柴油機健康狀態評估方法研究

□劉靖遠

柴油機具有輸出扭矩大、熱效率高等顯著優勢，是當前船舶與海工行業的主要動力裝置。由于其工作環境復雜、條件極其惡劣，各類故障的發生將直接影響機械設備的正常工作。柴油機健康狀態評估是對故障進行診斷、分析、維修及預測的基礎，為機械設備的維護提供客觀準確的參考信息。因此，深入研究柴油機健康狀態評估方法對經濟收益、安全建設等方面具有重要意義。

一、柴油機健康評估的研究現狀與發展趨勢

國內外對柴油機的性能監測與評估僅側重于特定對象的局部功能部件、特性試驗，或單純依靠熱力參數，監測數據不完整。巨大的故障損失與高昂的設備維修費用推動了柴油機健康評估方法的智能化研究。當前，科技的成熟發展與智能制造的逐步實施為柴油機健康評估方法智能化提供了堅實的基礎條件。其主要智能發展趨勢表現在以下幾個方面。

1.在線診斷

柴油機故障診斷是結合柴油機的工作特點與歷史狀態對可獲得的信息進行比對、分析與預測的技術。傳統的經驗診斷法和現代儀器診斷法往往都是故障發生之后或定期對設備進行狀態檢測，未能及時將故障發生率降到最低。鑒于此，在線監測方法應運而生，結合故障診斷方法，柴油機的在線診斷技術符合時代的需求。

2.大數據分析

柴油機長期運行積累了大量的數據，具有數量龐大、結構多樣、增速快等特點，而傳統技術的落后限制了這些數據作用的發揮。隨著大數據技術的發展，并進一步應用信息融合技術，通過對不同來源數據的管理、處理、分析與優化，可提高柴油機診斷的效率和精度，減少了人工操作強度。

3.基于深度學習的智能診斷

傳統的故障診斷方法僅利用溫度、轉速、扭矩等參數使用信號處理方法對柴油機的狀態數據進行時頻分析，但由于柴油機工作環境復雜，耦合故障信號多呈非平穩、多源異構性等特點，傳統故障診斷方法對數據的泛化能力較差。因此，結合歷史故障檢測經驗與故障分析邏輯判斷的亮點，智能診斷逐步發展應用于柴油機故障診斷中。

二、柴油機健康狀態在線評估方法

隨著現代傳感器技術的日益發展和機械設備自動化、智能化程度的提高，柴油機的可靠性需求日益提高，而且設備的故障診斷、健康評估技術也不斷革新，在線監測的方法正逐步應用在柴油機的故障診斷方向。當前，關于柴油機診斷的研究主要針對振動、熱力參數、油液、振聲信號、瞬時轉速等5個方面。

1.振動分析

振動分析法通過對采集柴油機的振動信號進行分析處理來診斷柴油機振動狀態。診斷過程包括3個部分。

（1）數據采集。使用振動放大器與傳感器采集振動信號并確保信息的正確性和完整性。

（2）數據處理分析。使用信號分析技術和數據處理技術，處理采集的原始信息，提取反映柴油機工作狀態的特征參數。

（3）狀態的診斷與預報。將柴油機維修經驗模型化，建立故障診斷知識庫，分析振動特征參數，進行狀態的診斷與趨勢預報。

目前，柴油機都通過安裝振動傳感器來監測軸系振動，使用時域、頻域分析法等方法對振動信號進行分析處理，檢測范圍有限，且振動信號具非平穩性。因此，使用振動分析法對柴油機進行故障診斷的準確性有待進一步提升。

2.熱力參數分析

熱力參數法可通過柴油機自帶的監測儀表或者溫度、壓力等傳感器來實現，通過監測柴油機工作時的示功圖、轉速、冷卻水進出口溫度、排氣溫度、燃油壓力等熱力參數，來判斷柴油機工作時各缸燃燒質量的好壞以及功率是否平衡，其診斷過程與振動分析相似。

3.油液分析

近年來，在線油液監測方法與基于油液監測的智能診斷方法成為了柴油機油液分析領域的研究和開發熱點。當前，比較具有代表性的儀器有流體工況檢測儀、在線示蹤法磨粒測量儀、金屬微粒檢測儀等，可在線實時監測機械磨損顆粒和潤滑油粘度的壓電傳感器采用磁塞監檢查法，其結構簡單、使用方便。雖然油液在線監測技術在柴油機方面已有了實際應用，但還待全面普及。

4.噪聲信號

噪聲信號可通過柴油機工作時內部機械產生的振動在聲電轉換傳輸中反映出來，通過對噪聲信號的分析來對聲源做出識別，可對柴油機各個零部件進行健康狀態判別。噪聲信號的3種主要研究方法分別是聲功率測試法、聲壓測試法和聲強測試法。聲壓級和聲功率都可以用來評價柴油機輻射出噪音的大小，聲強積分可求得升功率，通過聲功率可預估出聲壓級。

5.瞬時轉速

多缸柴油機某個氣缸工作不正常時會使柴油機動力的一致性遭到破壞，因此可通過研究柴油機曲軸的瞬時轉速波動來評估柴油機失火情況、各缸的燃燒差異，進而獲取柴油機的工作狀態。應進一步通過扭振分析可確定故障所在，準確對故障原因做出判斷，為基于瞬時轉速的柴油機在線監測奠定基礎。

由于柴油機工作環境復雜，以上單域信息的分析評估僅揭示某方面的特征，無法對柴油機進行全面的故障特征提取及診斷，而信息不足往往會產生漏檢或誤判的情況，因此，應該從眾多的方法中擇優組合以提取出更多對故障診斷有價值的信息。同時，所選取的特征信息不僅要考慮狀態信息的準確性，還要考慮測量可行性、數據穩定性、測量成本等。數據基礎也是驗證評估方法的保障，對柴油機進行多域特征提取是當前診斷技術發展的必然趨勢，應充分結合各特征域及各診斷方法以發揮優勢互補作用，提高柴油機故障診斷精度。

三、柴油機智能診斷方法

傳統的柴油機故障診斷依賴人工經驗，根據維修人員的經驗，憑視覺、聽覺以及簡單的測試工具進行初步的故障判斷，其準確性依賴于診斷人員的技術水平和實際經驗且不利于推廣。隨著傅里葉變換、小波變換和希爾伯特變換等信號處理工具的應用，狀態數據時頻分析技術逐漸提升，而柴油機內部結構之間存在很多錯綜復雜、強關聯耦合的相互關系，且不確定性因素和不確定性信息充斥其間，使得柴油機耦合故障信號多呈現出非平穩、非線性、多源異構性和價值低密度性等特點，因此，迫切需要將信號分析、數學建模與知識處理相融合進行耦合故障的智能診斷。

隨著傳感器、物聯網技術的發展，實時監測數據的接入使數據量、數據維度激增，數據分析與深度學習相結合的智能診斷方法成為未來柴油機智能診斷的必然趨勢。使用大數據技術對故障數據進行綜合性分析與處理，對照大量數據提取異常數據，采用深度學習的模型對柴油機故障進行評估，獲取故障的主要特征和形成機理。

智能診斷方法，是將長期積累下來的故障檢測、診斷的經驗和判斷邏輯推理的相關知識，通過利用專家系統、模糊邏輯推理和神經網絡等人工智能技術模仿人類的思維判斷過程，實現柴油機耦合故障的監測與診斷。目前，應用比較成熟的智能診斷方法有專家系統、模糊識別、神經網絡、支持向量機以及深度學習等，其主要特點和局限性見表1所列。

表1 常見的診斷方法對比

深度學習的概念源于人工神經網絡的研究，通過建立深層神經網絡模擬人腦的信息處理機制，來學習、解釋并分析學習輸入數據，進而獲得解讀數據知識的能力。同時，根據輸入數據特征自動調整與更新網絡權重，提高特征提取或者學習新知識的能力。其中，機械設備故障診斷中常見的深度學習模型如下。

1.深度置信網絡（Deep Belief Network，DBN）

DBN是模擬人類大腦處理外部信號的功能、由多個限制玻爾茲曼機組成的多隱層神經網絡，首先使用無監督逐層訓練的方式，有效地挖掘待診斷設備運行狀態信號中的故障特征，然后在相應的分類器中通過反向的有監督微調來優化DBN的故障識別能力。

2.卷積神經網絡（Convolutional Neural Network，CNN）

CNN是一種有監督學習方法，偏重于提取監測數據的局部特征，并逐層組合抽象生成高層特征，針對高維監測數據，可自動識別出影響判定的關鍵特征，進而實現海量數據的故障診斷與識別。

3.堆棧式自動編碼器（Sparse Auto Encoder，SAE）

SAE是一種無監督學習方法，采用具有無監督特征提取優勢的稀疏自編碼模型來學習故障特征，有效地剔除了特征提取的干擾項，再加上適當的分類識別技術即可實現較高性能的故障診斷效果。

4.遞歸神經網絡（Recursive Neural Network，RNN）

RNN是具有樹狀階層結構且網絡節點按其連接順序對輸入信息進行遞歸的人工神經網絡，充分考慮了樣本之間的關聯關系，可用于處理監測數據的時間動態行為，在基于時序數據的故障診斷中表現更好，適用于復雜設備的實時故障診斷。

5.生成式對抗網絡（Generative Adversarial Nets，GAN）

船舶與海洋工程領域柴油機可靠性要求較高，出現故障且被監測到的案例較少，故障狀態的樣本缺乏會導致模型的訓練難以進行。GAN是一種復雜分布上無監督學習的深度學習模型，以獨特零和博弈與對抗訓練的思想生成具有相似特征的樣本，可部分彌補故障診斷訓練數據不足的缺陷。

四、結語

基于深度學習的柴油機智能診斷方法已有不少相關研究且已取得不錯成果，但以當前深度學習方法的評估過程可見，要想實現準確可靠的設備健康狀態評估，必須建立在充足可靠的數據基礎之上。建立設備健康評估驗證所需的標準數據平臺，提供有效測試數據是評估與驗證設備健康方法的基礎。因此，結合大數據分析解決數據樣本的問題，基于深度學習的柴油機智能診斷方法還有待進一步研究。