船舶柴油机状态监测及预测性维护研究及应用

陈冬梅 赵思恒 魏承印 陈亚杰

中国船舶集团有限公司第七一一研究所自动化事业部，上海，201108

0 引言

近年来，船舶数字化转型在航运领域被提出并广泛应用，在此背景下以提高船舶智能化程度、提升设备安全、降低船舶管理难度为目标的船舶智能化技术研究已在全球范围内开展。中国船级社基于其近年来的科技研究成果，于2015年发布《智能船舶规范》，“智能机舱”作为智能船舶六大功能模块的重要组成部分，需要对机舱内的主辅机进行状态监测，并进行健康状况分析和评估，根据分析和评估结果，为船舶操作提供辅助的决策建议，除此之外，还可根据上述结果制定相应的视情维护计划[1]。设备智能化是船舶智能化的基础，作为机舱动力系统的核心设备，船舶柴油机能否可靠运行直接决定了船舶的航行安全性。由于船舶柴油机结构复杂，故障高发，一旦发生故障带来的经济损失重大。海上保险公司瑞典俱乐部(the Swedish Club)对船舶故障风险的研究表明，2015—2017年，船舶机械设备的索赔费用与整船索赔费用比已从35%增加到48%，增幅35%，其中主机故障约占所有机械索赔量的1/3[2]。

国内外相关高校、科研院所、柴油机生产制造厂家均开展了船舶柴油机的状态监测和预测性维护相关研究及产品开发。国内高校及科研院所在故障机理、新型传感技术、特征提取、状态检测及诊断算法方面均开展了深入而有效的理论研究和试验验证[3-6]。国内外学者根据不同来源及种类的数据，以设备机理为基础，采用数理统计、机器学习、深度学习等手段对船舶柴油机的健康状态进行了状态监测，为智能算法在船舶柴油机的状态监测奠定了基础，部分学者也开展了船舶柴油机预测性维护的研究及探索[7-8]。前人的研究对象多为低速柴油机，其工况相对较为稳定，而电力推进用柴油机机动性强，本文针对实际工程项目中基于稳态数据的模型在机动过程表现不佳、模型适应性较差、早期预警率低等问题，开展了针对性的改进及优化，研发出具有自主知识产权的柴油机状态监测系统并开展了实船应用。

1 系统架构

国外使用较普遍的柴油机状态监测产品及特点见表1。

本文综合考虑船舶柴油机状态监测参数的可获取性，系统加装难度、系统的可维护性以及效费比等因素，从热工、油液、振动、缸压4个维度开展船舶柴油机状态监测及预测性维护相关工作。其中，热工及油液的数据的获取频率为1 Hz，振动及缸压采集频率为12 800 Hz。其系统架构如图1所示，整个系统至下而上分为以下5层：

(1)感知层。感知层主要采用新型传感器感知柴油机上止点、瞬时转速、振动、瞬时缸压、润滑油的理化及颗粒相关信号。

图1 船舶柴油机状态监测及预测性维护系统架构Fig.1 Architecture of diesel engine condition monitoring and predictive maintenance system

(2)采集层。采集层采用Modbus RTU、CAN Open、Modbus TCP、OPC等数据传输协议实现数据采集及协议解析。

(3)数据层。数据层包括配置数据、设计数据、台架试验数据、实船运行数据等。

(4)模型层。模型层主要包括趋势监测模型、状态监测模型、预测性维护模型、设备退化模型等。

(5)展示层。展示层为人机交互层，可在柴油机状态监测及预测性维护系统服务器上查看各设备及部件健康度、趋势及分析、设备亚健康预警、设备故障及辅助决策建议、设备维护维修建议等。

2 状态监测研究

2.1 特征提取及选择

特征提取及选择是柴油机状态监测及预测性的关键，特征参数的故障表征性能直接影响柴油机状态监测及预测性维护的效果，通过研究特征与故障相关性、稳定性、灵敏度，从机理与数据两个层面开展特征提取及选择，进而得到故障表征强的特征参数。

(1)热工数据采集及特征提取。柴油机热工参数从机舱监测报警采集，除原始热工信息外，还需要提取柴油机的各缸排温偏差、空冷器冷却水出进口温差、高温水出进口温差、增压器滑油出进口温差、进增压器A前滑油压降、涡轮端废气进出口温差、各参数均值、方差等特征参数。

(2)油液数据采集及特征提取。油液数据通过自主研发的滑油在线监测套件获取，该设备实时采集柴油机出机后的滑油温度、水分、黏度、介电常数、电导率、单位时间内铁磁性颗和非铁磁性颗粒数量和质量，依据柴油机相换油规范，提取柴油机滑油40～100 ℃时的黏度及黏度波动率；针对滑油中铁磁性颗粒特征短期的变化无特定规律等特点，提取单位时间颗粒数量变化率、单位时间颗粒质量变化率等较为稳定的指标。

(3)振动数据采集及特征提取。通过振动传感器和上止点传感器的高频采样，获得以曲轴转角为横坐标、振动加速度为纵坐标的振动图谱，该系统同时采集缸头部位的振动信号与缸压信号，图2所示为柴油机4冲程的振动/缸压图谱，并对缸头部位进气阀开启冲击、排气阀关闭冲击、进气阀关闭冲击、燃烧冲击、排气阀开启冲击进行了标注。

图2 振动/缸压时域图谱Fig.2 Time domain spectrum of vibration/ cylinder pressure

项目实施过程中分别在柴油机各缸缸盖、增压器机身、曲轴箱侧面、底座等部位安装了振动传感器，通过对振动信号的时频域分析，分别提取了几类特征参数，见表2。

表2 振动特征参数Tab.2 Vibration feature parameters

(4)缸压数据采集及特征提取。通过气缸压力传感器和上止点传感器的高频数据采集，获得以曲轴转角为横坐标、气缸压力为纵坐标的示功图。

由于燃烧过程的随机性和不确定性，单周期缸压数据会存在一定的噪声，进行缸压特征数据提取前需对多周期瞬态缸压数据进行漏点插值、光顺处理。实船缸压测试结果如图2所示。通过对示功图及柴油机的缸内燃烧过程进行分析，可提取以下特征参数：最高压缩压力、压力升高率、着火点、最高爆炸压力、最高爆炸压力位置、特定角度的累计放热量、循环功等。

2.2 状态监测

为了兼顾机器学习模型的客观性及数理统计模型的可解释性，本文采用层次分析法对柴油机进行分层次建模，逐层建立部件、子系统、系统级柴油机模型，采用单类支持向量机(one-class support vector model，OCSVM)模型联合Fisher判别分析进行柴油机状态监测。当OCSVM机器学习模型捕捉到柴油机状态异常后，后台会进一步调用Fisher判别分析模型计算各参数的劣化指数，并基于参数权值矩阵及劣化程度进行故障归因分析，最终结合专家知识库进行故障辅助决策。

基于实船数据的大数据可视化如图3所示，典型工况数据样本多，其统计学特征稳定性好，绝大部分参数均符合高斯分布。对于该类参数，当参数不处于其均值与N倍方差的范围内(N根据实际情况取值，一般在3～5之间)时，则参数大概率为异常值，且测点离均值越远，参数为异常值的置信度越高。

图3 功率-缸套温度的三维可视化Fig.3 3-dimensional visualization of power-cylinder liner temperature

本文研究的柴油机作为发电机组的原动机，其工况一直处于稳定-切换-稳定过程中。柴油机的状态监测需以工况为其牵引，本文结合项目特点，对工况进行定义(表3)。根据表3中的定义，将实际运行中的工况分为3种，其占比见表4。

表3 工况定义Tab.3 Working condition definition

表4 工况统计Tab.4 Working condition definition statistics

表4中，若仅考虑稳定且典型工况，则模型仅在工况占比约60%情况下可进行状态监测，为提高机器学习模型的适用性，覆盖更多工况，减少漏检率，且将模型的虚警率降至合理范围内，特引入模型动态调节策略，使其模型在符合统计规律的基础上采用函数调节机制。

2.2.1船舶典型工况分析

船舶运行过程中，海洋环境、船舶航速、间歇负载的启停都会引起柴油机负荷较大的变化，而随着负荷变化，其能量转化率、运行参数包括温度、压力、振动等都会随之波动，如图4所示。

图4 某年8月13日柴油机负荷波动情况Fig.4 August 13,oxe certain year diesel engine load fluctuation

目前船舶柴油机状态监测普遍基于柴油机稳态工况开展研究工作，而对于电力推进主推进发电柴油机，柴油机运行于稳定工况这一假设过于理想，某主推进发电柴油机负荷分布直方图见图5，可见，该柴油机负荷无明显的分布特征。

图5 发电柴油机负荷分布直方图Fig.5 Diesel engine load distribution histogram

本文基于实船运行数据的统计，结合船舶的设计工况及使用习惯，选取17种典型工况分别建立OCSVM机器学习模型，这17种典型工况占全部工况60%左右，初步保证了模型的适用性。进而对17种典型工况进行大数据统计，建立负荷—特征参数的线性回归模型，该模型可输出全工况范围内的特征参数均值、特征参数上限、特征参数下限。

2.2.2模型动态调节策略

由于柴油机运行一直处于动态调节过程中，故柴油机状态监测需通过动态调节策略对OCSVM模型及线性回归模型进行协同，见表5。以上调节策略均用于设备亚健康的判别，当任意特征参数触发专家报警阈值后，则直接进行故障报警，并根据参数报警级别和参数重要程度进行故障程度分级。

2.3 OCSVM与Fisher判别分析相结合的状态监测方法

针对数据驱动的设备状态监测一直面临故障样本严重不足这一难题，在项目实施过程中普遍以设备调试安装完毕，磨合期后的设备状态为健康态，收集到的样本为正常态数据样本，故障样本较为缺乏。OCSVM算法可较好地解决异常样本缺失情况下的二分类问题，其主要思想是通过核函数将特征输入空间映射到高维空间，使其在高维空间上构造出最优分离超平面。该方法通过机器学习算法学习正常状态下样本特征，创建基于正常数据的模型，采用该模型可实现异常检测，具体原理如下。

表5 模型协同策略Tab.5 Model collaboration strategy

在高维样本空间中，划分超平面可用以下方程来描述：

wTx+b=0

(1)

其中，xi∈Rn，i=1，2，…，l；xi是训练样本；wT为超平面的法向量；b为超平面的截距。为了使划分的超平面更稳定，需求解最优超平面，使两侧距离超平面最近的样本点到超平面的距离最大，为了解决SVM分类器由于噪声值的存在最终使模型过拟合的问题，引入惩罚因子C和松弛变量ξ，将硬间隔分类器变更为合理可用的软间隔分类器。

经换算，求解最佳超平面可转化为以下目标函数的最优化问题：

(2)

yi(wTΦ(x)+b)≥1-ξiξi≥0

编单工作站的主要工作内容是对电视台每天播出的节目进行规划，比如广告节目的播出，就需要编单工作站进行制定。系统当中的其他用户是没有修改广告条目权限的，而播出站则依靠广告段的标记自动播出。播出系统的用户应该采用统一管理的方式，对登陆权限和空间分配进行管理，避免出现权限和空间使用的混乱。

(3)

其中，Φ(xi)是原空间至特征空间的映射；采用拉格朗日乘子法解决这一最优化问题，得到决策函数：

(4)

其中，αi为拉格朗日乘子。对于在原始空间线性不可分的数据样本，SVM采用核函数，通过将低维数据映射到高维空间，使其可分，本文的OCSVM模型采用核函数为高斯径向基函数(radial basis function，RBF)，其公式如下：

(5)

将实时采样数据作为特征向量送入上述OCSVM得到的模型进行预测，若f(x)>0，样本为正常；若f(x)<0，为异常样本。

OCSVM机器学习模型的判别结果准确率较高，但可解释性较差，不利于后续进行有针对性的辅助决策及建议。需进一步进行各参数的Fisher判别距离的计算，Fisher判别距离D的求解公式如下：

(6)

其中，m1为训练样本某参数均值；m2为测试数据参数的均值；s1为训练样本参数方差；s2为实测试数据参数的方差。

最后对模型各特征参数的Fisher判别距离D进行排序，D越大，表示参数偏离正常样本的程度也越大，后续的健康评估函数可综合参数D、参数权值、参数报警级别输出柴油机健康度。

2.4 基于平稳过程的变点检测

基于时间序列的趋势监测实用性较强，其中 CUSUM是一种时间加权控制图，采用序贯概率比检验理论，其设计思想是对样本偏移信息加以累积，将过程的小偏移累积起来，达到放大的效果，从而提高检测过程中对小偏移的灵敏度。

对于大部分的特征参数X1，X2，…，Xn，其随机变量X服从一个数学期望为μ、标准方差为σ平方的高斯分布。对于n个相等时间间隔的时间序列数据，其概率密度函数为

(7)

样本累计和的计算过程如下：

(8)

(9)

如图6所示，采用该变点检测算法，本系统于2019年08月16日21：42给出B1缸排气温度趋势异常的预警，此时，柴油机的负荷约为5400 kW，B1缸排温为420 ℃，排温均值为432 ℃，排温偏差为-12 ℃，均处于正常状态。至2019年08月17日8：00，柴油机B1缸失火，后查明原因为B1缸喷油器故障，此时主机负荷约5200 kW，B1缸排温为350 ℃，排温均值为416 ℃，排温偏差为-60 ℃。CUSUMMR变点算法提前9个多小时进行了趋势异常预警。

图6 B1缸排温的变点检测Fig.6 B1 cylinder temperature change point detection

2.5 多维信息融合分析

柴油机是多层次的复杂系统，针对单维度的状态监测存在故障定位困难、无法给出明确的辅助决策及维修建议等问题，很多学者也开展了基于多参数信息融合分析工作[10]。本文从热工、油液、振动、缸压四个维度开展工作，基于D-S证据理论，采用证据加权分配合成方法，构建状态监测的可信度函数，该方法既可以充分有效地将各维度信息加以有效利用，亦可以解决证据冲突情况下决策融合问题，并在实际项目中得到验证。

2021年6月16日，热工、油液、振动各子系统，仅热工状态监测给出了2号缸排气温度亚健康预警。此时轮机员通过示功阀对缸压信息采集和分析后，柴油机状态监测系统经多维信息融合分析后给出了2号柴油机2号缸燃烧异常预警。

图7 燃烧异常信息融合图Fig.7 Fusion diagram of combustion anomaly

柴油机2号缸的振动、爆压、排气温度和排温均值对比如图7所示。可看出2号缸爆压、排温、排温偏差相对其他缸均偏大；由于证据的一致性较强，经D-S融合和证据加权分配合成后，其燃烧异常故障的置信度得以提高，故系统给出了2号柴油机2号缸燃烧异常的预警，辅助决策建议调整供油量并检查喷油器，经轮机员调整供油量过后，数据恢复正常。

3 预测性维护研究

3.1 预测性维护算法

随着信息化的飞速发展，数据复杂性的增加，传统的浅层预测模型面临特征提取能力不足、难以表征复杂非线性函数映射关系、长期预测能力不足等问题。而长短期记忆网络(long short-term memory，LSTM)为上述问题提供了一种新的思路，利用LSTM网络强大的特征提取能力及非线性函数映射能力充分挖掘复杂时间序列中的有益信息，在长期预测上有较为广泛的应用。

LSTM模型在循环神经网络(recurrent neural networks，RNN)模型的基础上通过增加门限来解决RNN的短期记忆的问题，使得循环神经网络能够真正有效地利用长短的时序信息。LSTM内部结构优化有效地避免了RNN模型训练时的梯度消失和梯度爆炸问题，其基本结构如图8所示。其中，tt表示t时刻的细胞状态，tt-1表示t-1时刻的细胞状态，σ为门结构，用来保护和控制细胞状态。LSTM共包括3个门：遗忘门、输入门、输出门，遗忘门控制从细胞状态中舍去的信息，输入门确定何种新特征被存放在细胞状态中，输出门决定输出部分。

图8 LSTM内部结构Fig.8 LSTM internal structure

结合实际项目中滑油介电常数随时间的退化曲线，应用LSTM模型开展滑油的剩余寿命预测，并分别给出了预测结果。

3.2 柴油机润滑油的预测性维护研究

润滑油是保障机械装备持久稳定运转的基础，润滑油管理是柴油机管理的重中之重。

随着油中氧化产物和热降解产物的积累，外来污染物的不断增加，摩擦和磨损产生的金属颗粒及其他导电性强的化合物均会使润滑油的介电常数发生变化，因此，可以通过监测润滑油的介电常数来评价润滑油的性能[11]。本文提取了从2019年8月到2020年9月某台柴油机润滑油的3435 h历史运行数据，介电常数在2500 h前一直处于缓慢上升，而在2500 h后，其上升趋势变得更为陡峭，预示着滑油综合品质的劣化加剧。

本产品采用LSTM算法，对3435 h的数据进行重采样，50%用于训练，另50%用于测试，并基于预测结果进行外推预测，以介电常数劣化到4为报警阈值，LSTM模型预测结果如图9所示。

图9 滑油剩余寿命预测Fig.9 Residual life prediction of lubricating oil

算法运行结果表明：①LSTM预测模型对学习过的样本预测精度高；②将介电常数的告警阈值设为4，LSTM模型能够提前约700 h进行寿命预警。

预测性维护属于前瞻性技术，其研究高度依赖优质数据的积累，早在2010年已有行业专家呼吁建立油液监测技术标准体系并提出相关注意事项[12]，但是目前进展仍然缓慢，预测性维护技术及标准研究亟待开展。

4 结语

本文结合实船数据开展数据分析及建模，其中OCSVM模型联合Fisher判别分析进行柴油机状态监测能够降低状态监测模型的虚警率，采取模型阈值动态调节策略，保证了模型较好的适用性。采用CUSUMMR方法进行变点检测；采用LSTM算法，基于介电常数开展柴油机滑油的预测性维护，可提前数百小时进行滑油寿命预测。

船舶柴油机状态监测及预测性维护的系统的框架及基本功能已开发完毕并投入实际应用，但特征参数提取、状态监测、变点检测、预测性维护的研究仍需在后续数据积累的基础上进行迭代升级。目前仅积累了4台柴油机约5000 h的实船运行数据，基于全生命周期的预测性维护尚处于起步阶段，后续需要进一步开展预算性维护特征提取及算法研究。