型性能較好，驗(yàn)證了多級(jí)DSN模型在多工況下進(jìn)行故障診斷的可行性和有效性．

4 在線試驗(yàn)驗(yàn)證

基于dSPACE平臺(tái)設(shè)計(jì)船舶柴油機(jī)燃燒室部件在線故障診斷系統(tǒng)，筆者驗(yàn)證了故障診斷算法的可行性．故障診斷系統(tǒng)結(jié)構(gòu)如圖8所示．此系統(tǒng)主要由硬件部分和軟件部分組成．系統(tǒng)的硬件部分由外部電源、轉(zhuǎn)速調(diào)理電路、振動(dòng)信號(hào)調(diào)理電路、電荷放大器5037B1、dSPACE接線板和主機(jī)MicroAutoBoxⅡ等多個(gè)部分組成．試驗(yàn)利用BW振動(dòng)傳感器采集振動(dòng)信號(hào)，缸壓信號(hào)由Kistler 7013C缸壓傳感器獲取，轉(zhuǎn)速和上止點(diǎn)由SZB-16L型轉(zhuǎn)速傳感器測量．在線故障診斷的流程包括5個(gè)步驟．

圖8 故障診斷系統(tǒng)結(jié)構(gòu)Fig.8 Structure of fault diagnosis system

步驟1離線測試．用Simulink自帶的庫模塊建立分析模型并測試分析結(jié)果．

步驟2實(shí)時(shí)建立．加入RTI庫(實(shí)時(shí)接口庫)中與dSPACE主機(jī)所對應(yīng)的I/O模塊，從而使離線分析模型轉(zhuǎn)化成在線分析模型，然后對I/O模塊的基本參數(shù)進(jìn)行設(shè)置．

步驟3編譯下載．使用POWER PC編譯器將實(shí)時(shí)模型轉(zhuǎn)換為C代碼．

步驟4在線運(yùn)行．將編譯得到的代碼下載到dSPACE硬件系統(tǒng)中實(shí)時(shí)在線運(yùn)行．設(shè)置計(jì)算一個(gè)周期的時(shí)間為0.0100s，實(shí)際計(jì)算一個(gè)周期的時(shí)間為 0.0053s．

步驟5故障診斷．將柴油機(jī)的缸蓋振動(dòng)信號(hào)通過采集板接入dSPACE主機(jī)進(jìn)行柴油機(jī)的故障狀態(tài)分析．

在上位機(jī)軟件ControlDesk中建立分析界面，對柴油機(jī)的狀態(tài)進(jìn)行分析，為了驗(yàn)證在線診斷系統(tǒng)的診斷識(shí)別效果，在Z6170ZICZ-1型柴油機(jī)試驗(yàn)臺(tái)架上進(jìn)行正常狀態(tài)和單缸失火的驗(yàn)證．將連續(xù)100次的診斷結(jié)果保存，并分析對比經(jīng)典的ELM模型和DSN模型的診斷識(shí)別能力．

圖9示出轉(zhuǎn)速為1000r/min、不同負(fù)荷下的在線診斷試驗(yàn)結(jié)果．經(jīng)典的ELM模型在不同負(fù)荷下能正確識(shí)別出柴油機(jī)處于正常狀況，但也會(huì)將狀態(tài)誤識(shí)別為其他的故障狀態(tài)，在上述3個(gè)負(fù)荷下的識(shí)別準(zhǔn)確率為96.0000%、96.0000%和94.0000%．而DSN模型對3個(gè)負(fù)荷的識(shí)別準(zhǔn)確率為99.0000%、99.0000%和100.0000%，對柴油機(jī)運(yùn)行狀態(tài)的識(shí)別較ELM模型準(zhǔn)確．此外，當(dāng)試驗(yàn)中的轉(zhuǎn)速或負(fù)荷有輕微改變時(shí)，ELM故障診斷模型開始難以識(shí)別出柴油機(jī)的工作狀 態(tài)，其模型抗干擾性較差；而對于DSN模型，在不同的工況下，即使轉(zhuǎn)速或負(fù)荷都出現(xiàn)輕微變化，均能準(zhǔn)確識(shí)別出柴油機(jī)是否處于正常狀態(tài)，其模型抗干擾性較好．

圖9 正常狀態(tài)在線診斷試驗(yàn)結(jié)果Fig.9 Experimental results of normal state on-line diagnosis

考慮到失火故障對柴油機(jī)的損害以及試驗(yàn)條件的限制，筆者僅在轉(zhuǎn)速為1000r/min、0%負(fù)荷的工況下，停止對柴油機(jī)1號(hào)缸供油來模擬柴油機(jī)單缸失火故障，驗(yàn)證DSN故障診斷模型的識(shí)別能力，如圖10所示．可知，DSN模型能準(zhǔn)確識(shí)別出柴油機(jī)處于單缸失火狀態(tài)下，識(shí)別準(zhǔn)確率為100.0000%．

圖10 失火狀態(tài)在線診斷試驗(yàn)結(jié)果Fig.10 Experimental results of misfire state on-line diagnosis

5 結(jié) 論

(1) 通過堆疊自編碼器對時(shí)域、頻域和時(shí)頻域提取更深層次的特征值．

(2) 提出一種基于多級(jí)DSN的柴油機(jī)多工況故障分類方法，首先確定柴油機(jī)工況，再通過一組DSN模型區(qū)分不同工況下的故障種類，最后再利用一組DSN模型區(qū)分不同工況下每種故障的故障程度．

(3) 將所提故障診斷模型嵌入dSPACE主機(jī)中進(jìn)行在線驗(yàn)證，所提方法能準(zhǔn)確識(shí)別出柴油機(jī)是否處于正常狀態(tài)，其模型抗干擾性較好．