張 靖

(廣東生態(tài)工程職業(yè)學(xué)院,廣東 廣州 510000)

0 引言

傳統(tǒng)的船舶柴油機(jī)故障多依賴維修人員的經(jīng)驗(yàn)與專業(yè)知識(shí)，還要結(jié)合維修記錄和故障現(xiàn)象來進(jìn)行分析，故障診斷存在滯后性，準(zhǔn)確性也無法得到保證。人工智能和機(jī)器學(xué)習(xí)為船舶柴油機(jī)故障診斷提供了新的思路，對即將發(fā)生的故障進(jìn)行準(zhǔn)確了解，可以保障船舶正常航行。

1 船舶柴油機(jī)故障數(shù)據(jù)獲取與診斷

1.1 故障數(shù)據(jù)獲取方式

當(dāng)前，船舶柴油機(jī)故障類型及數(shù)量比較少，采集到故障數(shù)據(jù)的成本比較高，采用算法來創(chuàng)建模型存在著較大的難度?？刹捎肁VL BOOST軟件來對進(jìn)行故障仿真獲取到數(shù)據(jù)信息，主要對內(nèi)燃機(jī)穩(wěn)態(tài)及瞬態(tài)性能進(jìn)行仿真，仿真柴油機(jī)為4沖程8缸，缸徑為510mm，額定轉(zhuǎn)速為514r/min，活塞行程600mm，輸出功率為8MW，設(shè)置為燃油模式，設(shè)置好熱力系統(tǒng)外部邊界、進(jìn)排氣管、渦輪增壓、空冷器、氣缸、連接管路，并確定出工介流動(dòng)方向。在做實(shí)驗(yàn)以前，將仿真模型與船舶在額定工況下的性能參數(shù)進(jìn)行對比，實(shí)測值與仿真值誤差為±4%，表明仿真模型與柴油機(jī)實(shí)際工況基本相符，可用于故障設(shè)置與仿真實(shí)驗(yàn)。

1.2 故障分析與設(shè)置

通過修改仿真模型參數(shù)來對船舶柴油機(jī)熱工故障進(jìn)行模擬，并得到足夠數(shù)量的故障數(shù)據(jù)樣本，對多源信號(hào)數(shù)據(jù)過進(jìn)行分析與處理，可以實(shí)現(xiàn)對故障的高效診斷。故障為柴油機(jī)內(nèi)元件進(jìn)行模擬，對多種故障表現(xiàn)形式及原因進(jìn)行分析，按照故障機(jī)理來對參數(shù)進(jìn)行修改，主要故障為：

1)單缸供油量降低

如果柴油機(jī)單缸供油量減小，燃燒消耗量則會(huì)變多，排氣溫度、爆發(fā)壓力和有效功率等都會(huì)減小，燃油經(jīng)濟(jì)性變差。柴油機(jī)運(yùn)行時(shí)，噴油器和噴油泵溫度可高達(dá)90℃，燃油粘度在高溫條件下會(huì)變差，柱塞等元件內(nèi)漏會(huì)變多，缸內(nèi)噴油量會(huì)減少。供油量變小故障，需要使單缸循環(huán)油量減小，額定工況下的柴油機(jī)供油量為12.27g，可將仿真中某氣缸供油量調(diào)整區(qū)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(jī)增壓器效率不高，進(jìn)氣壓力、有效功率等也會(huì)相應(yīng)減小，后燃的問題變得嚴(yán)重，壓氣機(jī)出口溫度、油耗等也會(huì)變大。在對增壓器低效條件下故障進(jìn)行模擬時(shí)，需要適當(dāng)調(diào)低壓氣機(jī)效率，將額定運(yùn)行工況下壓氣機(jī)效率下調(diào)至80%，可將數(shù)值調(diào)整區(qū)間為5～20%，。

3)空冷器效率低

柴油機(jī)空冷器效率不高會(huì)使進(jìn)氣溫度變高、換氣質(zhì)量下降，缸內(nèi)燃燒溫度及油耗也會(huì)相應(yīng)提升，熱負(fù)荷、排氣溫度等也會(huì)增加?？諝庵写嬖诨覊m及油霧，濾網(wǎng)具備的過濾能力比較有限，會(huì)導(dǎo)致空冷器壁面存在結(jié)垢現(xiàn)象，無法對空氣進(jìn)行有效地冷卻。將柴油機(jī)仿真模型空冷器效率調(diào)低至87.68%，可將數(shù)值調(diào)整區(qū)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(shí)滯后

柴油機(jī)噴油滯后會(huì)使氣缸氣體溫度與壓力均存在不同程度的降低，后燃現(xiàn)象較為嚴(yán)重，有效功率會(huì)存一定程度的下降，油耗和排氣溫度均會(huì)提升，燃油經(jīng)濟(jì)性降低。噴油分泵噴油時(shí)間由調(diào)整滾輪螺釘來進(jìn)行設(shè)置，噴油時(shí)間是通過調(diào)節(jié)柱塞下端與滾輪間隙來實(shí)現(xiàn)。燃燒放熱為AVL MCC模型，可用于穩(wěn)太及瞬態(tài)工況的仿真，在對噴油定時(shí)故障進(jìn)行仿真時(shí)，應(yīng)該合理調(diào)整噴油角度，將模型在額定工況下噴油定時(shí)角度調(diào)整為-3.5deg，將此數(shù)值在5～20%區(qū)間內(nèi)進(jìn)行修正。

5)排氣閥氣閥間隙大

如果柴油機(jī)排氣閥間隙太大，會(huì)導(dǎo)致開啟時(shí)間會(huì)變短，廢敢無法順利排出，換氣質(zhì)量無法得到保障，燃油也無法得到充分燃燒，有效功率也會(huì)相應(yīng)降低，而排氣溫度和油耗會(huì)增大，燃油經(jīng)濟(jì)性也會(huì)降低。閥座與閥盤受到缸內(nèi)燃油燃燒爆發(fā)壓力和落座帶來的沖擊，會(huì)存在彈性變形問題，密封錐面存在一定程度的磨損，會(huì)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(jìn)行調(diào)整，來對氣閥間隙過大情況進(jìn)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(huán)磨損

柴油機(jī)活塞磨損會(huì)使缸內(nèi)燃燒溫度、壓力等變低，油耗和排氣溫度也會(huì)增加，嚴(yán)重情況下會(huì)使曲軸箱量油孔存在溢油現(xiàn)象。柴油機(jī)長時(shí)間運(yùn)行，缸套與活塞環(huán)間會(huì)出現(xiàn)嚴(yán)重磨損現(xiàn)象，使竄氣間隙變大，缸內(nèi)高溫高壓氣體會(huì)沿著活塞環(huán)間隙流動(dòng)至曲軸箱。當(dāng)存在拉缸問題時(shí)，缸套與活塞環(huán)的磨損會(huì)愈加嚴(yán)重，竄氣現(xiàn)象也會(huì)加劇。在對柴油機(jī)活塞環(huán)磨損故障進(jìn)行模擬時(shí)，需要將竄氣間隙值由0mm逐步增大至0.125mm。

1.3 樣本數(shù)據(jù)的獲取

在柴油機(jī)額定工況條件下，按照6種故障設(shè)置方法來對參數(shù)進(jìn)行設(shè)定，氣體溫度、壓力和流速等參數(shù)會(huì)對柴油機(jī)正常運(yùn)轉(zhuǎn)產(chǎn)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(shè)置測點(diǎn)，在進(jìn)、排氣歧管、排氣總管部位出設(shè)置測點(diǎn)，通過采集可以反映出柴油機(jī)不同部位運(yùn)行狀況。進(jìn)行仿真實(shí)驗(yàn)可以得到單缸供油量降低等多種故障條件下的樣本數(shù)據(jù)。

2 深度信念網(wǎng)絡(luò)算法原理

2.1 算法原理

深度信念網(wǎng)絡(luò)是一種深層網(wǎng)絡(luò)，逐層訓(xùn)練學(xué)習(xí)的方式將學(xué)習(xí)劃分為預(yù)訓(xùn)練、微調(diào)兩個(gè)不同階段，具體見圖1所示。

預(yù)訓(xùn)練為逐層無監(jiān)督方式，各層均參數(shù)初始化，并對樣本數(shù)據(jù)信息進(jìn)行提取；微調(diào)階段對初始化以后的參數(shù)以BP算法來進(jìn)行細(xì)微調(diào)整。

2.2 限制性玻爾茲曼機(jī)

信念網(wǎng)絡(luò)通過對各層RBM神經(jīng)元權(quán)值進(jìn)行調(diào)整，形成最大概率訓(xùn)成數(shù)據(jù)，再以此為基礎(chǔ)進(jìn)行特征提取、目標(biāo)識(shí)別，具體結(jié)構(gòu)見圖2所示。

可見層與隱藏層組建起RBM雙層網(wǎng)絡(luò)結(jié)構(gòu)，可見層接收數(shù)據(jù)，隱含層提取特征，兩層的神經(jīng)元相互連接，每層神經(jīng)元為獨(dú)立狀態(tài)。v為可見層單元輸入節(jié)點(diǎn)，h為隱含層節(jié)點(diǎn)，w可見層至隱含層權(quán)值矩陣，建立起RBM模型需要參數(shù)w、a和b，參數(shù)θ={wij，ai，bj}(i=1,2，…，n，j=1,2，…，m)。v和h值被給定時(shí)，限制性玻爾茲曼RBM能量函數(shù)為：

(1)

上式中ai、bj分別為可見單元和隱含單元偏置，wij為權(quán)值，該函數(shù)為當(dāng)前可見層和隱含層節(jié)點(diǎn)分布條件下，兩層間的能量值。兩層中任意節(jié)點(diǎn)有0、1兩種狀態(tài)，則節(jié)點(diǎn)組狀誠共有t=2n+m種。進(jìn)行指數(shù)化及正則化處理以后，兩層節(jié)點(diǎn)集合{v,h}各自為某種狀態(tài)下聯(lián)合概率分布：

(2)

上式中Z為歸一化因子，用于表達(dá)可見層、隱含層節(jié)點(diǎn)狀態(tài)對數(shù)量總和，該值多有用吉布斯采樣法來莉得近似解。

2.3 參數(shù)求解

RBM模型建立要先確定出可見層與隱含層節(jié)點(diǎn)數(shù)量，再求解出模型參數(shù)θ?？梢妼由窠?jīng)元數(shù)目為樣本特征數(shù)，隱含層神經(jīng)元數(shù)目根據(jù)使用要求來確定。訓(xùn)練樣本為x={x1,x2,…,xn}，可見層向量為v=x。對RBM模型進(jìn)行訓(xùn)練可用于模型參數(shù)θ的調(diào)整與修改，模型反映的可見層節(jié)點(diǎn)概率分布與輸入數(shù)據(jù)相符，求解最優(yōu)問題采用似然函數(shù)進(jìn)行求導(dǎo)師，似然函數(shù)則為邊緣概率分布函數(shù)P(v)，能量E與概率P為反比例關(guān)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(shù)為梯度上升法。

2.4 激活函數(shù)與代價(jià)函數(shù)

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練需要借助激活函數(shù)，使模型去處理復(fù)雜的非線性關(guān)系，可在輸入加權(quán)求和處理以后，提升網(wǎng)絡(luò)模型非線性。常用的激活函數(shù)有Linear、Tanh和 Sigmoid 等。代價(jià)函數(shù)用于對模型預(yù)測值與真實(shí)性間的誤差進(jìn)行計(jì)算，模型學(xué)習(xí)的整個(gè)過程可看作代價(jià)函數(shù)優(yōu)化過程，梯度下降計(jì)算采用的代價(jià)函數(shù)為參數(shù)的偏導(dǎo)。

3 船舶柴油機(jī)復(fù)合故障的診斷研究

3.1 相關(guān)性分析原理

相關(guān)性分析為樣本預(yù)處理的重要工具，對多個(gè)變量的變動(dòng)狀態(tài)一致性進(jìn)行調(diào)整，用于對樣本特征進(jìn)行降維，使模型具有更好的泛化能力，網(wǎng)絡(luò)結(jié)構(gòu)變得更為簡潔。對多變量間相關(guān)度進(jìn)行評(píng)估時(shí)，多采用相關(guān)系數(shù)來表示，相關(guān)系數(shù)小于0則兩變量為負(fù)相關(guān)，大于0則為正相關(guān)。相關(guān)系數(shù)絕對值大則表明樣本特征和狀態(tài)類別相關(guān)度變高。Pearson相關(guān)系數(shù)有著很高的實(shí)用性和計(jì)算準(zhǔn)確度，計(jì)算公式為：

(3)

3.2 故障診斷流程

將船舶柴油機(jī)故障仿真作為前提，對復(fù)合故障情況進(jìn)行模擬并進(jìn)行診斷，由在線學(xué)習(xí)和在線診斷兩部分構(gòu)成，離線學(xué)習(xí)階段需要開展數(shù)據(jù)信息標(biāo)準(zhǔn)化處理，特征約簡處理和模型訓(xùn)練，在線識(shí)別階段對采用的柴油機(jī)數(shù)據(jù)信息進(jìn)行預(yù)處理并進(jìn)行故障診斷，具體流程見圖3所示。

實(shí)施步驟如下：對故障樣本數(shù)據(jù)信息進(jìn)行預(yù)處理，歸一化處理及對故障類型進(jìn)行編碼；進(jìn)行相關(guān)性分析再篩選，減小訓(xùn)練樣本維度；進(jìn)行預(yù)訓(xùn)練，把樣本導(dǎo)入模型，由下至上對每個(gè)RBM層進(jìn)行訓(xùn)練，進(jìn)行計(jì)算后得到每層初始化參數(shù)；對模型進(jìn)行細(xì)微調(diào)整，進(jìn)行預(yù)訓(xùn)練后獲取到初始化參數(shù)，采用BP算法來反方面調(diào)整，可以獲取到最終的模型；對故障進(jìn)行在線識(shí)別，把監(jiān)測到的實(shí)時(shí)運(yùn)行數(shù)據(jù)信息采用同樣預(yù)處理和約簡方式進(jìn)行處理，導(dǎo)入到模型來進(jìn)行故障識(shí)別。

3.3 樣本數(shù)據(jù)預(yù)處理

故障仿真實(shí)驗(yàn)后可以得到6種故障狀態(tài)下樣本數(shù)據(jù)信息，確定出數(shù)據(jù)集規(guī)模，再隨著劃分出不同的數(shù)據(jù)集，可以得到訓(xùn)練樣本集、測試樣本集。訓(xùn)練樣本集應(yīng)用于模型學(xué)習(xí)整個(gè)過程，測試樣本集對模型泛化性進(jìn)行檢驗(yàn)，在進(jìn)行模型訓(xùn)練以前采用線性函數(shù)歸一化來對樣本進(jìn)行變換處理，訓(xùn)練完成后采用相同方式對測試集進(jìn)行歸一化處理，可進(jìn)行模型泛化性驗(yàn)證。對樣本中可能存在狀態(tài)類別，利用獨(dú)熱編碼進(jìn)行處理，對訓(xùn)練樣本進(jìn)行特征歸一化處理及狀態(tài)標(biāo)簽編碼，再通過深度信念網(wǎng)絡(luò)算法訓(xùn)練，可創(chuàng)建好復(fù)合故障診斷模型。

3.4 基于相關(guān)性分析的特征選擇

采用算法進(jìn)行訓(xùn)練以前，應(yīng)用相關(guān)性分析來對樣本特征和相關(guān)系數(shù)進(jìn)行計(jì)算，再結(jié)合相關(guān)性系數(shù)對特征量進(jìn)行篩選，進(jìn)行降維處理可以降低網(wǎng)絡(luò)節(jié)點(diǎn)和模型復(fù)雜度，提升網(wǎng)絡(luò)收斂速度。不同特征及狀態(tài)類別間相關(guān)系數(shù)存在較大差異，可通過設(shè)置閾值λ來對特征進(jìn)行降維，如果|r|≤λ，特征與狀態(tài)類別為弱相關(guān)性，可進(jìn)行約簡處理。多次調(diào)整閾值λ可得到具有不同特征數(shù)目樣本集。λ值變大則樣本特征數(shù)變小，0≤λ≤0.28，分析模型沒有對測試樣本集故障識(shí)別率產(chǎn)生變化；0.28≤λ≤0.35，分析模型對訓(xùn)練樣本集和測試樣本集識(shí)別率降低，λ=0.28則特征數(shù)目減小至15種，所以，采用網(wǎng)絡(luò)訓(xùn)練不需要耗費(fèi)較多時(shí)間，可以得到很高的準(zhǔn)確率及泛化性。

3.5 模型設(shè)置與訓(xùn)練

采用算法來對故障模型進(jìn)行創(chuàng)建時(shí)，要設(shè)定好網(wǎng)絡(luò)結(jié)構(gòu)等參數(shù)，輸入屬性維度與樣本類別數(shù)量分別與首層及末層節(jié)點(diǎn)數(shù)相對應(yīng)。進(jìn)行預(yù)訓(xùn)練時(shí)，樣本訓(xùn)練至1000次，網(wǎng)絡(luò)誤差已經(jīng)大幅減少，訓(xùn)練至1500次，損失函數(shù)減小至0.0607，表明模型對訓(xùn)練集故障識(shí)別率已經(jīng)上升至99.39%。

3.6 故障診斷方法的驗(yàn)證

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

4 結(jié)束語

綜上所述，傳統(tǒng)的船舶柴油機(jī)故障診別依賴于人員經(jīng)驗(yàn)，基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷與識(shí)別，可認(rèn)采集到更多的故障數(shù)據(jù)信息，采用深度信念網(wǎng)絡(luò)算法對不同的故障模型進(jìn)行識(shí)別，具有很高的故障診斷準(zhǔn)確性。