柴油機(jī)健康狀態(tài)評(píng)估方法研究

□劉靖遠(yuǎn)

柴油機(jī)具有輸出扭矩大、熱效率高等顯著優(yōu)勢(shì)，是當(dāng)前船舶與海工行業(yè)的主要?jiǎng)恿ρb置。由于其工作環(huán)境復(fù)雜、條件極其惡劣，各類(lèi)故障的發(fā)生將直接影響機(jī)械設(shè)備的正常工作。柴油機(jī)健康狀態(tài)評(píng)估是對(duì)故障進(jìn)行診斷、分析、維修及預(yù)測(cè)的基礎(chǔ)，為機(jī)械設(shè)備的維護(hù)提供客觀準(zhǔn)確的參考信息。因此，深入研究柴油機(jī)健康狀態(tài)評(píng)估方法對(duì)經(jīng)濟(jì)收益、安全建設(shè)等方面具有重要意義。

一、柴油機(jī)健康評(píng)估的研究現(xiàn)狀與發(fā)展趨勢(shì)

國(guó)內(nèi)外對(duì)柴油機(jī)的性能監(jiān)測(cè)與評(píng)估僅側(cè)重于特定對(duì)象的局部功能部件、特性試驗(yàn)，或單純依靠熱力參數(shù)，監(jiān)測(cè)數(shù)據(jù)不完整。巨大的故障損失與高昂的設(shè)備維修費(fèi)用推動(dòng)了柴油機(jī)健康評(píng)估方法的智能化研究。當(dāng)前，科技的成熟發(fā)展與智能制造的逐步實(shí)施為柴油機(jī)健康評(píng)估方法智能化提供了堅(jiān)實(shí)的基礎(chǔ)條件。其主要智能發(fā)展趨勢(shì)表現(xiàn)在以下幾個(gè)方面。

1.在線診斷

柴油機(jī)故障診斷是結(jié)合柴油機(jī)的工作特點(diǎn)與歷史狀態(tài)對(duì)可獲得的信息進(jìn)行比對(duì)、分析與預(yù)測(cè)的技術(shù)。傳統(tǒng)的經(jīng)驗(yàn)診斷法和現(xiàn)代儀器診斷法往往都是故障發(fā)生之后或定期對(duì)設(shè)備進(jìn)行狀態(tài)檢測(cè)，未能及時(shí)將故障發(fā)生率降到最低。鑒于此，在線監(jiān)測(cè)方法應(yīng)運(yùn)而生，結(jié)合故障診斷方法，柴油機(jī)的在線診斷技術(shù)符合時(shí)代的需求。

2.大數(shù)據(jù)分析

柴油機(jī)長(zhǎng)期運(yùn)行積累了大量的數(shù)據(jù)，具有數(shù)量龐大、結(jié)構(gòu)多樣、增速快等特點(diǎn)，而傳統(tǒng)技術(shù)的落后限制了這些數(shù)據(jù)作用的發(fā)揮。隨著大數(shù)據(jù)技術(shù)的發(fā)展，并進(jìn)一步應(yīng)用信息融合技術(shù)，通過(guò)對(duì)不同來(lái)源數(shù)據(jù)的管理、處理、分析與優(yōu)化，可提高柴油機(jī)診斷的效率和精度，減少了人工操作強(qiáng)度。

3.基于深度學(xué)習(xí)的智能診斷

傳統(tǒng)的故障診斷方法僅利用溫度、轉(zhuǎn)速、扭矩等參數(shù)使用信號(hào)處理方法對(duì)柴油機(jī)的狀態(tài)數(shù)據(jù)進(jìn)行時(shí)頻分析，但由于柴油機(jī)工作環(huán)境復(fù)雜，耦合故障信號(hào)多呈非平穩(wěn)、多源異構(gòu)性等特點(diǎn)，傳統(tǒng)故障診斷方法對(duì)數(shù)據(jù)的泛化能力較差。因此，結(jié)合歷史故障檢測(cè)經(jīng)驗(yàn)與故障分析邏輯判斷的亮點(diǎn)，智能診斷逐步發(fā)展應(yīng)用于柴油機(jī)故障診斷中。

二、柴油機(jī)健康狀態(tài)在線評(píng)估方法

隨著現(xiàn)代傳感器技術(shù)的日益發(fā)展和機(jī)械設(shè)備自動(dòng)化、智能化程度的提高，柴油機(jī)的可靠性需求日益提高，而且設(shè)備的故障診斷、健康評(píng)估技術(shù)也不斷革新，在線監(jiān)測(cè)的方法正逐步應(yīng)用在柴油機(jī)的故障診斷方向。當(dāng)前，關(guān)于柴油機(jī)診斷的研究主要針對(duì)振動(dòng)、熱力參數(shù)、油液、振聲信號(hào)、瞬時(shí)轉(zhuǎn)速等5個(gè)方面。

1.振動(dòng)分析

振動(dòng)分析法通過(guò)對(duì)采集柴油機(jī)的振動(dòng)信號(hào)進(jìn)行分析處理來(lái)診斷柴油機(jī)振動(dòng)狀態(tài)。診斷過(guò)程包括3個(gè)部分。

（1）數(shù)據(jù)采集。使用振動(dòng)放大器與傳感器采集振動(dòng)信號(hào)并確保信息的正確性和完整性。

（2）數(shù)據(jù)處理分析。使用信號(hào)分析技術(shù)和數(shù)據(jù)處理技術(shù)，處理采集的原始信息，提取反映柴油機(jī)工作狀態(tài)的特征參數(shù)。

（3）狀態(tài)的診斷與預(yù)報(bào)。將柴油機(jī)維修經(jīng)驗(yàn)?zāi)Ｐ突?，建立故障診斷知識(shí)庫(kù)，分析振動(dòng)特征參數(shù)，進(jìn)行狀態(tài)的診斷與趨勢(shì)預(yù)報(bào)。

目前，柴油機(jī)都通過(guò)安裝振動(dòng)傳感器來(lái)監(jiān)測(cè)軸系振動(dòng)，使用時(shí)域、頻域分析法等方法對(duì)振動(dòng)信號(hào)進(jìn)行分析處理，檢測(cè)范圍有限，且振動(dòng)信號(hào)具非平穩(wěn)性。因此，使用振動(dòng)分析法對(duì)柴油機(jī)進(jìn)行故障診斷的準(zhǔn)確性有待進(jìn)一步提升。

2.熱力參數(shù)分析

熱力參數(shù)法可通過(guò)柴油機(jī)自帶的監(jiān)測(cè)儀表或者溫度、壓力等傳感器來(lái)實(shí)現(xiàn)，通過(guò)監(jiān)測(cè)柴油機(jī)工作時(shí)的示功圖、轉(zhuǎn)速、冷卻水進(jìn)出口溫度、排氣溫度、燃油壓力等熱力參數(shù)，來(lái)判斷柴油機(jī)工作時(shí)各缸燃燒質(zhì)量的好壞以及功率是否平衡，其診斷過(guò)程與振動(dòng)分析相似。

3.油液分析

近年來(lái)，在線油液監(jiān)測(cè)方法與基于油液監(jiān)測(cè)的智能診斷方法成為了柴油機(jī)油液分析領(lǐng)域的研究和開(kāi)發(fā)熱點(diǎn)。當(dāng)前，比較具有代表性的儀器有流體工況檢測(cè)儀、在線示蹤法磨粒測(cè)量?jī)x、金屬微粒檢測(cè)儀等，可在線實(shí)時(shí)監(jiān)測(cè)機(jī)械磨損顆粒和潤(rùn)滑油粘度的壓電傳感器采用磁塞監(jiān)檢查法，其結(jié)構(gòu)簡(jiǎn)單、使用方便。雖然油液在線監(jiān)測(cè)技術(shù)在柴油機(jī)方面已有了實(shí)際應(yīng)用，但還待全面普及。

4.噪聲信號(hào)

噪聲信號(hào)可通過(guò)柴油機(jī)工作時(shí)內(nèi)部機(jī)械產(chǎn)生的振動(dòng)在聲電轉(zhuǎn)換傳輸中反映出來(lái)，通過(guò)對(duì)噪聲信號(hào)的分析來(lái)對(duì)聲源做出識(shí)別，可對(duì)柴油機(jī)各個(gè)零部件進(jìn)行健康狀態(tài)判別。噪聲信號(hào)的3種主要研究方法分別是聲功率測(cè)試法、聲壓測(cè)試法和聲強(qiáng)測(cè)試法。聲壓級(jí)和聲功率都可以用來(lái)評(píng)價(jià)柴油機(jī)輻射出噪音的大小，聲強(qiáng)積分可求得升功率，通過(guò)聲功率可預(yù)估出聲壓級(jí)。

5.瞬時(shí)轉(zhuǎn)速

多缸柴油機(jī)某個(gè)氣缸工作不正常時(shí)會(huì)使柴油機(jī)動(dòng)力的一致性遭到破壞，因此可通過(guò)研究柴油機(jī)曲軸的瞬時(shí)轉(zhuǎn)速波動(dòng)來(lái)評(píng)估柴油機(jī)失火情況、各缸的燃燒差異，進(jìn)而獲取柴油機(jī)的工作狀態(tài)。應(yīng)進(jìn)一步通過(guò)扭振分析可確定故障所在，準(zhǔn)確對(duì)故障原因做出判斷，為基于瞬時(shí)轉(zhuǎn)速的柴油機(jī)在線監(jiān)測(cè)奠定基礎(chǔ)。

由于柴油機(jī)工作環(huán)境復(fù)雜，以上單域信息的分析評(píng)估僅揭示某方面的特征，無(wú)法對(duì)柴油機(jī)進(jìn)行全面的故障特征提取及診斷，而信息不足往往會(huì)產(chǎn)生漏檢或誤判的情況，因此，應(yīng)該從眾多的方法中擇優(yōu)組合以提取出更多對(duì)故障診斷有價(jià)值的信息。同時(shí)，所選取的特征信息不僅要考慮狀態(tài)信息的準(zhǔn)確性，還要考慮測(cè)量可行性、數(shù)據(jù)穩(wěn)定性、測(cè)量成本等。數(shù)據(jù)基礎(chǔ)也是驗(yàn)證評(píng)估方法的保障，對(duì)柴油機(jī)進(jìn)行多域特征提取是當(dāng)前診斷技術(shù)發(fā)展的必然趨勢(shì)，應(yīng)充分結(jié)合各特征域及各診斷方法以發(fā)揮優(yōu)勢(shì)互補(bǔ)作用，提高柴油機(jī)故障診斷精度。

三、柴油機(jī)智能診斷方法

傳統(tǒng)的柴油機(jī)故障診斷依賴人工經(jīng)驗(yàn)，根據(jù)維修人員的經(jīng)驗(yàn)，憑視覺(jué)、聽(tīng)覺(jué)以及簡(jiǎn)單的測(cè)試工具進(jìn)行初步的故障判斷，其準(zhǔn)確性依賴于診斷人員的技術(shù)水平和實(shí)際經(jīng)驗(yàn)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(hào)處理工具的應(yīng)用，狀態(tài)數(shù)據(jù)時(shí)頻分析技術(shù)逐漸提升，而柴油機(jī)內(nèi)部結(jié)構(gòu)之間存在很多錯(cuò)綜復(fù)雜、強(qiáng)關(guān)聯(lián)耦合的相互關(guān)系，且不確定性因素和不確定性信息充斥其間，使得柴油機(jī)耦合故障信號(hào)多呈現(xiàn)出非平穩(wěn)、非線性、多源異構(gòu)性和價(jià)值低密度性等特點(diǎn)，因此，迫切需要將信號(hào)分析、數(shù)學(xué)建模與知識(shí)處理相融合進(jìn)行耦合故障的智能診斷。

隨著傳感器、物聯(lián)網(wǎng)技術(shù)的發(fā)展，實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的接入使數(shù)據(jù)量、數(shù)據(jù)維度激增，數(shù)據(jù)分析與深度學(xué)習(xí)相結(jié)合的智能診斷方法成為未來(lái)柴油機(jī)智能診斷的必然趨勢(shì)。使用大數(shù)據(jù)技術(shù)對(duì)故障數(shù)據(jù)進(jìn)行綜合性分析與處理，對(duì)照大量數(shù)據(jù)提取異常數(shù)據(jù)，采用深度學(xué)習(xí)的模型對(duì)柴油機(jī)故障進(jìn)行評(píng)估，獲取故障的主要特征和形成機(jī)理。

智能診斷方法，是將長(zhǎng)期積累下來(lái)的故障檢測(cè)、診斷的經(jīng)驗(yàn)和判斷邏輯推理的相關(guān)知識(shí)，通過(guò)利用專(zhuān)家系統(tǒng)、模糊邏輯推理和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)模仿人類(lèi)的思維判斷過(guò)程，實(shí)現(xiàn)柴油機(jī)耦合故障的監(jiān)測(cè)與診斷。目前，應(yīng)用比較成熟的智能診斷方法有專(zhuān)家系統(tǒng)、模糊識(shí)別、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及深度學(xué)習(xí)等，其主要特點(diǎn)和局限性見(jiàn)表1所列。

表1 常見(jiàn)的診斷方法對(duì)比

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，通過(guò)建立深層神經(jīng)網(wǎng)絡(luò)模擬人腦的信息處理機(jī)制，來(lái)學(xué)習(xí)、解釋并分析學(xué)習(xí)輸入數(shù)據(jù)，進(jìn)而獲得解讀數(shù)據(jù)知識(shí)的能力。同時(shí)，根據(jù)輸入數(shù)據(jù)特征自動(dòng)調(diào)整與更新網(wǎng)絡(luò)權(quán)重，提高特征提取或者學(xué)習(xí)新知識(shí)的能力。其中，機(jī)械設(shè)備故障診斷中常見(jiàn)的深度學(xué)習(xí)模型如下。

1.深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）

DBN是模擬人類(lèi)大腦處理外部信號(hào)的功能、由多個(gè)限制玻爾茲曼機(jī)組成的多隱層神經(jīng)網(wǎng)絡(luò)，首先使用無(wú)監(jiān)督逐層訓(xùn)練的方式，有效地挖掘待診斷設(shè)備運(yùn)行狀態(tài)信號(hào)中的故障特征，然后在相應(yīng)的分類(lèi)器中通過(guò)反向的有監(jiān)督微調(diào)來(lái)優(yōu)化DBN的故障識(shí)別能力。

2.卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）

CNN是一種有監(jiān)督學(xué)習(xí)方法，偏重于提取監(jiān)測(cè)數(shù)據(jù)的局部特征，并逐層組合抽象生成高層特征，針對(duì)高維監(jiān)測(cè)數(shù)據(jù)，可自動(dòng)識(shí)別出影響判定的關(guān)鍵特征，進(jìn)而實(shí)現(xiàn)海量數(shù)據(jù)的故障診斷與識(shí)別。

3.堆棧式自動(dòng)編碼器（Sparse Auto Encoder，SAE）

SAE是一種無(wú)監(jiān)督學(xué)習(xí)方法，采用具有無(wú)監(jiān)督特征提取優(yōu)勢(shì)的稀疏自編碼模型來(lái)學(xué)習(xí)故障特征，有效地剔除了特征提取的干擾項(xiàng)，再加上適當(dāng)?shù)姆诸?lèi)識(shí)別技術(shù)即可實(shí)現(xiàn)較高性能的故障診斷效果。

4.遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）

RNN是具有樹(shù)狀階層結(jié)構(gòu)且網(wǎng)絡(luò)節(jié)點(diǎn)按其連接順序?qū)斎胄畔⑦M(jìn)行遞歸的人工神經(jīng)網(wǎng)絡(luò)，充分考慮了樣本之間的關(guān)聯(lián)關(guān)系，可用于處理監(jiān)測(cè)數(shù)據(jù)的時(shí)間動(dòng)態(tài)行為，在基于時(shí)序數(shù)據(jù)的故障診斷中表現(xiàn)更好，適用于復(fù)雜設(shè)備的實(shí)時(shí)故障診斷。

5.生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Nets，GAN）

船舶與海洋工程領(lǐng)域柴油機(jī)可靠性要求較高，出現(xiàn)故障且被監(jiān)測(cè)到的案例較少，故障狀態(tài)的樣本缺乏會(huì)導(dǎo)致模型的訓(xùn)練難以進(jìn)行。GAN是一種復(fù)雜分布上無(wú)監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)模型，以獨(dú)特零和博弈與對(duì)抗訓(xùn)練的思想生成具有相似特征的樣本，可部分彌補(bǔ)故障診斷訓(xùn)練數(shù)據(jù)不足的缺陷。

四、結(jié)語(yǔ)

基于深度學(xué)習(xí)的柴油機(jī)智能診斷方法已有不少相關(guān)研究且已取得不錯(cuò)成果，但以當(dāng)前深度學(xué)習(xí)方法的評(píng)估過(guò)程可見(jiàn)，要想實(shí)現(xiàn)準(zhǔn)確可靠的設(shè)備健康狀態(tài)評(píng)估，必須建立在充足可靠的數(shù)據(jù)基礎(chǔ)之上。建立設(shè)備健康評(píng)估驗(yàn)證所需的標(biāo)準(zhǔn)數(shù)據(jù)平臺(tái)，提供有效測(cè)試數(shù)據(jù)是評(píng)估與驗(yàn)證設(shè)備健康方法的基礎(chǔ)。因此，結(jié)合大數(shù)據(jù)分析解決數(shù)據(jù)樣本的問(wèn)題，基于深度學(xué)習(xí)的柴油機(jī)智能診斷方法還有待進(jìn)一步研究。