船用柴油机机械微磨损故障诊断系统设计

李媛媛，张松奇

(河南理工大学 鹤壁工程技术学院，河南 鹤壁 458030)

0 引 言

在现代科学技术快速发展的影响下，船用柴油机机械设备朝着智能化、自动化方向发展。但与此同时舰船柴油机机械设备结构也愈发复杂，设备零件数目明显变多。零件之间存在紧密联系，若某零件发生异常，便会影响其关联的零件状态，导致整个设备的运行状态都受到影响。柴油机机械设备属于舰船动力机械的核心设备，因此对柴油机进行实时的故障诊断，是保证舰船柴油机机械设备正常运行的前提和核心。关于柴油机设备的磨损故障诊断问题，已有相关研究文献，但针对微磨损故障诊断方面的研究较少。向波等[1]将粗糙集与核极限学习机技术相结合，诊断作战舰艇柴油机磨损故障状态，但此方法仅可诊断磨损级别，不能判断磨损类型。曾强等[2]使用贝叶斯网络评价柴油机质量，但贝叶斯网络技术存在一定缺点。此技术的应用性能取决于先验概率，若先验概率设置不当，便会导致评价效果不佳。为此本文设计船用柴油机机械微磨损故障诊断系统，考虑到现在很多柴油机机械微磨损故障不易识别的问题，此系统主要以柴油机机械微磨损故障类型为研究内容，使其成为船用柴油机机械微磨损故障的诊断工具。

1 船用柴油机机械微磨损故障诊断系统设计

1.1 系统结构

船用柴油机机械微磨损故障诊断，可直接根据油液中磨粒状态完成[3–5]。为此，本文设计新型船用柴油机机械微磨损故障诊断系统，此系统结构主要由图像分析模块、油液分析芯片、传感模块构成。系统应用时，使用传感模块采集柴油机械设备的油液磨粒静电信号。考虑到微磨损的磨粒较小，传感器灵敏度有限，因此系统使用泵调节机械设备油液的流速，以合理的流速流入传感模块后，传感模块对其分流采样，由油液分析芯片启动基于MACNN 的微磨损故障类型识别模型，识别柴油机机械微磨损故障类型。如果磨损故障较为严重，便会驱动图像分析模块，进行图像采集配合诊断。系统结构如图1 所示。

图 1 船用柴油机机械微磨损故障诊断系统Fig. 1 Fault diagnosis system for mechanical micro-wear of marine diesel engine

可知，传感模块主要采用电感式传感器，检测获取船用柴油机机械的油液磨粒静电信号。此信号可描述油液中磨粒浓度，信号幅值异常之处，表示油液磨粒浓度异常。

图像分析模块仅在磨损故障严重，或机械表面除了油液还存在其他污秽物时启动，在理想工况中诊断微磨损故障时，有传感模块作为信息采集端即可。图像分析模块使用DH-HV3102UC 数字摄像机，用于采集柴油机机械磨粒显微图像。磨粒图像质量直接影响柴油机机械磨损故障的诊断效果，所以图像分析模块为了全面获取磨粒特征，使用透反射双光源显微镜L2020A，此显微镜光源亮度具有可调整性，且对图像的噪声存在较好的抑制力[6]。图2 为传感模块的电感式传感器结构图。

图 2 电感式传感器结构图Fig. 2 Structure diagram of inductive sensor

把电感式传感器安装于需要诊断的柴油机机械位置上，此传感器使用混频器，把柴油机机械磨损时静电信号中的高频信号转换成低频信号，有效保证信号抗噪性。当传感器采集柴油机机械设备的油液磨粒静电信号后，混频器将信号的频域进行统一，滤波器、放大器分别执行信号去噪、放大处理，采集卡将放大后信号数据发送至计算机。

1.2 基于MACNN 的微磨损故障类型识别模型

鉴于卷积神经网络具备显著的信号特征提取性能，将此网络设成主体，使用多种注意力机制，构建一种基于多重注意力卷积神经网络(简称MACNN)的微磨损故障类型识别模型。将电感式传感器采集的机械静电信号作为识别样本，完成微磨损故障类型诊断。图3 为模型所用MACNN 网络结构图。

图 3 MACNN 网络结构图Fig. 3 MACNN network structure diagram

1.2.1 提取柴油机机械静电信号特征

MACNN 网络结构中，主要将4 层卷积神经网络和卷积注意力模块相结合，构建多层卷积神经网络，全面提取柴油机机械静电信号特征图。第一层卷积层的卷积核数量和尺寸分别是16 个、5×1 像素，此层用于获取柴油机机械静电信号的大尺度特征图，剩余3 层的卷积核数量和尺寸分别是32 个、3×1 像素，此层用于获取柴油机机械静电信号深层特征。各个卷积层处理后，通过最大池化层执行下采样处理。为了优化多层网络训练效果，降低网络训练难度，在每个卷积层之间，设计一个批量归一化层。为了提高模型的特征提取能力，在卷积神经网络中使用CBAM 注意力机制，CBAM 注意力机制结构主要分为通道、空间注意力模块，如图4 所示。

图 4 CBAM 注意力机制结构Fig. 4 CBAM attention mechanism structure

通道、空间注意力模块可全面获取特征图中多个通道之间的关联性，以及空间信息的关联性。

1.2.2 重组

将卷积提取的静电信号波动多维特征图，转换为一维向量，才可对其进行故障分类诊断。在此环节中，模型使用重组的方式，将多维卷积输出的n个静电信号特征图yn,−执行一维重组，重组结果为：

1.2.3 特征学习

使用序列注意力机制，学习静电信号重组特征。先运算注意力权重：

其中，β 和 t anh 分别是学习参数、双曲正切函数，β可在训练初始阶段，以随机初始化的模式设置初始值，然后再逐渐调节。权重 ϖ较大，表示此静电信号特征对微磨损故障分类诊断的作用越显著。

使用注意力权重ϖ乘以序列特征，便可获取船用柴油机机械微磨损故障识别诊断结果为：

2 实验分析

使用本文系统对某16 缸柴油机机械设备，进行微磨损故障诊断的模拟测试，主要测试本文系统对此柴油机机械微磨损故障诊断诊断效果。柴油机机械设备的主要参数如表1 所示。

表 1 柴油机机械设备的基础信息Tab. 1 Basic information of diesel engine mechanical equipment

柴油机运行时，缸套在活塞的横向与摇摆行为影响下，会出现振动状态，此时如果缸套存在磨损，振动激励下，磨损位置的静电信号波动幅值便会出现异常，磨粒浓度大的位置波动格外明显。所以，使用电感式传感器采集柴油机振动时的油液磨粒静电信号，结合信号的变化特征诊断微磨损故障。实验中，无磨损故障时的正常缸套状态下，信号的波动情况如图5所示，腐蚀微磨损故障状态下信号的波动情况如图6所示。

图 5 正常信号波动情况Fig. 5 Normal signal fluctuation

图 6 微磨损故障信号波动情况Fig. 6 Fluctuation of micro-wear fault signal

可知，微磨损故障下，柴油机振动时的静电信号波动，和正常信号幅值之间差异极小，如果以人工判断的方式进行诊断，静电信号样本数量较多，诊断任务量较大，且诊断难度显著。为此，考虑到微磨损故障类型并非单一，实验中模拟的微磨损故障类型信息如表2 所示，在3 种磨损故障工况中，测试本文系统的使用效果。

表 2 微磨损故障类型信息Tab. 2 Micro-wear fault type information

以腐蚀类微磨损故障为例，本文系统对柴油机机械微磨损故障诊断时，在计算机端的诊断结果如图7所示。本文系统可使用电感式传感器采集柴油机机械部位的静电信号波动信息，识别诊断后，显示柴油机机械的微磨损故障信息。由图7 可知，编码是2 的气缸存在腐蚀微磨损，静电信号波动异常，说明油液磨粒浓度异常。

图 7 船用柴油机机械微磨损故障诊断结果Fig. 7 Fault diagnosis results of mechanical micro-wear of marine diesel engine

诊断柴油机机械微磨损故障时，测试本文系统使用后，多种微磨损故障类型的诊断效果，判断本文系统是否存在可用性。如图8 所示，本文系统对多种微磨损故障类型的诊断结果不存在错分情况，粘着磨损、疲劳磨损、腐蚀磨损的故障诊断结果分别是2 个、1 个、3 个，和表2 所示信息相符，本文系统的诊断结果有效可信。

图 8 多种微磨损故障类型的诊断效果Fig. 8 Diagnostic effect of various micro-wear fault types

3 结 语

柴油机机械微磨损和其他级别磨损不同，微磨损的变化不明显，导致此类磨损故障不易识别，时间久之，设备的可靠性就会受到影响。本文针对船用柴油机，设计新型船用柴油机机械微磨损故障诊断系统，并进行多类型微磨损故障诊断测试，证实了本文系统在处理微磨损故障诊断问题时，属于一种有效可行的诊断工具。