船舶动力装置智能故障诊断技术的应用与展望

蒋佳炜，胡以怀*，方云虎，李方玉

1 上海海事大学 商船学院，上海 201306

2 中航鼎衡造船有限公司，江苏 扬州 225217

0 引 言

近年来，随着物联网、互联网及自动化控制技术的发展，船舶的自动化程度日益提高[1-2]，而信息技术和基于“大数据”的数据挖掘技术也加快了智能船舶的发展步伐[3-4]，可以预见，未来10～20 年内智能船舶是决定航运业发展方向的重要因素。在《2030 全球海洋技术趋势》报告中，智能船舶被列为未来18 项主流的海洋技术之一[5]。基于大数据的德国工业4.0 战略，通过整合网络、实体和岸海一体化智能信息服务系统，促进了传统造船业的转型和智能船舶的发展[6-7]。在《中国制造2025》战略文件中，高科技造船被列为十大重点领域之一，其中智能船舶是其重要组成部分[8-9]。在智能船舶的发展历程中，动力系统作为整个船舶最核心的系统，其安全性和可靠性将直接影响船舶的航行安全[10-12]。

随着船舶向大型化、高速化、少人化和智能化的方向发展，其动力系统的自动化水平和复杂程度也在逐渐提高[13-14]，并对动力装置的可靠性提出了更高的要求。动力装置在运行期间具有强烈的时变性且对环境条件的要求十分苛刻[13,15]，船舶动力系统的故障发生率如表1 所示[16]。因此，有效的故障监测与诊断技术是预防船舶动力系统故障并保障航行安全的重要手段，也是实现智能船舶的必要环节。随着船舶动力系统与机舱自动化水平的不断提高，机械设备的监测数据规模呈井喷式增长，其数据种类和数据结构也愈加复杂[17-18]。如何在庞大的数据洪流中准确抓取设备的故障信息，已成为船舶动力系统故障诊断的研究热点[3,19]。工信部于2014 年发布的《大数据白皮书》指出，大数据为各领域带来了颠覆性的创新和全新的挑战[20]。国务院于2015 年发布的《促进大数据发展行动纲要》明确表示，应引导和鼓励各领域在大数据分析方法及关键技术应用等方面开展探索研究[21]。

表 1 船舶动力系统的故障发生率Table 1 Fault rate of marine power system

随着传感器和机械状态监测点的数量增加，船舶动力系统故障诊断正向着数据化[11,22]、智能化[1]、高效化[10]和准确化[23]的方向发展。挪威KYMA 公司基于船舶性能参数，研制了Kyma performance monitoring 船舶监测诊断系统[24]。船用主机制造商MAN B&W 公司研制了计算机辅助性能分析（Computer Aided Performance Analysis，CAPA）软件程序专家系统，可以对二冲程柴油机进行状态监测、故障模式识别及故障预测[25]。Jiang 等[10]根据大量实船数据，开发了基于Access数据库的船舶动力装置故障诊断专家系统，可以有效提升船舶的运营效率。臧军[26]基于柴油机离线诊断技术的不足，提出了利用监测数据实现柴油机在线故障诊断的研究方向。此外，ABB，GE 及西门子等公司也基于大量的船舶机械状态监测数据，在船舶动力系统故障诊断方面开展了深入的研究工作。然而，由于船舶动力设备自身结构和运行机理的复杂性，及其工作环境的多变性，目前故障诊断工作的数据分析、处理与诊断均面临着重重困难。

综上所述，动力设备的状态监测数据已成为故障预测与诊断的重要资源，而对于具有一定规模数据量且时间连贯性较强的数据集来说，如何采用恰当的智能算法解析运行状态数据，是智能船舶故障诊断的关键技术。通过实施智能故障诊断，可以提取大量监测数据中蕴含的多域故障信息、识别设备故障、监测设备状态并预测运行寿命，从而突破传统故障诊断高度依赖专家和技术人员的瓶颈，解决船舶远航时缺乏专家指导则难以维修的问题[27]，最终为智能船舶和无人船舶技术的发展打下坚实基础。

1 国内外研究现状

船舶动力装置的智能故障诊断过程可以分为数据信号获取、数据特征提取、故障识别与预测3 个环节[28-29]，如图1 所示，下文将选取国内外近年来具有代表性的研究工作予以综述。

图 1 船舶动力装置的智能故障诊断流程图Fig. 1 Intelligent fault diagnosis flow chart of marine power system

1.1 数据信号获取

在船舶动力系统中，通过传感技术监测并获取机械装置的运行状态，是开展故障诊断工作的基础。设备故障信息大多存在于热力学、动力学、摩擦学、声学等物理场中，目前国内外学者已经从某一个或多个物理场中成功提取信号并开展了深入研究。

1.1.1 热工参数信号

爆发压力、压缩压力、排温、排压、转速、功率等热工参数直接反应了柴油机各部件的工作状况和运行状态，适用于有效诊断进排气系统脏堵、中冷器温度异常、喷油正时异常等故障，具体参数如表2 所示。

表 2 船舶动力系统故障诊断的主要热工参数Table 2 Main thermal parameters of marine power system fault diagnosis

Lamaris 等[18]利用缸内压力、喷油压力、主机功率等参数分析了实船柴油机的运行状态，Rubio等[30]监测了柴油机运行期间的热工参数并建立了相关数据库，骆康明[31]设计了热工参数智能数字检测仪并对舰船主动力装置进行了自动检测，Zhu 等[32]监测分析了柴油机燃烧排放物的温度，余永华[33]基于船舶柴油机的瞬时转速和热工参数进行了柴油机仿真建模。

1.1.2 振动信号

据调研，利用柴油机的机身整体振动、表面局部振动和轴系扭转振动可以有效诊断燃油系统、配气机构、活塞—缸套、连杆轴承和滑动主轴承、涡轮增压器等主要运动部件的故障，该方法具有诊断速度快、精度高、针对性强，以及易于测取信号、易于早期预报和在线监测等优点。

Li 等[34]采用压电加速度传感器获取了柴油机的气缸振动信号并进行了特征分析，Nag 等[35]利用加速度计在通用主机实验台上测取了氢—柴油双燃料柴油机在不同频率下的振动信号振幅，Sinha 等[36]优化了机械振动信号的获取方法，Xiao等[37]基于万吨级实船数据建立并验证了柴电混动推进系统的振动数学模型。王荣等[38]针对机械状态监测中振动信号的有效传递问题，提出了一种振动传感器的优化布置方法。胡以怀等[39]基于柴油机的振动信号数据，开展了柴油机磨损故障振动在诊断机理方面的研究。

1.1.3 噪声信号

噪声信号的信息量非常大，具有非接触、不解体、高效、便捷等优点[40]，可以作为柴油机故障诊断的辅助手段。对于某些运动部件的早期故障、热工参数信号反馈不明显的故障而言，采用噪声信号对柴油机进行总体状态分析就显得尤为重要。

Arveson 等[41]以低速柴油机驱动的散货船为研究对象，分析了其在不同工况下的辐射噪声特点。Torregrosa 等[42]针对发动机排气后处理系统（Exhaust After Treatment System，EATS）提出了一种声学响应评估方法，并对发动机排气噪声的透射和散射特性进行了EATS 评估。Zhen 等[43]以四缸四冲程直喷和涡轮增压柴油发动机为研究对象，证明了空气噪声可以用于柴油机的状态监测与油液分析。李才良等[44]开展了柴油机的声信号故障诊断试验，在传统的幅值域参数诊断效果不明显的情况下，提出了匀布指标这一概念，并对实际采集的声信号进行了分析诊断。吉哲[45]开展了基于声信号的柴油机故障诊断研究，并认为基于声信号分析的机械故障诊断方法非常适用于恶劣环境下的机械设备。蔡振雄等[46]总结分析了利用振动噪声信号进行柴油机典型故障诊断的研究进展。

1.1.4 其他信号

Beeck 等[47]利用激光诊断工具监测了柴油机的缸内燃烧过程。Roisman 等[48]基于柴油机喷油图像，分析了喷嘴尖端油雾的传播方程，并进行了建模和仿真验证。Guerrero 等[49]针对船舶柴油机效率损失、功率不平衡和喷射系统故障等异常问题，利用发电机和发动机之间的瞬时转矩，开发和验证了低速柴油机的扭转非线性模型。党轩等[40]利用声发射技术对发动机的故障源进行了定位，并对柴油机连杆大端轴瓦处的碰撞摩擦开展了诊断分析工作。陈熙源等[50]分析了光纤Bragg光栅传感器应用于信息化智能船舶的关键技术。Feng 等[51]利用红外热像仪获取了轮机设备的热像图，并对船舶动力设备进行了故障分析。在工程实际中，适用于船舶动力装置故障诊断的信号范围非常广，虽然本文列举了大量的数据信号获取方法，但限于篇幅，无法一一详述。

综上所述，国内外学者根据不同的物理信号对船舶动力装置的运行状态进行了有效监测，也取得了一定成果，可为智能算法在船舶动力装置故障诊断中的应用奠定基础。而信号提取作为机械设备故障诊断的第1 步，是智能算法应用必不可少的前提要素。

1.2 特征提取

采用合理的手段对信号进行故障特征提取，是机械故障诊断的一个关键环节。由于机械故障信息在监测信号的时域、频域和时频域均有不同程度的体现，所以对信号进行特征提取是明确机械故障信息表征的有效方法。

1.2.1 振动信号的特征提取

Charles 等[52]利用快速傅里叶变换（Fast Fourier Transform，FFT）提取了柴油机曲轴扭转振动信号的故障特征。Taghizadeh 等[53-54]研究了柴油机的爆震检测方法，其通过对振动信号进行时频分析，发现了短时傅里叶变换（Short Time Fourier Transform，STFT）可以有效提取燃料喷嘴和爆震检测的故障特征。Xi 等[55]采用t分布随机邻域嵌入算法提取了柴油机振动信号的故障特征，并利用超限学习机（Extreme Learning Machine，ELM）进行了故障分类。Jing 等[56]将分形关联维数、小波能量和熵作为柴油机故障的分类特征，开展了柴油机气门间隙的异常故障诊断研究。 蒋佳炜等[57]基于小波能量谱进行了柴油机气门间隙异常故障的特征提取。程军圣等[58]对比了局部特征尺度分解与经验模态分解（Empirical Mode Decomposition，EMD）方法在故障诊断中的应用效果。夏天等[59]应用经验模态分解和自回归谱提取了柴油机曲轴轴承的故障特征。Peng 等[60]对比了EMD 和小波分解在故障特征提取中的应用效果。王凤利等[61]基于总体经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）的改进局域波分析方法，分析了信号能量随瞬时频率的变化特征。畅志明[62]基于EEMD 分解和多信息熵，对大功率柴油机气门间隙的故障振动信号进行了特征提取。岳应娟等[63]针对柴油机故障特征的提取问题，提出了一种基于时频图像双向二维特征编码的柴油机智能故障诊断方法。

本文对5 种振动信号特征提取方法的特点和局限性，开展了对比分析，具体如表3 所示。

表 3 5 种振动信号特征提取方法的对比结果Table 3 Comparison results of five methods for extracting vibration signal features

1.2.2 热工参数特征提取

Hedegard 等[64]通过分析大量的柴油机缸压数据，提出了柴油机缸压参数的有效估算方法。Hountalas 等[65]根据低速二冲程柴油机示功图数据，建立了基于多项特征参数的柴油机故障诊断模型。Li 等[66]根据柴油机缸压曲线图，提出了一种基于图形特征映射的数据驱动状态监测方法。牛晓晓等[67]利用神经网络模型对柴油机爆压参数进行了预测。Wang 等[68]分析了柴油机的故障参数特征，并基于贝叶斯网络（Bayesian Networks，BN）实现了故障隔离。

1.2.3 其他信号特征提取

Baek 等[69]对多传感器信号的离散状态向量进行了特征提取，并开展了柴油机故障预测研究。Zhang 等[70]利用循环极坐标图提出了一种基于瞬时曲轴转速（ Instantaneous Crankshaft Speed，ICS）的柴油机故障诊断方法。Li 等[71]基于振动与磨损颗粒分析的信息融合，提出了一种新型的船用柴油机故障诊断技术。王欢欢[72]总结了声发射分析方法，并基于声发射信号进行了柴油机早期故障诊断研究。

由此可见，在基于信号处理技术的柴油机故障特征提取方面，国内外学者已经取得了一定的进展，其研究成果适用于噪声干扰条件下、多工况影响下的柴油机故障诊断。然而，目前的研究项目大多处于实验验证阶段，鲜有实船应用数据，且在轻微故障和多故障特征提取方面的参考文献也相对较少。

1.3 故障识别与预测

基于故障信号所提取的特征参数，采用智能算法实现船舶动力装置的自动故障识别与预测，是智能算法在船舶动力装置故障诊断中的主要应用目标，其中如何提高故障识别准确率是当前的研究热点。

1.3.1 故障识别

Kowalski 等[73]基于极限学习机算法提出了一种船用柴油机的智能故障诊断方法，实船验证结果表明，该方法具有更高的分类准确度和更快的响应速度。Porteiro 等[74]利用实验数据建立了神经网络系统，并对柴油机进行了功率估计和故障识别。Morgan 等[75]结合大量的在线和离线故障诊断应用特点，提出了一种稀疏数据集的计算分析方法。Mesbahi 等[76]通过训练单个自动关联3 层 人 工 神 经 网 络（ Artificial Neural Network，ANN），研究了6 缸涡轮增压柴油机的在线故障诊断技术。Hu 等[77]应用基于Dempster-Shafer 理论的多分类支持向量机（Dempster-Shafer theory based on Multi-class Support Vector Machines，DSMSVM）算法对柴油机进行了故障诊断，并通过实验验证了该方法可以提高故障诊断的准确性和鲁棒性。Liu 等[78]基于固有时间尺度分解（Intrinsic Time-scale Decomposition，ITD）算法和多级Adaboost 相 关 向 量 机（Relevance Vector Machine，RVM）算法，提出了柴油机故障诊断方法。Gao 等[79]改进了极限学习机算法，并利用单级极限学习机（Single-Stage Extreme Learning Machine，SS-ELM）对柴油机进行了故障诊断。Yin 等[80]利用振动信号和人工神经网络对内燃机的元件损伤进行了故障诊断。蒋一然[81]针对反向传播（Back Propagation，BP）神经网络收敛速度慢和容易陷入局部极小值的问题，将遗传算法和神经网络有机结合，提出了基于遗传神经网络的柴油机故障诊断方法。张旭[82]从工程实际应用的角度出发，将人工免疫算法与计算智能诊断方法相结合，对船舶柴油主机的智能故障诊断进行了深入研究。牟伟杰等[83]提出了一种基于振动时频图像全局和局部特征相融合的柴油机故障诊断方法。李伟[84]利用和声搜索算法优化了BP 神经网络，并进行了柴油机故障诊断研究。金玉臣[85]运用粒子群算法优化了支持向量机（Support Vector Machines，SVM）的主要参数，柴油机故障诊断的实验结果表明，该算法优于BP 神经网络。

1.3.2 故障预测

Diez 等[86]提出了一种新型算法，可以基于内核的SVM 来监测传感器数据的健康状况，从而实现健康数据的低误报率并改进故障预测能力。Li 等[34]通过将群体智能优化的多类多核相关向量机模型输出与不同学习算法相结合，实现了柴油发电机组的鲁棒故障检测。Subrahmanya 等[87]提出了一种基于贝叶斯框架的新算法，适用于柴油发电机组的故障预测与诊断问题。Yuan 等[88]为预测潜在故障，提出了一种新型多核极限学习机算法，适用于早期故障的智能预测。杜剑维等[89]采用灰色预测理论和神经网络技术，对柴油机相继增压系统进行了故障预测与诊断。曹晓霞[90]基于小样本，采用相关向量机算法对柴油机的故障预测进行了研究。董安[91]提出了基于形态滤波和灰色理论的柴油机故障预测方法。韩敏等[92]提出了一种增强型间歇性未知输入的卡尔曼滤波器，可用于对船舶柴油机系统故障进行预测，并取得了较好的结果。牛晓晓[93]利用非支配排序遗传算法实现了柴油机性能的预测及优化。

由此可见，国内外学者在船舶动力装置的故障诊断和预测方面进行了深入研究，同时新型智能算法的应用也在不断推陈出新。目前，相关研究工作主要集中在故障分类的准确性方面，鲜有算法计算成本和计算效率优化方面的研究成果。然而，在船舶实际运营中，响应速度和计算成本是评价故障诊断与预测系统的关键指标，因此，如何基于低成本和高响应速度进行准确的故障诊断与预测，是实船应用中不容忽视的问题。

2 智能故障诊断技术的发展趋势和挑战

船舶动力系统智能故障诊断技术的发展趋势具有如下特点：

1） 监测点众多，数据量庞大，无法仅仅依靠诊断专家进行人工分析，故需要引入新理论和智能算法进行自动分析。

2） 数据密度低。由于船舶动力系统的机械设备长期处于正常工作状态，信息重复率高，有价值的数据密度较低，所以需要进行数据提取。

3） 数据特征隐蔽。由于船舶动力系统的设备多样性且数据时间跨度较长，所以信息之间的耦合程度较高，从而导致故障表征信息的提取存在一定难度。

4） 数据时效性高。船舶各个机械系统的关联较为紧密，某个设备故障会引起连锁反应并导致多个设备报警，所以智能故障诊断应保证数据处理的时效性，才能高效准确地判断故障源头并及时预警。

结合现代船舶的发展特点和机舱自动化、智能化的应用需求，船舶动力系统故障诊断亟需在现有基础上继续向智能化方向拓展。根据2015年中国船级社发布的《智能船舶规范》[28]，船舶动力系统的智能故障诊断技术应重点注意以下4 个方面：

1） 故障诊断思维的延伸。从以观察故障现象、进行故障机理分析、通过经验解决问题的传统诊断思维，转向以经验机理为基础、故障现象为表征、监测数据为内核、智能算法为手段、故障预测与状态监测为目标的新方向。

2） 研究对象的延伸。从针对泵、轴系、活塞、喷嘴等独立机械设备关键零部件的单层次诊断方法，转向融合各个零部件相互作用、多故障相互耦合的面向整体动力系统的多层次诊断新方法。

3） 诊断方法的延伸。从人工收集并筛选数据、基于机理提取故障特征的切片式诊断方法，转向在多工况、多随机因素干扰下通过智能算法提取并筛选数据特征，从而进行故障数据解析和全局分析的新方向。

4） 诊断目标的延伸。从传统的出现故障之后分析解决问题，转向准确及时地识别机械故障的萌生和演变、实时监测动力系统的运行状态、提前预测并化解、减少或避免事故的新方向。

目前，智能算法在船舶动力装置故障诊断中实现了预期效果，不仅降低了故障诊断的人力成本，也提高了故障诊断的准确率，且与自动化船舶的发展方向契合紧密。然而，在实际应用中，智能故障诊断仍然面临着诸多问题，具体如下：

1） 需要关注算法的实时性。船舶故障诊断的准确性固然重要，而对于实船应用而言，故障诊断算法的实时性也不容忽视。很多智能算法需要高性能计算机的支持，例如深度学习算法尤为依赖高性能GPU 甚至TPU 的支持。在实际应用中，算法的运算速度和运算成本是2 项非常重要的指标，如何在这2 项指标之间进行合理取舍是智能算法迈向实际应用所必须解决的问题。

2） 缺乏实验数据。船舶柴油机多为大型低速柴油机，具有造价高、成本高的特点。对于这样的研究对象，很难或根本无法人为地设置故障，所以也无法获取相应的故障数据。这就意味着神经网络或支持向量机等需要大量训练数据集的算法难以得到令人满意的结果，如何克服数据样本短缺这一问题，是国内外学者需要共同攻克的难关。

3） 需要有效利用数据。监测数据中可能蕴含着尚未发掘的故障信息，而智能算法一般只能对故障进行分类或识别，但无法解释数据中反映的故障机理。如何发掘并解释机械状态与监测数据之间的关系，也是当代学者应当考虑的问题。

4） 算法的鲁棒性与泛化能力有待提高。虽然智能模型可以对船舶动力装置进行故障识别，但对于在实船上多工况、复杂多变环境下工作的机械设备而言，动力装置故障往往表现出不确定性、并发性和耦合性。由于智能模型一般为全监督式或半监督式模型，故其自学习能力和泛化能力普遍较弱。当测试范围超出其训练样本的数据范围时，常常导致其识别精度有所降低甚至无法识别。因此，强化算法的学习能力，增强算法的鲁棒性与泛化能力是智能故障诊断走向实船应用的巨大挑战。

5） 缺乏多故障分析研究。目前，国内外学者的研究主要集中于单一故障，而鲜有实船中多发故障、早期故障和微弱故障方面的研究成果。如何采用智能算法对动力装置进行多故障诊断，也是需要解决的问题。

6） 视情维修与健康管理系统有待发展。目前，国内外学者主要致力于故障的识别与预测，而鲜有机械设备的健康管理和机械运行状态评估方面的研究成果。究其原因，大多数学者的数据来源于实验，而数据的零散化、片面化导致无法对动力装置开展有效全面的状态监测，进而阻碍了船舶动力装置视情维修与健康管理系统的发展。

3 基于智能算法的船舶动力装置故障诊断平台

针对智能故障诊断所面临的挑战，结合智能算法的特点，本文认为应该从以下6 个方面入手，用以增强智能算法在船舶动力装置故障监测、诊断与预警中的应用效果，从而为智能故障诊断的工程实践奠定基础。

1） 基于云平台的数据监测系统。上文提到，数据信号获取是开展智能故障诊断的第1 步。运用4G，5G 和卫星通信等通讯技术的云平台可以实现动力装置的远程监测，从而解决计算机计算能力的限制问题。通过建立完备的数据监测系统，为船舶自动化机舱提供数据备份和数据共享是船舶走向智能化的重要媒介，也是实现智能故障诊断的“加速器”。

2） 建立数据库。数据是智能故障诊断的基础和宝贵资源。长期的、完整的船舶动力装置运行数据中蕴含了许多可供发掘的机械健康状况信息。建立船舶动力装置状态监测数据库对于开展故障数据挖掘、研究所信息共享、企业故障诊断应用而言十分重要，这也是船舶动力装置智能故障诊断走向实船应用的保障。

3） 监测数据挖掘。当机械状态监测数据集达到一定规模时，由于机械工况的多变性和其他随机因素的干扰，在数据集中难免会存在无效数据。因此，开展数据清洗并根据时间尺度或工况变化进行数据挖掘，是保持数据有效性和数据一致性的有效手段。从长远来看，数据挖掘是“大数据”环境下智能故障诊断的发展方向之一。

4） 建立自学习故障诊断平台。机械设备在长期运行过程中，不同工况下运行状态参数之间的耦合性很强，所以无法人工识别某些故障特征参数，即使通过传统的理论分析、经验分析等方式也难以提取信号中的特征参数。如图2 所示，通过云平台积累机械运行状态参数，利用智能算法自动分析、学习、识别其特征，并将维修信息和劣化信息相结合，同时训练神经网络等智能模型是未来智能机械故障诊断的发展趋势。

图 2 基于智能算法的故障诊断云平台Fig. 2 Fault diagnosis cloud platform based on intelligent algorithm

5） 实现船舶动力装置的视情维修与健康管理。基于故障诊断平台对船舶动力装置开展运行状态监测，尽可能在故障发生之前进行有效维护，是未来船舶智能故障诊断发展的必经之路。视情维修与健康管理可以有效节约人力和物力资源，合理规避故障风险，这也是智能算法优点与特点的最佳体现。

6） 基于模型故障诊断与数据驱动故障诊断的深度融合。在现有的专家系统中，知识库数据大多来自相关专家和运维人员十几年甚至几十年积累的经验，是非常宝贵的资源。然而，由于这些信息的非结构化较严重，一般难以获取并进行实船应用。如果对专家信息进行总结归纳，或采用相关智能算法自动整合提取故障特征并加入云平台的数据库，必将显著提升云平台的诊断性能。

4 结 语

本文阐述了智能算法在船舶动力装置故障诊断中的应用方法，通过综述国内外学者的研究进展，总结了船舶动力装置智能故障诊断所面临的挑战与发展趋势。本文认为，应以实现船舶动力装置的视情维修与健康管理为目标，从建立基于云平台的数据监测系统、建立数据库和开展监测数据挖掘入手，为船舶动力装置智能故障的实际工程应用奠定基础。