和鑫男 劉彥輝 劉成 王雨露

摘?要：柴油機(jī)是船舶核心組件，一旦出現(xiàn)復(fù)合故障便直接降低船舶運(yùn)行能力，甚至導(dǎo)致船舶無法正常工作，而人工智能算法的出現(xiàn)與發(fā)展則為處理柴油機(jī)復(fù)合故障提供了一個(gè)新的工作思路?；诖耍恼铝⒆阌趥€(gè)人工作經(jīng)驗(yàn)，從船舶柴油機(jī)復(fù)合故障數(shù)據(jù)獲取、復(fù)合故障設(shè)置、樣本數(shù)據(jù)、診斷流程、數(shù)據(jù)預(yù)處理、機(jī)制設(shè)計(jì)、方法驗(yàn)證角度系統(tǒng)分析船舶柴油機(jī)復(fù)合故障智能診斷機(jī)制，為高效率、高質(zhì)量處理復(fù)合故障提供必要的指導(dǎo)。

關(guān)鍵詞：船舶柴油機(jī);復(fù)合故障;智能診斷

船舶柴油機(jī)擁有大量精密零部件，往往會(huì)同時(shí)出現(xiàn)多種故障，加強(qiáng)對(duì)復(fù)合故障的處理成為船舶柴油機(jī)故障智能診斷機(jī)制首當(dāng)其沖的任務(wù)。文章接下來以MAN?8L51/60DF型柴油機(jī)為主，探討其復(fù)合故障智能診斷機(jī)制。

一、船舶柴油機(jī)復(fù)合故障數(shù)據(jù)獲取方式

文章運(yùn)用仿真方式來獲取故障數(shù)據(jù)，通過AVL?BOOST軟件來展開對(duì)預(yù)設(shè)模型的仿真，其主要技術(shù)參數(shù)為沖程值為4，缸徑為510mm，轉(zhuǎn)速為514r/min，活塞行程為600mm，功率為8000kw，壓縮比為13.3，油耗為189.1g/kwh，發(fā)火順序?yàn)?—4—7—6—8—5—2—3，缸數(shù)是8個(gè)。其仿真模型如圖1所示，SB1引導(dǎo)外面的空氣進(jìn)入增壓器，通過52進(jìn)入CO1冷卻，通過PL1進(jìn)行燃燒放熱，而PL2將高溫高壓廢氣導(dǎo)入TC1來推動(dòng)增壓器，最終通過SB2將其排出。運(yùn)用仿真模型統(tǒng)計(jì)了固定情況下的性能參數(shù)，并與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，有效功率實(shí)測(cè)值8004kw，仿真值7842.66kw，誤差+202%;平均有效壓力實(shí)測(cè)值19.1bar，仿真值186728%，相對(duì)誤差-3.17%，燃油消耗率實(shí)測(cè)值1891kwh，仿真值193.1722kwh，相對(duì)誤差+2.15%，最大爆發(fā)壓力實(shí)測(cè)值142bar，仿真值147.02%，相對(duì)誤差+354%，增壓器出口溫度實(shí)測(cè)值49615K，仿真值489.9K，相對(duì)誤差-1.26%，增壓器出口壓力實(shí)測(cè)值4.463bar，仿真值4.4287bar，相對(duì)誤差-0.77%，中冷器出口溫度318.15K，仿真值316.5K，相對(duì)誤差-0.52%，中冷器出口壓力實(shí)測(cè)值4.417bar，仿真值4.4159bar，相對(duì)誤差-0.02%，汽缸排氣歧管溫度實(shí)測(cè)值702.15K，仿真值710.8K，相對(duì)誤差+1.23%;排氣總管溫度實(shí)測(cè)值782.15K，仿真值783.7K，相對(duì)誤差+0.12%，排氣總管壓力實(shí)測(cè)值3.342bar，仿真值3.4416bar，相對(duì)誤差+2.98%，渦輪出口溫度實(shí)測(cè)值591.15K，仿真值5926K，相對(duì)誤差+0.25%，渦輪出口壓力實(shí)測(cè)值0.99bar，仿真值0.9644bar，相對(duì)誤差-2.59%。這反映出其誤差均保持在4%以內(nèi)，說明其性能仿真精度比較高，符合要求，可以用于故障設(shè)置。

二、船舶柴油機(jī)復(fù)合故障的設(shè)置

一般來說，船舶柴油機(jī)主要有單缸供油量不足、增壓器能力低、空冷器效率下降、噴油定時(shí)延緩、排氣閥間隙大、活塞環(huán)磨損嚴(yán)重六種常見故障。單缸供油量不足時(shí)，柴油機(jī)會(huì)提高燃油消耗率，而爆發(fā)壓力、排氣溫度、有效功率降低，繼而造成經(jīng)濟(jì)性下降?？梢酝ㄟ^降低循環(huán)供油量來模擬這一故障問題，預(yù)設(shè)型號(hào)柴油機(jī)循環(huán)供油量為1227g，保持其他氣缸不變的情況下，將1號(hào)氣缸減少5%～20%。增壓器效率低會(huì)造成爆發(fā)壓力、進(jìn)氣壓力與有效功率下降，加重后燃問題，導(dǎo)致油耗提升?？梢酝ㄟ^降低壓氣機(jī)效率來模擬這一故障，其額定效率為80%，降低5%～20%。空冷器效率低帶來?yè)Q氣質(zhì)量低的問題，油耗和熱負(fù)荷加大等問題?？梢酝ㄟ^降低仿真模型中的空冷器效率來模擬這一故障，其額定效率為87.68%，可以將此降低5%～20%。噴油定時(shí)延緩會(huì)降低氣體溫度和壓力，后燃嚴(yán)重，有效功率下降，經(jīng)濟(jì)性不足?？梢愿淖儑娪投〞r(shí)角度來模擬這一故障，在5%～20%范圍內(nèi)修改定時(shí)角度-3.5deg。排氣閥間隙大導(dǎo)致?lián)Q氣質(zhì)量下降，燃油的燃燒不充分，爆發(fā)壓力與功率降低，造成柴油機(jī)經(jīng)濟(jì)性下降?？梢酝ㄟ^調(diào)整間隙來模擬這一故障，其正常值是04mm，增大5%～20%，來觀察其故障問題?；钊h(huán)磨損會(huì)降低燃燒溫度與壓力，提高油耗，甚至?xí)霈F(xiàn)油氣外冒現(xiàn)象?？梢圆捎谜{(diào)整竄氣間隙數(shù)值來模擬這一故障，具體是在0～0.125mm間變化。

三、船舶柴油機(jī)復(fù)合故障樣本數(shù)據(jù)

在額定工作狀態(tài)下，依據(jù)以上標(biāo)準(zhǔn)在特定范圍之內(nèi)來修改模型參數(shù)。氣體溫度壓力流速類的熱力學(xué)參數(shù)對(duì)于船舶內(nèi)部柴油機(jī)運(yùn)行水平的影響作用十分明顯，是一項(xiàng)重要的衡量指標(biāo)，因此在模型增壓器出口、空冷器出口、進(jìn)氣歧管、排氣歧管、排氣總管、渦輪出口之類的位置安排了相對(duì)應(yīng)的測(cè)量點(diǎn)，并確定各個(gè)位置氣體溫度、壓力、流速、主機(jī)的最大爆發(fā)壓力、輸出功率、耗油率等諸多熱力學(xué)參數(shù)，借此來展現(xiàn)船舶內(nèi)部柴油機(jī)的運(yùn)行水平。通過對(duì)熱工故障之類的問題展開仿真實(shí)驗(yàn)，從而獲取了六項(xiàng)復(fù)合故障的樣本數(shù)據(jù)。如表1所示，每一種故障狀態(tài)對(duì)于所有參數(shù)均可以形成不同的影響作用，給船舶柴油機(jī)帶來差異化的故障結(jié)果。這為診斷和處理復(fù)合故障提供了重要依據(jù)。

四、船舶柴油機(jī)復(fù)合故障智能診斷流程

當(dāng)前，大部分學(xué)者主要研究了船舶柴油機(jī)軸承與齒輪中的復(fù)合故障，原因在于簡(jiǎn)單而低成本地獲取故障樣本。該論文則從離線學(xué)習(xí)和在線診斷兩個(gè)方面來診斷復(fù)合故障問題，如圖2所示，第一步是預(yù)處理復(fù)合故障的樣本數(shù)據(jù)，采用特征歸一化與獨(dú)熱編碼的方式將歷史故障樣本之中提取的特征數(shù)據(jù)與故障類型數(shù)據(jù)進(jìn)行預(yù)處理;第二步是對(duì)DBN故障診斷模型所形成的參數(shù)進(jìn)行初始化處理，設(shè)置層數(shù)maxlayer、節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)、學(xué)習(xí)率、激活函數(shù)、訓(xùn)練次數(shù)、小批量處理個(gè)數(shù)之類的參數(shù)，并設(shè)置微調(diào)過程中BP算法激活函數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)之類的參數(shù);第三步是展開模擬訓(xùn)練活動(dòng)，在模型中導(dǎo)入訓(xùn)練樣本，逐層訓(xùn)練每一層的RBM，獲得每一層初始化參數(shù)w、a、b;第四步是微微調(diào)整模型，運(yùn)用BP算法反向調(diào)整預(yù)訓(xùn)練后的初始化參數(shù)，獲得DBN模型，最后一步則是診斷故障，對(duì)船舶柴油機(jī)運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，導(dǎo)入診斷模型之中，系統(tǒng)而準(zhǔn)確地發(fā)現(xiàn)船舶柴油機(jī)所存在的復(fù)合故障情況。

五、船舶柴油機(jī)復(fù)合故障樣本數(shù)據(jù)預(yù)處理

前文通過仿真實(shí)驗(yàn)獲取了六種復(fù)合故障的樣本數(shù)據(jù)，規(guī)模為1180×21，所形成的樣條有1180條，每一條細(xì)分為21項(xiàng)特點(diǎn)，繼而隨機(jī)性地處理樣本數(shù)據(jù)，形成826×21的訓(xùn)練樣本集和354×21的測(cè)試樣本集。前者展開對(duì)故障診斷模型的學(xué)習(xí)，后者則可以檢測(cè)其泛在化。在訓(xùn)練之前，率先運(yùn)用歸一化方法來變換前者樣本，結(jié)束之后再對(duì)后者進(jìn)行歸一化轉(zhuǎn)換，如表2所示，由此來驗(yàn)證診斷模型泛化性情況。隨后采用獨(dú)熱編碼技法來處理編碼，d1故障狀態(tài)的編碼為1000000，d2故障狀態(tài)的編碼為0100000，d3故障狀態(tài)的編碼為0010000，d4故障狀態(tài)的編碼為0001000，d5故障狀態(tài)的編碼為0000100，d6故障狀態(tài)的編碼為0000010，d7故障狀態(tài)的編碼為0000001。特征歸一化處理訓(xùn)練樣本數(shù)據(jù)，在進(jìn)行狀態(tài)標(biāo)簽設(shè)計(jì)，繼而可以采用深度信念網(wǎng)計(jì)算方式來展開訓(xùn)練活動(dòng)，建立復(fù)合故障診斷機(jī)制。

六、船舶柴油機(jī)復(fù)合故障智能診斷機(jī)制的設(shè)計(jì)

運(yùn)用相關(guān)性分析來計(jì)算數(shù)據(jù)樣本特點(diǎn)和狀態(tài)類別的相關(guān)性系數(shù)水平，繼而依據(jù)系數(shù)大小，篩選出具體的樣本特征，運(yùn)用降維的方式，可以大規(guī)模降低網(wǎng)節(jié)點(diǎn)數(shù)，促使模型變得簡(jiǎn)單，進(jìn)一步提高網(wǎng)絡(luò)系統(tǒng)的收斂速度。而且經(jīng)過計(jì)算，閾值在0～0.28之間時(shí)，故障識(shí)別率沒有太大變化，0.28～0.35之間時(shí)，故障識(shí)別率明顯下降，而0.28的位置，只有15種特征，此時(shí)的網(wǎng)絡(luò)訓(xùn)練耗時(shí)比較少，但與之相關(guān)的泛化性與準(zhǔn)確率比較高。

運(yùn)用故障診斷模型，需要率先設(shè)定網(wǎng)絡(luò)結(jié)構(gòu)之類的參數(shù)值，繼而采用DBN來建構(gòu)復(fù)合故障診斷機(jī)制。結(jié)合實(shí)際工作經(jīng)驗(yàn)，輸入屬性維數(shù)對(duì)應(yīng)第一層RBM節(jié)點(diǎn)數(shù)，樣本類別數(shù)對(duì)應(yīng)最后一層RBM節(jié)點(diǎn)數(shù)。預(yù)訓(xùn)練過程中，RBM動(dòng)量數(shù)值為0.1，初始學(xué)習(xí)率也是0.1，批處理數(shù)據(jù)量是6，Sigmiod作為激活函數(shù)，將其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)成15—16—12—7。兩層RBM重構(gòu)誤差隨著重構(gòu)次數(shù)運(yùn)行過程中的變化曲線而呈現(xiàn)出特殊的運(yùn)行過程特征。在此過程中發(fā)現(xiàn)，第二層RBM重構(gòu)訓(xùn)練進(jìn)入300次的時(shí)候，其數(shù)值是03992，因此通過對(duì)兩層RBM的對(duì)比學(xué)習(xí)，順利地對(duì)參數(shù)進(jìn)行了初始化的處理。微調(diào)過程設(shè)置1500次學(xué)習(xí)次數(shù)，Sigmoid為隱含層激活函數(shù)，Softmax為輸出層激活函數(shù)，學(xué)習(xí)效率是0.05，動(dòng)量參數(shù)為0.1，運(yùn)用交叉熵?fù)p失函數(shù)來評(píng)估每一次訓(xùn)練之后的網(wǎng)絡(luò)性能的時(shí)候，經(jīng)過計(jì)算發(fā)現(xiàn)，達(dá)到1000次訓(xùn)練的時(shí)候，大大降低了網(wǎng)絡(luò)誤差的幅度，達(dá)到1500次訓(xùn)練的時(shí)候，該模型對(duì)于復(fù)合故障診斷率提高至99.39%。這充分反映出所設(shè)計(jì)的船舶柴油機(jī)復(fù)合故障智能診斷機(jī)制表現(xiàn)出良好的故障識(shí)別效果，能夠精準(zhǔn)地發(fā)現(xiàn)船舶柴油機(jī)存在的復(fù)合故障問題，為快速處理柴油機(jī)故障提供了有效的參考和依據(jù)。

七、船舶柴油機(jī)復(fù)合故障智能診斷機(jī)制驗(yàn)證

為了從實(shí)踐層面來進(jìn)一步驗(yàn)證所設(shè)計(jì)的船舶柴油機(jī)復(fù)合故障智能診斷模型的實(shí)用性情況，文章采用354ⅹ21的測(cè)試樣本集來驗(yàn)證船舶柴油機(jī)復(fù)合故障診斷機(jī)制。在驗(yàn)證故障診斷機(jī)制之前，我們率先對(duì)測(cè)試樣本集展開全面的數(shù)據(jù)預(yù)處理活動(dòng)，所采用的方法與訓(xùn)練數(shù)據(jù)樣本集的預(yù)處理方法完全相同，保證可以正確識(shí)別模型，如圖3所示，最終形成了一個(gè)“混淆矩陣”，來直觀地反映測(cè)試結(jié)果。對(duì)比分析來看，以DBN為基礎(chǔ)的復(fù)合故障智能診斷機(jī)制可以快速而準(zhǔn)確地識(shí)別真實(shí)狀態(tài)d1至d6之間的測(cè)試樣本，但是對(duì)于d7樣本的測(cè)試呈現(xiàn)出些微的誤差。這主要表現(xiàn)在模型在識(shí)別d7樣本的時(shí)候，出現(xiàn)了3條樣本識(shí)別錯(cuò)誤情況，一個(gè)是被錯(cuò)誤性地識(shí)別成了狀態(tài)1，另外兩條被錯(cuò)誤性地識(shí)別成了狀態(tài)4。這充分反映出文章所設(shè)計(jì)的船舶柴油機(jī)復(fù)合故障診斷機(jī)制能夠快速而準(zhǔn)確地判斷單缸供油量不足、增壓器能力低、空冷器效率下降、噴油定時(shí)延緩、排氣閥間隙大、活塞環(huán)磨損嚴(yán)重六種故障測(cè)試樣本，但其中也存在少數(shù)幾條診斷錯(cuò)誤問題，總體來說并不影響該機(jī)制的故障診斷能力。這也說明了該論文所設(shè)計(jì)的船舶柴油機(jī)復(fù)合故障診斷機(jī)制具有良好的泛化性能和實(shí)操應(yīng)用效果，可以準(zhǔn)確性地診斷出船舶柴油機(jī)隨機(jī)性出現(xiàn)的大部分測(cè)試樣本所應(yīng)對(duì)的各種復(fù)合型故障問題，該機(jī)制的判別概率達(dá)到99%以上，可以應(yīng)用于具體的柴油機(jī)故障診斷工作，提高船舶采油機(jī)復(fù)合故障處理效率和質(zhì)量。

結(jié)語

總體來說，船舶柴油機(jī)復(fù)合故障診斷工作將始終是工作人員所關(guān)注的一個(gè)重要問題，隨著船舶運(yùn)行效率越來越高，對(duì)于復(fù)合故障處理也提出了更高的要求，而智能設(shè)備與信息技術(shù)的蓬勃發(fā)展則逐步改變了傳統(tǒng)人工診斷和處理柴油機(jī)復(fù)合故障所面臨的經(jīng)驗(yàn)限制、效率低、準(zhǔn)確性差之類的問題，為高效率、高質(zhì)量處理船舶柴油機(jī)復(fù)合故障提供了一個(gè)嶄新思路。當(dāng)前，工作人員需要加強(qiáng)與計(jì)算機(jī)、信息技術(shù)、智能技術(shù)專業(yè)人員的合作，將個(gè)人的船舶柴油機(jī)知識(shí)和經(jīng)驗(yàn)與信息技術(shù)進(jìn)行“耦合”，開創(chuàng)船舶柴油機(jī)復(fù)合故障診斷機(jī)制，并在實(shí)際應(yīng)用過程中逐步完善這一機(jī)制，形成成熟、穩(wěn)定、高效的船舶柴油機(jī)復(fù)合故障診斷工作方案。

參考文獻(xiàn)：

[1]何陸軍，淺析船舶柴油機(jī)故障與措施[J].船舶物資與市場(chǎng)，2020（12）：3940.

[2]潘建雄，信息融合下船舶柴油機(jī)故障診斷方法研究[J].決策探索，2020（10）：5253.

[3]張其俊，船用柴油機(jī)故障診斷技術(shù)研究[J].中國(guó)水運(yùn)，2020（7）：128129.

作者簡(jiǎn)介：和鑫男（1996—?），男，山西長(zhǎng)治人，工程師，研究方向：船舶動(dòng)力。