陳智君 ，吳萌萌，王忠俊，袁 強，余永華

(1. 武漢理工大學(xué) 船海與能源動力工程學(xué)院，湖北 武漢 430063； 2. 高性能船舶技術(shù)教育部重點實驗室(武漢理工大學(xué))，湖北 武漢 430063)

隨著信號處理技術(shù)的提升和完善，學(xué)者們逐漸將人工智能技術(shù)融入到船舶柴油機故障診斷中，船舶柴油機的智能診斷可節(jié)省工作人員工作量，提高工作效率，防患于未然[1-2]．柴油機缸蓋振動信號具有豐富的沖擊信息，且容易通過傳感器獲取，因而通過研究缸蓋振動信號來診斷柴油機故障是可行的[3]．但柴油機激勵源很多，通過其形成的振動信號非常容易互相耦合、互相干擾，導(dǎo)致故障特征不易提取，使得基于振動信號的柴油機狀態(tài)監(jiān)測難以準(zhǔn)確有效．

基于此，學(xué)者們將人工神經(jīng)網(wǎng)絡(luò)[4-5]、隨機森林[6-7]和支持向量機(SVM)[8-10]等淺層學(xué)習(xí)算法應(yīng)用到柴油機故障診斷過程中．但是這些淺層學(xué)習(xí)算法都需要預(yù)先提取得到特征值，為了取得較好的模型準(zhǔn)確率，需要對特征值的提取進行深入分析．深度學(xué)習(xí)的不斷發(fā)展為故障診斷技術(shù)提供了新的解決方案，深度學(xué)習(xí)算法可以通過逐層的非線性轉(zhuǎn)換，將預(yù)先構(gòu)建的特征向量從高維空間映射到一個更加清晰的低維空間，使分類或預(yù)測過程更加簡單[11-12]．常見的深度學(xué)習(xí)模型主要有深度堆棧網(wǎng)絡(luò)(DSN)[13-14]、深度置信網(wǎng)絡(luò)(DBN)和深度卷積網(wǎng)絡(luò)(CNN)[15-16]等．

為了提高柴油機多工況下燃燒室部件故障識別準(zhǔn)確率，筆者基于柴油機缸蓋振動信號，綜合運用DSN算法和多級診斷的思想，研究多級DSN故障診斷算法，并進行在線驗證．

1 深度堆棧網(wǎng)絡(luò)模型

1.1 堆疊自動編碼器構(gòu)建

自編碼器(AE)的編碼過程相當(dāng)于獲得輸入數(shù)據(jù)較為理想的特征表示，解碼部分是將編碼后的特征數(shù)據(jù)恢復(fù)為原始數(shù)據(jù)，將前一個編碼器的隱含層輸出向量作為后一個自編碼器的輸入，并對其訓(xùn)練，再將各個編碼器按照一定的順序進行堆疊，就能實現(xiàn)原始樣本數(shù)據(jù)的高層特征表示．

筆者使用包含輸入層、隱含層和輸出層的3層自編碼器進行堆疊，如圖1所示，＋1為偏置項．對于訓(xùn)練樣本集D中的第i個樣本數(shù)據(jù)Xi( x1,x2,x3,…,xm1)，第1個自編碼器的輸入和輸出神經(jīng)元的個數(shù)均為m1，隱含層神經(jīng)元的個數(shù)可根據(jù)實際需求設(shè)定，假定隱含層的神經(jīng)元個數(shù)為n1．當(dāng)樣本集中訓(xùn)練樣本總數(shù)為k時，則樣本集D={X1,X2,X3,…,Xk}對該自編碼器進行訓(xùn)練更新，在完成了訓(xùn)練以后便得到第1個自編碼器，在構(gòu)造第2個自編碼器時，該自編碼器的輸入數(shù)據(jù)為第1個自編碼器的隱含層輸出的數(shù)據(jù)，有，則第2個自編碼器的輸入、輸出節(jié)點個數(shù)為n1，令第2個自編碼器的隱含層神 經(jīng)元數(shù)目為n2，則樣本集D1對第2個自編碼器進 行訓(xùn)練，在完成了訓(xùn)練以后可得到第2個自編碼器以及第2個自編碼器的隱含層輸出數(shù)據(jù)集，有D2=，利用數(shù)據(jù)集D2可訓(xùn)練第3個自編碼器，以此類推可訓(xùn)練出一組用于級聯(lián)的自編碼器．然后按照一定順序?qū)⒂?xùn)練得到的編碼器級聯(lián)得到堆疊自編碼器．

圖1 三層堆疊自編碼器示意Fig.1 Schematic of three-layer stacked automatic encoder

1.2 深度堆棧網(wǎng)絡(luò)模型構(gòu)建及優(yōu)化

堆疊自編碼器僅能獲得關(guān)于原始數(shù)據(jù)的高層特征映射，不能完成柴油機的故障分類，因而在其輸出層加上一層激活函數(shù)用于分類．

筆者在堆疊所得的網(wǎng)絡(luò)模型后面添加了M個使用Softmax激活函數(shù)的神經(jīng)元作為最后的輸出節(jié)點，從而獲得完整的深度堆棧網(wǎng)絡(luò)．通過堆疊編碼器獲得的深度網(wǎng)絡(luò)模型和普通的深層前饋網(wǎng)絡(luò)模型具有相同的拓?fù)浣Y(jié)構(gòu)，但是普通的深層前饋網(wǎng)絡(luò)的所有參數(shù)均是通過隨機初始化得到的，而筆者所選用的深度堆棧網(wǎng)絡(luò)，除了最后一個隱含層到輸出層之間的連接權(quán)值需要通過初始化獲得，其余的各層之間的連接權(quán)值均是通過逐層訓(xùn)練得到的．

考慮到在完成了對深度堆棧網(wǎng)絡(luò)的初始構(gòu)造后，由于其最后一個隱含層到輸出層的連接權(quán)值未經(jīng)過調(diào)整，可能還會存在所提取的高層特征并不一定適用于柴油機的故障分類，故還需要進一步調(diào)整網(wǎng)絡(luò)參數(shù)．對于訓(xùn)練樣本集D={(X1,Y1),(X2,Y2),(X3,Y3),…, (Xk,Yk)}，可用該數(shù)據(jù)集對深度堆棧網(wǎng)絡(luò)做進一步的微調(diào)以獲得模型參數(shù)的最終值(Xk和Yk為第K個樣本輸入數(shù)據(jù)及其結(jié)果)．這一步與普通的前饋網(wǎng)絡(luò)的訓(xùn)練過程一致．首先，將樣本標(biāo)記Yi通過獨熱編碼方式編碼為向量Yi′={0,0,…,1,…,0}，將訓(xùn)練樣本集D轉(zhuǎn)換為，假設(shè)模型對于Xi的輸出向量為F(Xi)，考慮到此處采用Softmax激活函數(shù)后輸出向量不同于筆者自編碼器的輸出向量，輸出層的神經(jīng)元輸出值范圍為[0，1]，同時所有輸出值之和為1，則考慮使用交叉熵構(gòu)造損失函數(shù)，可根據(jù)數(shù)據(jù)集構(gòu)造目標(biāo)函數(shù)為

式中：W為網(wǎng)絡(luò)權(quán)值矩陣；b為網(wǎng)絡(luò)偏置向量；K為訓(xùn)練樣本總數(shù)；yij取值為0或1，如果某一訓(xùn)練樣本的輸出為第h類，則yij＝1，其余的j≠h都有yij＝0．由于每個樣本只屬于一個類別，因而上述損失函數(shù)可簡化為

同時，為了提升所構(gòu)建模型的泛化能力，將網(wǎng)絡(luò)參數(shù)W的L2范數(shù)作為正則化項加入到目標(biāo)函數(shù)中，γ為正則化系數(shù)，有

使用優(yōu)化算法對該目標(biāo)函數(shù)進行優(yōu)化，并結(jié)合反向傳播算法調(diào)整連接權(quán)值至模型收斂．深度堆棧網(wǎng)絡(luò)構(gòu)建流程如圖2所示．

圖2 深度堆棧網(wǎng)絡(luò)構(gòu)建流程示意Fig.2 Schematic of DSN construction flowchart

2 多級故障診斷模型

船舶柴油機往往運行在不同的工況下，而從不同工況下提取的柴油機缸蓋振動信號也是變化的，故在進行故障種類區(qū)分之前，需對采集的數(shù)據(jù)按工況進行劃分．此外，柴油機在發(fā)生故障時往往需要對故障的程度進行估計．基于此，筆者搭建多級DSN故障診斷模型對多工況下柴油機的常見故障進行識別并提高準(zhǔn)確率．首先，第1層級通過轉(zhuǎn)速和負(fù)荷實現(xiàn)對工況的區(qū)分，僅對轉(zhuǎn)速為1000r/min、轉(zhuǎn)矩分別為0(0%負(fù)荷)、788(25%負(fù)荷)和1576N·m(50%負(fù)荷)共3個工況的數(shù)據(jù)進行故障分析．在第2層級，針對不同的工況分別構(gòu)建不同的DSN故障診斷模型，識別出不同的故障種類，選取柴油機常見的噴油器起噴壓力下降、噴油孔堵塞、活塞環(huán)磨損和排氣閥漏氣4種故障進行分析．最后，建立第3層級DSN診斷模型，用于識別4種故障的嚴(yán)重程度，將其分為輕度、中度和重度故障．基于多級DSN的診斷示意如圖3所示．

圖3 基于多級DSN的診斷示意Fig.3 Schematic of diagnosis based on multi-level DSN

3 離線試驗分析

筆者以轉(zhuǎn)速為1000r/min、50%負(fù)荷下的柴油機正常狀態(tài)和故障狀態(tài)的數(shù)據(jù)集進行故障診斷和故障嚴(yán)重程度識別．柴油機各個狀態(tài)的數(shù)據(jù)集構(gòu)成見表1．

表1 轉(zhuǎn)速為1000r/min、50%負(fù)荷數(shù)據(jù)集Tab.1 Data set of engine under speed of 1000r/min，50%load

由于柴油機的缸蓋振動信號與柴油機的工作過程對應(yīng)，故一個周期內(nèi)柴油機的缸蓋振動信號可反映柴油機一個工作循環(huán)的狀態(tài)，利用不同時刻的缸蓋振動信號可研究柴油機不同工況的變化．而不同燃燒室部件對燃燒過程不同階段的影響不同，通過分析燃燒過程的缸蓋振動信號來判斷燃燒室部件的運行狀態(tài)是可行的．選擇振動信號分析段后，在振動信號進行特征值提取之前預(yù)先進行降噪處理，可以一定程度提高信號的信噪比，避免噪聲信號對后續(xù)處理工作造成較大影響[17-18]．因而筆者結(jié)合變分模態(tài)分解算法(VMD)和小波閾值去噪方法各自的優(yōu)點進行信號去噪．然后對船舶柴油機缸蓋振動信號從經(jīng)典的時域、頻域及時頻域提取3種不同的特征值、共22個組成特征向量作為DSN網(wǎng)絡(luò)模型的輸入．用一個或是幾個特征值難以準(zhǔn)確區(qū)分故障種類，因而先將3個維度的特征值 進行融合，利用多個自動編碼器級聯(lián)來構(gòu)成堆疊自編碼器，再采用堆疊自編碼器對融合后的特征數(shù)據(jù)進行二次特征提取的策略來獲得低維敏感特征數(shù)據(jù)．利用其良好的非線性映射能力，把特征向量從高維空間映射到低維空間求取深層次的特征．圖4為特征提取流程．

圖4 提取深層次特征流程Fig.4 Flow chart of extracting deep-seated features

當(dāng)船舶柴油機產(chǎn)生噴油壓力下降或失火等故障時，氣缸的燃燒激勵將會發(fā)生不同程度的改變，相應(yīng)的缸蓋振動響應(yīng)信號也會受此影響．基于此，使用的時域變量有方差、裕度因子、波形因子、脈沖因子、峭度系數(shù)、峰值因子、偏斜度和能量．其中方差反映信號整體的離散程度和穩(wěn)定性；波形因子、峰值因子對故障的發(fā)生很敏感，是柴油機故障監(jiān)測過程中很重要的特征變量；脈沖因子和峭度系數(shù)能夠描述振動信號脈沖程度的大??；通過裕度因子可以反映信號的沖擊程度，穩(wěn)定性一般但有較好的敏感性；偏斜度則反映信號的偏離程度；能量能反映振動沖擊的強度．

當(dāng)柴油機燃燒室某部件產(chǎn)生故障時，如噴油孔堵塞，在燃燒段所產(chǎn)生的缸蓋振動信號的頻率會發(fā)生改變，且不同故障的頻率響應(yīng)區(qū)間不一樣，因而可利用頻域特征參數(shù)對柴油機燃燒室的部件異常進行故障診斷．研究用到的頻域特征參數(shù)有重心頻率、均方頻率、頻率方差、頻譜幅值方差、頻譜幅值偏度系數(shù)和頻譜幅值峭度系數(shù)．

柴油機產(chǎn)生的振動信號并非平穩(wěn)信號．筆者利用時頻分析方法對振動信號進行分析，使用3層小波包分解將缸蓋振動信號x(t)均勻地分解成8個包含不同頻帶的信號，故障信號分解所得的各頻帶能量成分的分布情況可以一定程度表征出柴油機燃燒室部件故障類型和故障程度．選用db10作為小波基函 數(shù)，運用小波包分析，提取柴油機燃燒室部件異常的故障下信號的小波包能量比作為特征值．

在分析筆者提出的多級診斷方法之前，圖5給出了單級DSN算法直接進行故障診斷的結(jié)果．考慮到輸出標(biāo)簽較多，故在構(gòu)建此次DSN網(wǎng)絡(luò)模型時采用4個隱含層，通過不斷試驗確定各個隱含層節(jié)點的神經(jīng)元個數(shù)為20、18、16和14，最大迭代次數(shù)為400．

圖5 轉(zhuǎn)速為1000r/min、50%負(fù)荷工況下單級DSN算法診斷結(jié)果Fig.5 Diagnostic results of single-stage DSN algorithm with speed of 1000r/min and 50%load

類別1～13為柴油機在轉(zhuǎn)速為1000r/min、50%負(fù)荷下的13種不同狀態(tài)，當(dāng)藍色圓圈和紅色實心點重疊時測試數(shù)據(jù)分類準(zhǔn)確．使用DSN直接對柴油機進行故障診斷，結(jié)果存在著較大的誤差，可知，將多種復(fù)雜的故障使用一個分類模型進行故障診斷，效果并不是很好，因而對復(fù)雜工況的數(shù)據(jù)進行多級故障診斷分析很有必要．

為了驗證多級DSN故障診斷算法對故障識別的效果，筆者將所提故障診斷算法與經(jīng)典的SVM算法和極限學(xué)習(xí)機(ELM)算法進行對比．多級DSN的訓(xùn)練參數(shù)如表2所示，訓(xùn)練的具體過程見圖2．

表2 多級DSN參數(shù)Tab.2 Multi-level DSN parameters

圖6為基于SVM、ELM和DSN算法故障種類的診斷．對上述數(shù)據(jù)集進行重新歸類，不區(qū)分故障程度，只區(qū)分故障種類，分為柴油機正常、排氣閥漏氣故障、噴油器起噴壓力下降故障、活塞環(huán)磨損故障和噴油孔堵塞故障．對于5種不同的柴油機狀態(tài)的識別，DSN算法、ELM算法和SVM算法的準(zhǔn)確率分別為99.2333%、97.4333%和96.7000%．

圖7為基于DSN模型的故障程度診斷．將故障程度分為正常、輕度、中度和重度．可知對于給定的 故障，DSN可以對不同的故障進行嚴(yán)重程度的精確辨別，其中噴油器起噴壓力下降的準(zhǔn)確率為98.6250%，活塞環(huán)磨損的準(zhǔn)確率為98.8750%，排氣閥漏氣的 準(zhǔn)確率為99.1250%，而噴油孔堵塞的準(zhǔn)確率為99.7500%．結(jié)合圖6可以看出，利用多級DSN不僅可以實現(xiàn)對故障種類的準(zhǔn)確區(qū)分，在故障發(fā)生時還可以對各類故障的嚴(yán)重程度進行劃分．

圖6 基于SVM、ELM和DSN算法故障種類的診斷Fig.6 Fault type diagnosis based on SVM，ELMand DSN algorithm

圖7 基于DSN模型的故障程度的診斷Fig.7 Fault degree diagnosis based on DSN model

為了計算多級診斷模型的總準(zhǔn)確率，將各級診斷模型的平均準(zhǔn)確率累乘得到總準(zhǔn)確率η，有

式中：η1為工況識別的準(zhǔn)確率；η2為故障種類識別的準(zhǔn)確率；η3為故障程度識別的準(zhǔn)確率．

為了驗證構(gòu)建的多級DSN智能診斷算法的效果，筆者將所提故障診斷算法與經(jīng)典的SVM算法和ELM算法進行故障準(zhǔn)確率對比．

對轉(zhuǎn)速為1000r/min、50%負(fù)荷工況下，η1取100.0000%、η2和η3取平均值，可得多級DSN、多級ELM和多級SVM的總準(zhǔn)確率η．用同樣的方法對轉(zhuǎn)速為1000r/min、25%負(fù)荷和轉(zhuǎn)速為1000r/min、0%負(fù)荷的工況進行多級診斷分析，得出多級DSN、多級ELM和多級SVM的總準(zhǔn)確率η，如表3所示．

表3 不同工況下多級診斷模型準(zhǔn)確率Tab.3 Accuracy of multi-level diagnostic model under different conditions (%)

綜上可知，相比于單級DSN，各個工況下多級DSN模型總的故障識別準(zhǔn)確率得到了提升，也都優(yōu)于各工況下多級SVM模型和多級ELM模型的故障識別準(zhǔn)確率，此外，在故障種類的區(qū)分和故障不同嚴(yán)重程度識別方面，多級DSN模型性能較好，驗證了多級DSN模型在多工況下進行故障診斷的可行性和有效性．

4 在線試驗驗證

基于dSPACE平臺設(shè)計船舶柴油機燃燒室部件在線故障診斷系統(tǒng)，筆者驗證了故障診斷算法的可行性．故障診斷系統(tǒng)結(jié)構(gòu)如圖8所示．此系統(tǒng)主要由硬件部分和軟件部分組成．系統(tǒng)的硬件部分由外部電源、轉(zhuǎn)速調(diào)理電路、振動信號調(diào)理電路、電荷放大器5037B1、dSPACE接線板和主機MicroAutoBoxⅡ等多個部分組成．試驗利用BW振動傳感器采集振動信號，缸壓信號由Kistler 7013C缸壓傳感器獲取，轉(zhuǎn)速和上止點由SZB-16L型轉(zhuǎn)速傳感器測量．在線故障診斷的流程包括5個步驟．

圖8 故障診斷系統(tǒng)結(jié)構(gòu)Fig.8 Structure of fault diagnosis system

步驟1離線測試．用Simulink自帶的庫模塊建立分析模型并測試分析結(jié)果．

步驟2實時建立．加入RTI庫(實時接口庫)中與dSPACE主機所對應(yīng)的I/O模塊，從而使離線分析模型轉(zhuǎn)化成在線分析模型，然后對I/O模塊的基本參數(shù)進行設(shè)置．

步驟3編譯下載．使用POWER PC編譯器將實時模型轉(zhuǎn)換為C代碼．

步驟4在線運行．將編譯得到的代碼下載到dSPACE硬件系統(tǒng)中實時在線運行．設(shè)置計算一個周期的時間為0.0100s，實際計算一個周期的時間為 0.0053s．

步驟5故障診斷．將柴油機的缸蓋振動信號通過采集板接入dSPACE主機進行柴油機的故障狀態(tài)分析．

在上位機軟件ControlDesk中建立分析界面，對柴油機的狀態(tài)進行分析，為了驗證在線診斷系統(tǒng)的診斷識別效果，在Z6170ZICZ-1型柴油機試驗臺架上進行正常狀態(tài)和單缸失火的驗證．將連續(xù)100次的診斷結(jié)果保存，并分析對比經(jīng)典的ELM模型和DSN模型的診斷識別能力．

圖9示出轉(zhuǎn)速為1000r/min、不同負(fù)荷下的在線診斷試驗結(jié)果．經(jīng)典的ELM模型在不同負(fù)荷下能正確識別出柴油機處于正常狀況，但也會將狀態(tài)誤識別為其他的故障狀態(tài)，在上述3個負(fù)荷下的識別準(zhǔn)確率為96.0000%、96.0000%和94.0000%．而DSN模型對3個負(fù)荷的識別準(zhǔn)確率為99.0000%、99.0000%和100.0000%，對柴油機運行狀態(tài)的識別較ELM模型準(zhǔn)確．此外，當(dāng)試驗中的轉(zhuǎn)速或負(fù)荷有輕微改變時，ELM故障診斷模型開始難以識別出柴油機的工作狀 態(tài)，其模型抗干擾性較差；而對于DSN模型，在不同的工況下，即使轉(zhuǎn)速或負(fù)荷都出現(xiàn)輕微變化，均能準(zhǔn)確識別出柴油機是否處于正常狀態(tài)，其模型抗干擾性較好．

圖9 正常狀態(tài)在線診斷試驗結(jié)果Fig.9 Experimental results of normal state on-line diagnosis

考慮到失火故障對柴油機的損害以及試驗條件的限制，筆者僅在轉(zhuǎn)速為1000r/min、0%負(fù)荷的工況下，停止對柴油機1號缸供油來模擬柴油機單缸失火故障，驗證DSN故障診斷模型的識別能力，如圖10所示．可知，DSN模型能準(zhǔn)確識別出柴油機處于單缸失火狀態(tài)下，識別準(zhǔn)確率為100.0000%．

圖10 失火狀態(tài)在線診斷試驗結(jié)果Fig.10 Experimental results of misfire state on-line diagnosis

5 結(jié) 論

(1) 通過堆疊自編碼器對時域、頻域和時頻域提取更深層次的特征值．

(2) 提出一種基于多級DSN的柴油機多工況故障分類方法，首先確定柴油機工況，再通過一組DSN模型區(qū)分不同工況下的故障種類，最后再利用一組DSN模型區(qū)分不同工況下每種故障的故障程度．

(3) 將所提故障診斷模型嵌入dSPACE主機中進行在線驗證，所提方法能準(zhǔn)確識別出柴油機是否處于正常狀態(tài)，其模型抗干擾性較好．