船舶柴油机故障预测与健康管理技术综述

柯赟， 宋恩哲， 姚崇， 董全

(哈尔滨工程大学 动力与能源工程学院，黑龙江 哈尔滨 150001)

随着船舶行业蓬勃发展和船舶柴油机设计制造技术水平的突飞猛进，船舶柴油机系统日趋复杂,复杂性、综合化、智能化程度不断提高[2]，安全性和可靠性已成为当前研究热点[3-4]。由于柴油机常常处于恶劣的工作环境下，故障率持续上升，一旦出现重大故障，造成停机，轻则造成延误船期等经济损失，重则危害船上人员的生命财产安全。因此通过各种手段保障主柴油机及其辅机的可靠运行具有至关重要的意义。

根据Swedish Club(国际船舶保险公司)的事故分析报告可知：1998年—2004年，赔偿次数高达45%(赔偿费用比为32%)，船舶保险费用成为船东一笔巨大的费用支出。据英国对2 000个国营工厂的调查显示，采用故障预测与健康管理技术后每年节省维修费3亿英镑，技术费用仅为0.5亿英镑，效益相当可观。

从PHM基本概念和技术内涵入手，分析国内外研究现状以及不同的重点研究内容，揭示船舶柴油机PHM技术框架，提出一种可行的柴油机子系统技术路线，并针对与技术路线相关的研究挑战和趋势，总结船舶柴油机PHM技术面临的挑战与未来的发展趋势。

1 PHM技术内涵

可靠性与经济性是船舶柴油机行业渴望同时满足的2种要求，故障预测与健康管理(prognostic and health management，PHM)为研究的关键问题。

PHM使用各种故障模型和人工智能算法，用各种数据和状态监视信息来监视、诊断、预测和管理设备的状态[5]，人工智能算法和大数据应用程序的信息系统可以提高设备的预测能力[6-7]。通过预见潜在的危害和可靠的使用寿命，船用柴油机的安全性得到了提高。减少故障的影响并避免由于机器故障而导致的严重事故，准确评估柴油机的健康状况，自动生成维护计划和策略，提高柴油机维护效率并降低维护成本。它既能确保系统稳定与可靠运行的，同时也大大减少系统维护和维修的费用，因此得到了工业界与学术界的重点关注和研究[8]。

2 国内外研究现状

2.1 基于故障预测方法的国内外研究现状

以预测方法为研究切入点，可以分为基于经验模型、基于可靠性模型、基于物理模型和基于数据驱动的方法。预测方法分类情况如图1所示。

图1 故障预测方法分类Fig.1 Classification of fault prediction methods

2.1.1 基于物理模型的方法

基于物理模型的故障预测技术提供技术手段来控制预测性组件或系统的故障模式过程。这突破了对象系统的本质，并实现了实时故障预测。经典的方法有FMEA、FTA和T-S等方法。

Kadir Cicek为了减少曲轴箱爆炸的发生概率，利用故障模式和影响分析(FMEA)的优势，创新性地将FMEA与操纵运行相结合，以此方法防止船上曲轴箱爆炸故障，提高机械系统的可靠性并增强船上的操作安全概念，为船舶设备制造商、船级社和船舶经营者提供支持与指导[9]。郑卫东[10]对故障信息进行统一的分类和处理，根据数据库信息进行故障预测，给出适当的运维建议。于震梁等[11]提出一种支持向量机(SVM)和非线性卡尔曼滤波相结合的机械零件剩余寿命预测模型。计算模型可以充分利用现有和相似的零件寿命测试数据，预测零件的实时降级数据，并预测剩余寿命。

Salman[12]提出了一类非线性动态系统的Takagi-Sugeno(T-S)模糊建模方法，该系统的输出具有非线性输出误差(NOE)情况的可变性。王锡淮[13]提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法，并通过试验验证了该方法的有效性。

尽管这类方法可以诊断和预测故障，但仅在能建立准确的物理或数学模型的情况下。而对于整机来说，实现准确诊断或预测，仍然很难实现。

2.1.2 基于经验模型的方法

基于经验模型的方法主要是专家系统和故障树分析。

Streichfuss等[14]开发了基于专家系统的机器监控和维护管理系统，诊断系统与维护计划和控制系统一起使用，以提供没有矛盾和冗余的数据管理。宋平等[15]介绍了一种以关系数据库为基础的机车柴油机多征兆模糊故障诊断专家系统，在柴油机故障诊断应用中,该数据库取得了良好的效果。

Nver等[16]通过在模糊环境中使用故障树分析方法系统地研究二冲程船用柴油机的曲轴箱爆炸，确定了曲轴箱爆炸的所有根本原因，并通过实施现场专家咨询以逐步的方式计算概率。吴欠欠等[17]论述了船舶柴油机故障诊断的意义，研究了船舶柴油机故障树分析法的基本原理，总结了故障树的应用特点。

基于经验模型的方法在很大程度上取决于专家的经验。在确定优先级或有偏见时，专家经验会对故障排除产生难以估计的后果。因此，基于经验模型的方法的科学性仍需进一步讨论。

2.1.3 基于可靠性模型的方法

基于可靠性模型或基于概率的PHM方法是以统计理论为基础，对故障数据进行分析，从而诊断和预测故障。常用的基于可靠性模型的技术包括贝叶斯方法、Dempster-Shafer理论与可靠性评估等。

王强等[18]在柴油机健康监测系统中，获取大量振动信号并将其传输到系统中心以进行故障检测和识别。通过实验验证了所提出的多任务贝叶斯压缩传感的有效性。王忠巍等[19]为解决柴油机润滑系统复合故障诊断的难题，以贝叶斯方法为理论基础展开了研究。

董增寿等[20]为了解决液压系统故障诊断问题，提出了一种基于改进D-S证据理论和时空域的液压系统故障诊断信息融合方法。杨广等[21]提出了一种基于神经网络和D-S分层融合的故障诊断算法，通过试验验证了方法的可行性和有效性。

可靠性模型方法的优点是能够分析统计数据以获得所需的概率密度函数，并且所得的概率密度函数可以完全支持预测。但所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数，多数研究都将这类方法归类于数据驱动方法。

2.1.4 基于数据驱动的方法

基于数据驱动的方法包括小波分析、经验模式分解和支持向量机等方法。

Kanchev等[22]研究过去20年来收集的应急柴油发电机(EDG)事件的运行经验，总结重要经验教训并提供建议。罗福强等[23]分析了多缸柴油机产生缸间差异的原因，提出了采用统计学STUDENT试验方法判别多缸发动机缸间差异产生的原因。结果表明，该柴油机燃烧过程缸间差异较大，其产生的原因并非偶然，而是存在技术原因,需要进行改进。

Manieniyan等[24]开发了基于概率神经网络(PNN)和径向基函数神经网络(RBFN)的ANN模型来预测发动机磨损，在所测试的ANN模型中，RBFN的性能明显优于PNN。Shahaboddin等[25]设计并比较了4种基于支持向量机(SVM)的方法和标准人工神经网络(ANN)模型，建模结果表明，SVM-WT方法在发动机的模型建模方面比其他3种方法更有效。

牛晓晓[26]提出了一种改进的零树小波图像压缩算法，为燃气轮机的远程故障诊断提供理论指导。朱丽娜等[27]针对柴油发动机机组振动信号非线性和非平稳性以及机组实际故障案例样本数据少的特点，提出了一种基于PCA与支持向量机SVM融合的船舶柴油机故障诊断算法。

基于数据驱动的方法能够很好解决对模型和经验的依赖，不需要对象系统的先验知识，以测试和状态监测数据为对象，估计对象系统未来的状态演化趋势，从而避免了基于模型和基于知识的故障预测技术的缺点。

2.2 基于研究单位的国内外研究现状

2.2.1 国外单位研究现状

在船舶柴油机故障预测与健康管理领域，船舶技术发达国家已经对PHM技术开展了大量研究工作。

世界第一大船舶柴油机专利商MAN B&W公司曾研发一款只用于K-GF系列低速二冲程柴油机的CCIO系统，该系统与SEDS系统类似，同样采用传感器技术，将采集的信息输入计算机，不同的是，CCIO系统对输入的数据，每天只进行一次自动处理，对于柴油机工况参数进行趋势计算和分析，并输出处理结果。当故障工况发生时，系统连续报警装置发出警报，同时在计算机上显示出该状况下的参数数据，以便帮助轮机员诊断故障。

日本三菱公司的超级船舶操纵支持系统“SUPER ASOS”(mitsubishi super advanced ship operation support system)，其中包含船舶柴油机诊断系统(engine doctor)，通过模糊推理技术，对主机进行状态监测和故障预测，并给出运维管理建议。

2.2.2 国内单位研究现状

从20世纪80年代开始，国内才开始将故障诊断技术应用于船舶柴油机，随着研究人员的不断努力，虽然相对国外仍然有不小的差距，但还是取得了一定的成就。

武汉理工大学针对船舶柴油机的故障诊断进行了大量的研究工作，并应用性能参数法、瞬时转速法、在线油液法、振动分析法实现了8 000方挖泥船动力机械的远程故障诊断系统的实船应用，收到了良好的使用效果和产生了很好的经济效益[28]。北京航空航天大学在飞行器和飞机动力上开展了较多探索性的研究[29]；沈阳航空工业学院着重与对机器人的运维管理和故障预测方法研究[30]。华中理工大学邓聚龙教授于1982年创立的灰色系统理论，也以其新颖的思路和广泛的适用性在理论和工程界引起广泛关注[31]。

总体而言，由于我国设备运行监测与智能故障诊断研究起步较晚，研究基础相对薄弱，特征提取和融合分析仍处于实验室研究阶段，在实际装备中的应用有限或存在空白。相比国外的大规模实船应用，我们还有很长的路要走。

3 船舶柴油机PHM技术框架

船舶柴油机PHM系统需要同时具备故障诊断、状态监测、故障预测和健康管理的功能，由于船舶柴油机是复杂机械，船舶柴油机的运维更加适用基于数据驱动的PHM方法。船舶柴油机PHM技术框架如图2所示。

由于船舶柴油机是极其复杂的工程机械，目前对其开展的PHM技术研究往往只关注某一个或者若干个核心子系统，例如燃油系统、润滑系统等[32]。通过建立各核心子系统之间关联度，融合多源信息形成柴油机整体。因此，整体柴油机PHM技术研究可从核心子系统PHM技术研究着手。

以燃油系统为例，船舶柴油机燃油系统基于数据驱动的PHM技术路线如图3所示。首先理清燃油系统常见故障机理与故障部位，利用故障树分析燃油系统典型故障，然后选择可行的测点对燃油系统各工况进行状态监测和信号采集，检测手段可用振动测试，同时建立实时仿真模型，对燃油系统运行进行仿真模拟，输出正常信号与实际信号对比，进一步标定优化仿真模型，并且依照故障树分析对仿真模型进行故障注入，输出故障信号，实现故障模拟，最后利用合适的故障诊断与预测的算法对模型进行再次优化以及对燃油系统状态进行评估，故障诊断算法例如时域分析、频域分析和时频域分析等，预测算法例如剩余寿命预测、累计损伤分析与健康状态评估等，建立信息收集数据库和监测平台，提供及时有效的维修与维护意见。

图2 船舶柴油机PHM技术框架Fig.2 Marine diesel engine PHM technology framework

图3 燃油系统PHM技术路线Fig.3 Fuel system PHM technical route

4 船舶柴油机PHM面临的挑战

1)现代船舶柴油机性能不断提高，功能不断完善，然而同时也导致了柴油机系统、子系统和设备愈趋复杂，故障机理分析也愈趋困难，故障模式较多区分难度大，而且柴油机目前缺乏预测模型的标准化评价指标体系，导致无法充分评估预测算法的性能[33]。

2)传感器本身的性能难以实现，因为传感器本身存在错误和漂移，从而降低了监视的准确性。此外，当前船用柴油机的某些物理量无法直接测量也不能直接使用[34-35]。另外有些故障特征表现不明显,使得获取的信息常常是不完备的，因而难以实现柴油机的人工智能诊断。

3)柴油系统中的故障预测技术尚未完全理解，核心组件故障预测技术正在研究中。船用柴油机的健康评估是基于知识和经验的，但是它是主观的，需要经验，缺乏通用性，并且难以准确评估系统退化的程度。

4)船用柴油机维修决策系统和备件管理系统不与信息实时交互，也不能成为狭义的知识管理系统。如果没有故障预警系统，则很难解释柴油机故障的演变并预测预期寿命。PHM技术的集成测试和验证非常不足，尤其是对于大型设备和大型项目，PHM系统的集成时间匮乏，缺乏测试条件和必要的验证环境[36]。

5 船舶柴油机PHM发展趋势

现在的PHM技术多是主要研究PHM体系结构与系统集成方面的问题而忽视了零部件级的PHM问题，即便是现有的极少数研究舰船PHM技术的单位也都是研究舰船的整体系统，而深入研究船舶PHM技术必须掌握船用柴油机PHM技术。

为了满足PHM技术的需求，根据PHM一般技术框架，从状态监测、故障诊断、故障预测与健康管理这4个研究重点来预测未来PHM技术发展趋势[5]，如表1所示。

表1 PHM技术的发展趋势Table 1 Trends in PHM technology

根据PHM技术的未来发展态势可知，实时在线诊断、多源信息融合和网络化是船舶柴油机PHM技术的主要发展方向。

1)实时在线诊断。

重点研制适合船舶柴油机故障诊断的新型集成化传感器，能够长寿命的监测信号，并且可预埋于柴油机内，从而解决离线监测的时滞问题。

2)多源信息融合。

在柴油机故障诊断过程中，有各种各样的参数可以视为状态参数，单一的选择状态参数和故障诊断算法，对数据获取和特征提取都有一定的局限性。因此如何对大量信息进行多源信息融合和综合利用，是今后船舶柴油机PHM技术重点研究的课题[8]。

3)网络化。

网络化是新世纪PHM技术的发展方向，利用网络将多个子系统联系起来，实现资源共享，提高诊断的速度和精度，并能对整个系统进行全面化评估，有利于设备的运维管理，提高设备利用率。因此实现系统网络化是迫切需要的。

6 结论

1)根据船舶行业目前面临的亟待解决的问题，阐述了船舶柴油机PHM技术的必要性。

2)描述了船舶柴油机PHM技术的研究现状和研究框架，重点介绍基于故障预测方法和研究单位的船舶柴油机PHM技术研究现状。

3)以燃油系统为例的船舶柴油机PHM技术框架，提出一种船舶柴油机PHM技术普适的路线。

4)分析船舶柴油机PHM关键技术面临的挑战，展望未来的发展趋势，为智能船舶的发展提供一些参考与指导。