柴油机健康状态评估方法研究

□刘靖远

柴油机具有输出扭矩大、热效率高等显著优势，是当前船舶与海工行业的主要动力装置。由于其工作环境复杂、条件极其恶劣，各类故障的发生将直接影响机械设备的正常工作。柴油机健康状态评估是对故障进行诊断、分析、维修及预测的基础，为机械设备的维护提供客观准确的参考信息。因此，深入研究柴油机健康状态评估方法对经济收益、安全建设等方面具有重要意义。

一、柴油机健康评估的研究现状与发展趋势

国内外对柴油机的性能监测与评估仅侧重于特定对象的局部功能部件、特性试验，或单纯依靠热力参数，监测数据不完整。巨大的故障损失与高昂的设备维修费用推动了柴油机健康评估方法的智能化研究。当前，科技的成熟发展与智能制造的逐步实施为柴油机健康评估方法智能化提供了坚实的基础条件。其主要智能发展趋势表现在以下几个方面。

1.在线诊断

柴油机故障诊断是结合柴油机的工作特点与历史状态对可获得的信息进行比对、分析与预测的技术。传统的经验诊断法和现代仪器诊断法往往都是故障发生之后或定期对设备进行状态检测，未能及时将故障发生率降到最低。鉴于此，在线监测方法应运而生，结合故障诊断方法，柴油机的在线诊断技术符合时代的需求。

2.大数据分析

柴油机长期运行积累了大量的数据，具有数量庞大、结构多样、增速快等特点，而传统技术的落后限制了这些数据作用的发挥。随着大数据技术的发展，并进一步应用信息融合技术，通过对不同来源数据的管理、处理、分析与优化，可提高柴油机诊断的效率和精度，减少了人工操作强度。

3.基于深度学习的智能诊断

传统的故障诊断方法仅利用温度、转速、扭矩等参数使用信号处理方法对柴油机的状态数据进行时频分析，但由于柴油机工作环境复杂，耦合故障信号多呈非平稳、多源异构性等特点，传统故障诊断方法对数据的泛化能力较差。因此，结合历史故障检测经验与故障分析逻辑判断的亮点，智能诊断逐步发展应用于柴油机故障诊断中。

二、柴油机健康状态在线评估方法

随着现代传感器技术的日益发展和机械设备自动化、智能化程度的提高，柴油机的可靠性需求日益提高，而且设备的故障诊断、健康评估技术也不断革新，在线监测的方法正逐步应用在柴油机的故障诊断方向。当前，关于柴油机诊断的研究主要针对振动、热力参数、油液、振声信号、瞬时转速等5个方面。

1.振动分析

振动分析法通过对采集柴油机的振动信号进行分析处理来诊断柴油机振动状态。诊断过程包括3个部分。

（1）数据采集。使用振动放大器与传感器采集振动信号并确保信息的正确性和完整性。

（2）数据处理分析。使用信号分析技术和数据处理技术，处理采集的原始信息，提取反映柴油机工作状态的特征参数。

（3）状态的诊断与预报。将柴油机维修经验模型化，建立故障诊断知识库，分析振动特征参数，进行状态的诊断与趋势预报。

目前，柴油机都通过安装振动传感器来监测轴系振动，使用时域、频域分析法等方法对振动信号进行分析处理，检测范围有限，且振动信号具非平稳性。因此，使用振动分析法对柴油机进行故障诊断的准确性有待进一步提升。

2.热力参数分析

热力参数法可通过柴油机自带的监测仪表或者温度、压力等传感器来实现，通过监测柴油机工作时的示功图、转速、冷却水进出口温度、排气温度、燃油压力等热力参数，来判断柴油机工作时各缸燃烧质量的好坏以及功率是否平衡，其诊断过程与振动分析相似。

3.油液分析

近年来，在线油液监测方法与基于油液监测的智能诊断方法成为了柴油机油液分析领域的研究和开发热点。当前，比较具有代表性的仪器有流体工况检测仪、在线示踪法磨粒测量仪、金属微粒检测仪等，可在线实时监测机械磨损颗粒和润滑油粘度的压电传感器采用磁塞监检查法，其结构简单、使用方便。虽然油液在线监测技术在柴油机方面已有了实际应用，但还待全面普及。

4.噪声信号

噪声信号可通过柴油机工作时内部机械产生的振动在声电转换传输中反映出来，通过对噪声信号的分析来对声源做出识别，可对柴油机各个零部件进行健康状态判别。噪声信号的3种主要研究方法分别是声功率测试法、声压测试法和声强测试法。声压级和声功率都可以用来评价柴油机辐射出噪音的大小，声强积分可求得升功率，通过声功率可预估出声压级。

5.瞬时转速

多缸柴油机某个气缸工作不正常时会使柴油机动力的一致性遭到破坏，因此可通过研究柴油机曲轴的瞬时转速波动来评估柴油机失火情况、各缸的燃烧差异，进而获取柴油机的工作状态。应进一步通过扭振分析可确定故障所在，准确对故障原因做出判断，为基于瞬时转速的柴油机在线监测奠定基础。

由于柴油机工作环境复杂，以上单域信息的分析评估仅揭示某方面的特征，无法对柴油机进行全面的故障特征提取及诊断，而信息不足往往会产生漏检或误判的情况，因此，应该从众多的方法中择优组合以提取出更多对故障诊断有价值的信息。同时，所选取的特征信息不仅要考虑状态信息的准确性，还要考虑测量可行性、数据稳定性、测量成本等。数据基础也是验证评估方法的保障，对柴油机进行多域特征提取是当前诊断技术发展的必然趋势，应充分结合各特征域及各诊断方法以发挥优势互补作用，提高柴油机故障诊断精度。

三、柴油机智能诊断方法

传统的柴油机故障诊断依赖人工经验，根据维修人员的经验，凭视觉、听觉以及简单的测试工具进行初步的故障判断，其准确性依赖于诊断人员的技术水平和实际经验且不利于推广。随着傅里叶变换、小波变换和希尔伯特变换等信号处理工具的应用，状态数据时频分析技术逐渐提升，而柴油机内部结构之间存在很多错综复杂、强关联耦合的相互关系，且不确定性因素和不确定性信息充斥其间，使得柴油机耦合故障信号多呈现出非平稳、非线性、多源异构性和价值低密度性等特点，因此，迫切需要将信号分析、数学建模与知识处理相融合进行耦合故障的智能诊断。

随着传感器、物联网技术的发展，实时监测数据的接入使数据量、数据维度激增，数据分析与深度学习相结合的智能诊断方法成为未来柴油机智能诊断的必然趋势。使用大数据技术对故障数据进行综合性分析与处理，对照大量数据提取异常数据，采用深度学习的模型对柴油机故障进行评估，获取故障的主要特征和形成机理。

智能诊断方法，是将长期积累下来的故障检测、诊断的经验和判断逻辑推理的相关知识，通过利用专家系统、模糊逻辑推理和神经网络等人工智能技术模仿人类的思维判断过程，实现柴油机耦合故障的监测与诊断。目前，应用比较成熟的智能诊断方法有专家系统、模糊识别、神经网络、支持向量机以及深度学习等，其主要特点和局限性见表1所列。

表1 常见的诊断方法对比

深度学习的概念源于人工神经网络的研究，通过建立深层神经网络模拟人脑的信息处理机制，来学习、解释并分析学习输入数据，进而获得解读数据知识的能力。同时，根据输入数据特征自动调整与更新网络权重，提高特征提取或者学习新知识的能力。其中，机械设备故障诊断中常见的深度学习模型如下。

1.深度置信网络（Deep Belief Network，DBN）

DBN是模拟人类大脑处理外部信号的功能、由多个限制玻尔兹曼机组成的多隐层神经网络，首先使用无监督逐层训练的方式，有效地挖掘待诊断设备运行状态信号中的故障特征，然后在相应的分类器中通过反向的有监督微调来优化DBN的故障识别能力。

2.卷积神经网络（Convolutional Neural Network，CNN）

CNN是一种有监督学习方法，偏重于提取监测数据的局部特征，并逐层组合抽象生成高层特征，针对高维监测数据，可自动识别出影响判定的关键特征，进而实现海量数据的故障诊断与识别。

3.堆栈式自动编码器（Sparse Auto Encoder，SAE）

SAE是一种无监督学习方法，采用具有无监督特征提取优势的稀疏自编码模型来学习故障特征，有效地剔除了特征提取的干扰项，再加上适当的分类识别技术即可实现较高性能的故障诊断效果。

4.递归神经网络（Recursive Neural Network，RNN）

RNN是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，充分考虑了样本之间的关联关系，可用于处理监测数据的时间动态行为，在基于时序数据的故障诊断中表现更好，适用于复杂设备的实时故障诊断。

5.生成式对抗网络（Generative Adversarial Nets，GAN）

船舶与海洋工程领域柴油机可靠性要求较高，出现故障且被监测到的案例较少，故障状态的样本缺乏会导致模型的训练难以进行。GAN是一种复杂分布上无监督学习的深度学习模型，以独特零和博弈与对抗训练的思想生成具有相似特征的样本，可部分弥补故障诊断训练数据不足的缺陷。

四、结语

基于深度学习的柴油机智能诊断方法已有不少相关研究且已取得不错成果，但以当前深度学习方法的评估过程可见，要想实现准确可靠的设备健康状态评估，必须建立在充足可靠的数据基础之上。建立设备健康评估验证所需的标准数据平台，提供有效测试数据是评估与验证设备健康方法的基础。因此，结合大数据分析解决数据样本的问题，基于深度学习的柴油机智能诊断方法还有待进一步研究。