船舶柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)研究及應(yīng)用

陳冬梅 趙思恒 魏承印 陳亞杰

中國船舶集團(tuán)有限公司第七一一研究所自動化事業(yè)部，上海，201108

0 引言

近年來，船舶數(shù)字化轉(zhuǎn)型在航運領(lǐng)域被提出并廣泛應(yīng)用，在此背景下以提高船舶智能化程度、提升設(shè)備安全、降低船舶管理難度為目標(biāo)的船舶智能化技術(shù)研究已在全球范圍內(nèi)開展。中國船級社基于其近年來的科技研究成果，于2015年發(fā)布《智能船舶規(guī)范》，“智能機(jī)艙”作為智能船舶六大功能模塊的重要組成部分，需要對機(jī)艙內(nèi)的主輔機(jī)進(jìn)行狀態(tài)監(jiān)測，并進(jìn)行健康狀況分析和評估，根據(jù)分析和評估結(jié)果，為船舶操作提供輔助的決策建議，除此之外，還可根據(jù)上述結(jié)果制定相應(yīng)的視情維護(hù)計劃[1]。設(shè)備智能化是船舶智能化的基礎(chǔ)，作為機(jī)艙動力系統(tǒng)的核心設(shè)備，船舶柴油機(jī)能否可靠運行直接決定了船舶的航行安全性。由于船舶柴油機(jī)結(jié)構(gòu)復(fù)雜，故障高發(fā)，一旦發(fā)生故障帶來的經(jīng)濟(jì)損失重大。海上保險公司瑞典俱樂部(the Swedish Club)對船舶故障風(fēng)險的研究表明，2015—2017年，船舶機(jī)械設(shè)備的索賠費用與整船索賠費用比已從35%增加到48%，增幅35%，其中主機(jī)故障約占所有機(jī)械索賠量的1/3[2]。

國內(nèi)外相關(guān)高校、科研院所、柴油機(jī)生產(chǎn)制造廠家均開展了船舶柴油機(jī)的狀態(tài)監(jiān)測和預(yù)測性維護(hù)相關(guān)研究及產(chǎn)品開發(fā)。國內(nèi)高校及科研院所在故障機(jī)理、新型傳感技術(shù)、特征提取、狀態(tài)檢測及診斷算法方面均開展了深入而有效的理論研究和試驗驗證[3-6]。國內(nèi)外學(xué)者根據(jù)不同來源及種類的數(shù)據(jù)，以設(shè)備機(jī)理為基礎(chǔ)，采用數(shù)理統(tǒng)計、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等手段對船舶柴油機(jī)的健康狀態(tài)進(jìn)行了狀態(tài)監(jiān)測，為智能算法在船舶柴油機(jī)的狀態(tài)監(jiān)測奠定了基礎(chǔ)，部分學(xué)者也開展了船舶柴油機(jī)預(yù)測性維護(hù)的研究及探索[7-8]。前人的研究對象多為低速柴油機(jī)，其工況相對較為穩(wěn)定，而電力推進(jìn)用柴油機(jī)機(jī)動性強(qiáng)，本文針對實際工程項目中基于穩(wěn)態(tài)數(shù)據(jù)的模型在機(jī)動過程表現(xiàn)不佳、模型適應(yīng)性較差、早期預(yù)警率低等問題，開展了針對性的改進(jìn)及優(yōu)化，研發(fā)出具有自主知識產(chǎn)權(quán)的柴油機(jī)狀態(tài)監(jiān)測系統(tǒng)并開展了實船應(yīng)用。

1 系統(tǒng)架構(gòu)

國外使用較普遍的柴油機(jī)狀態(tài)監(jiān)測產(chǎn)品及特點見表1。

本文綜合考慮船舶柴油機(jī)狀態(tài)監(jiān)測參數(shù)的可獲取性，系統(tǒng)加裝難度、系統(tǒng)的可維護(hù)性以及效費比等因素，從熱工、油液、振動、缸壓4個維度開展船舶柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)相關(guān)工作。其中，熱工及油液的數(shù)據(jù)的獲取頻率為1 Hz，振動及缸壓采集頻率為12 800 Hz。其系統(tǒng)架構(gòu)如圖1所示，整個系統(tǒng)至下而上分為以下5層：

(1)感知層。感知層主要采用新型傳感器感知柴油機(jī)上止點、瞬時轉(zhuǎn)速、振動、瞬時缸壓、潤滑油的理化及顆粒相關(guān)信號。

圖1 船舶柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)系統(tǒng)架構(gòu)Fig.1 Architecture of diesel engine condition monitoring and predictive maintenance system

(2)采集層。采集層采用Modbus RTU、CAN Open、Modbus TCP、OPC等數(shù)據(jù)傳輸協(xié)議實現(xiàn)數(shù)據(jù)采集及協(xié)議解析。

(3)數(shù)據(jù)層。數(shù)據(jù)層包括配置數(shù)據(jù)、設(shè)計數(shù)據(jù)、臺架試驗數(shù)據(jù)、實船運行數(shù)據(jù)等。

(4)模型層。模型層主要包括趨勢監(jiān)測模型、狀態(tài)監(jiān)測模型、預(yù)測性維護(hù)模型、設(shè)備退化模型等。

(5)展示層。展示層為人機(jī)交互層，可在柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)系統(tǒng)服務(wù)器上查看各設(shè)備及部件健康度、趨勢及分析、設(shè)備亞健康預(yù)警、設(shè)備故障及輔助決策建議、設(shè)備維護(hù)維修建議等。

2 狀態(tài)監(jiān)測研究

2.1 特征提取及選擇

特征提取及選擇是柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性的關(guān)鍵，特征參數(shù)的故障表征性能直接影響柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)的效果，通過研究特征與故障相關(guān)性、穩(wěn)定性、靈敏度，從機(jī)理與數(shù)據(jù)兩個層面開展特征提取及選擇，進(jìn)而得到故障表征強(qiáng)的特征參數(shù)。

(1)熱工數(shù)據(jù)采集及特征提取。柴油機(jī)熱工參數(shù)從機(jī)艙監(jiān)測報警采集，除原始熱工信息外，還需要提取柴油機(jī)的各缸排溫偏差、空冷器冷卻水出進(jìn)口溫差、高溫水出進(jìn)口溫差、增壓器滑油出進(jìn)口溫差、進(jìn)增壓器A前滑油壓降、渦輪端廢氣進(jìn)出口溫差、各參數(shù)均值、方差等特征參數(shù)。

(2)油液數(shù)據(jù)采集及特征提取。油液數(shù)據(jù)通過自主研發(fā)的滑油在線監(jiān)測套件獲取，該設(shè)備實時采集柴油機(jī)出機(jī)后的滑油溫度、水分、黏度、介電常數(shù)、電導(dǎo)率、單位時間內(nèi)鐵磁性顆和非鐵磁性顆粒數(shù)量和質(zhì)量，依據(jù)柴油機(jī)相換油規(guī)范，提取柴油機(jī)滑油40～100 ℃時的黏度及黏度波動率；針對滑油中鐵磁性顆粒特征短期的變化無特定規(guī)律等特點，提取單位時間顆粒數(shù)量變化率、單位時間顆粒質(zhì)量變化率等較為穩(wěn)定的指標(biāo)。

(3)振動數(shù)據(jù)采集及特征提取。通過振動傳感器和上止點傳感器的高頻采樣，獲得以曲軸轉(zhuǎn)角為橫坐標(biāo)、振動加速度為縱坐標(biāo)的振動圖譜，該系統(tǒng)同時采集缸頭部位的振動信號與缸壓信號，圖2所示為柴油機(jī)4沖程的振動/缸壓圖譜，并對缸頭部位進(jìn)氣閥開啟沖擊、排氣閥關(guān)閉沖擊、進(jìn)氣閥關(guān)閉沖擊、燃燒沖擊、排氣閥開啟沖擊進(jìn)行了標(biāo)注。

圖2 振動/缸壓時域圖譜Fig.2 Time domain spectrum of vibration/ cylinder pressure

項目實施過程中分別在柴油機(jī)各缸缸蓋、增壓器機(jī)身、曲軸箱側(cè)面、底座等部位安裝了振動傳感器，通過對振動信號的時頻域分析，分別提取了幾類特征參數(shù)，見表2。

表2 振動特征參數(shù)Tab.2 Vibration feature parameters

(4)缸壓數(shù)據(jù)采集及特征提取。通過氣缸壓力傳感器和上止點傳感器的高頻數(shù)據(jù)采集，獲得以曲軸轉(zhuǎn)角為橫坐標(biāo)、氣缸壓力為縱坐標(biāo)的示功圖。

由于燃燒過程的隨機(jī)性和不確定性，單周期缸壓數(shù)據(jù)會存在一定的噪聲，進(jìn)行缸壓特征數(shù)據(jù)提取前需對多周期瞬態(tài)缸壓數(shù)據(jù)進(jìn)行漏點插值、光順處理。實船缸壓測試結(jié)果如圖2所示。通過對示功圖及柴油機(jī)的缸內(nèi)燃燒過程進(jìn)行分析，可提取以下特征參數(shù)：最高壓縮壓力、壓力升高率、著火點、最高爆炸壓力、最高爆炸壓力位置、特定角度的累計放熱量、循環(huán)功等。

2.2 狀態(tài)監(jiān)測

為了兼顧機(jī)器學(xué)習(xí)模型的客觀性及數(shù)理統(tǒng)計模型的可解釋性，本文采用層次分析法對柴油機(jī)進(jìn)行分層次建模，逐層建立部件、子系統(tǒng)、系統(tǒng)級柴油機(jī)模型，采用單類支持向量機(jī)(one-class support vector model，OCSVM)模型聯(lián)合Fisher判別分析進(jìn)行柴油機(jī)狀態(tài)監(jiān)測。當(dāng)OCSVM機(jī)器學(xué)習(xí)模型捕捉到柴油機(jī)狀態(tài)異常后，后臺會進(jìn)一步調(diào)用Fisher判別分析模型計算各參數(shù)的劣化指數(shù)，并基于參數(shù)權(quán)值矩陣及劣化程度進(jìn)行故障歸因分析，最終結(jié)合專家知識庫進(jìn)行故障輔助決策。

基于實船數(shù)據(jù)的大數(shù)據(jù)可視化如圖3所示，典型工況數(shù)據(jù)樣本多，其統(tǒng)計學(xué)特征穩(wěn)定性好，絕大部分參數(shù)均符合高斯分布。對于該類參數(shù)，當(dāng)參數(shù)不處于其均值與N倍方差的范圍內(nèi)(N根據(jù)實際情況取值，一般在3～5之間)時，則參數(shù)大概率為異常值，且測點離均值越遠(yuǎn)，參數(shù)為異常值的置信度越高。

圖3 功率-缸套溫度的三維可視化Fig.3 3-dimensional visualization of power-cylinder liner temperature

本文研究的柴油機(jī)作為發(fā)電機(jī)組的原動機(jī)，其工況一直處于穩(wěn)定-切換-穩(wěn)定過程中。柴油機(jī)的狀態(tài)監(jiān)測需以工況為其牽引，本文結(jié)合項目特點，對工況進(jìn)行定義(表3)。根據(jù)表3中的定義，將實際運行中的工況分為3種，其占比見表4。

表3 工況定義Tab.3 Working condition definition

表4 工況統(tǒng)計Tab.4 Working condition definition statistics

表4中，若僅考慮穩(wěn)定且典型工況，則模型僅在工況占比約60%情況下可進(jìn)行狀態(tài)監(jiān)測，為提高機(jī)器學(xué)習(xí)模型的適用性，覆蓋更多工況，減少漏檢率，且將模型的虛警率降至合理范圍內(nèi)，特引入模型動態(tài)調(diào)節(jié)策略，使其模型在符合統(tǒng)計規(guī)律的基礎(chǔ)上采用函數(shù)調(diào)節(jié)機(jī)制。

2.2.1船舶典型工況分析

船舶運行過程中，海洋環(huán)境、船舶航速、間歇負(fù)載的啟停都會引起柴油機(jī)負(fù)荷較大的變化，而隨著負(fù)荷變化，其能量轉(zhuǎn)化率、運行參數(shù)包括溫度、壓力、振動等都會隨之波動，如圖4所示。

圖4 某年8月13日柴油機(jī)負(fù)荷波動情況Fig.4 August 13,oxe certain year diesel engine load fluctuation

目前船舶柴油機(jī)狀態(tài)監(jiān)測普遍基于柴油機(jī)穩(wěn)態(tài)工況開展研究工作，而對于電力推進(jìn)主推進(jìn)發(fā)電柴油機(jī)，柴油機(jī)運行于穩(wěn)定工況這一假設(shè)過于理想，某主推進(jìn)發(fā)電柴油機(jī)負(fù)荷分布直方圖見圖5，可見，該柴油機(jī)負(fù)荷無明顯的分布特征。

圖5 發(fā)電柴油機(jī)負(fù)荷分布直方圖Fig.5 Diesel engine load distribution histogram

本文基于實船運行數(shù)據(jù)的統(tǒng)計，結(jié)合船舶的設(shè)計工況及使用習(xí)慣，選取17種典型工況分別建立OCSVM機(jī)器學(xué)習(xí)模型，這17種典型工況占全部工況60%左右，初步保證了模型的適用性。進(jìn)而對17種典型工況進(jìn)行大數(shù)據(jù)統(tǒng)計，建立負(fù)荷—特征參數(shù)的線性回歸模型，該模型可輸出全工況范圍內(nèi)的特征參數(shù)均值、特征參數(shù)上限、特征參數(shù)下限。

2.2.2模型動態(tài)調(diào)節(jié)策略

由于柴油機(jī)運行一直處于動態(tài)調(diào)節(jié)過程中，故柴油機(jī)狀態(tài)監(jiān)測需通過動態(tài)調(diào)節(jié)策略對OCSVM模型及線性回歸模型進(jìn)行協(xié)同，見表5。以上調(diào)節(jié)策略均用于設(shè)備亞健康的判別，當(dāng)任意特征參數(shù)觸發(fā)專家報警閾值后，則直接進(jìn)行故障報警，并根據(jù)參數(shù)報警級別和參數(shù)重要程度進(jìn)行故障程度分級。

2.3 OCSVM與Fisher判別分析相結(jié)合的狀態(tài)監(jiān)測方法

針對數(shù)據(jù)驅(qū)動的設(shè)備狀態(tài)監(jiān)測一直面臨故障樣本嚴(yán)重不足這一難題，在項目實施過程中普遍以設(shè)備調(diào)試安裝完畢，磨合期后的設(shè)備狀態(tài)為健康態(tài)，收集到的樣本為正常態(tài)數(shù)據(jù)樣本，故障樣本較為缺乏。OCSVM算法可較好地解決異常樣本缺失情況下的二分類問題，其主要思想是通過核函數(shù)將特征輸入空間映射到高維空間，使其在高維空間上構(gòu)造出最優(yōu)分離超平面。該方法通過機(jī)器學(xué)習(xí)算法學(xué)習(xí)正常狀態(tài)下樣本特征，創(chuàng)建基于正常數(shù)據(jù)的模型，采用該模型可實現(xiàn)異常檢測，具體原理如下。

表5 模型協(xié)同策略Tab.5 Model collaboration strategy

在高維樣本空間中，劃分超平面可用以下方程來描述：

wTx+b=0

(1)

其中，xi∈Rn，i=1，2，…，l；xi是訓(xùn)練樣本；wT為超平面的法向量；b為超平面的截距。為了使劃分的超平面更穩(wěn)定，需求解最優(yōu)超平面，使兩側(cè)距離超平面最近的樣本點到超平面的距離最大，為了解決SVM分類器由于噪聲值的存在最終使模型過擬合的問題，引入懲罰因子C和松弛變量ξ，將硬間隔分類器變更為合理可用的軟間隔分類器。

經(jīng)換算，求解最佳超平面可轉(zhuǎn)化為以下目標(biāo)函數(shù)的最優(yōu)化問題：

(2)

yi(wTΦ(x)+b)≥1-ξiξi≥0

編單工作站的主要工作內(nèi)容是對電視臺每天播出的節(jié)目進(jìn)行規(guī)劃，比如廣告節(jié)目的播出，就需要編單工作站進(jìn)行制定。系統(tǒng)當(dāng)中的其他用戶是沒有修改廣告條目權(quán)限的，而播出站則依靠廣告段的標(biāo)記自動播出。播出系統(tǒng)的用戶應(yīng)該采用統(tǒng)一管理的方式，對登陸權(quán)限和空間分配進(jìn)行管理，避免出現(xiàn)權(quán)限和空間使用的混亂。

(3)

其中，Φ(xi)是原空間至特征空間的映射；采用拉格朗日乘子法解決這一最優(yōu)化問題，得到?jīng)Q策函數(shù)：

(4)

其中，αi為拉格朗日乘子。對于在原始空間線性不可分的數(shù)據(jù)樣本，SVM采用核函數(shù)，通過將低維數(shù)據(jù)映射到高維空間，使其可分，本文的OCSVM模型采用核函數(shù)為高斯徑向基函數(shù)(radial basis function，RBF)，其公式如下：

(5)

將實時采樣數(shù)據(jù)作為特征向量送入上述OCSVM得到的模型進(jìn)行預(yù)測，若f(x)>0，樣本為正常；若f(x)<0，為異常樣本。

OCSVM機(jī)器學(xué)習(xí)模型的判別結(jié)果準(zhǔn)確率較高，但可解釋性較差，不利于后續(xù)進(jìn)行有針對性的輔助決策及建議。需進(jìn)一步進(jìn)行各參數(shù)的Fisher判別距離的計算，F(xiàn)isher判別距離D的求解公式如下：

(6)

其中，m1為訓(xùn)練樣本某參數(shù)均值；m2為測試數(shù)據(jù)參數(shù)的均值；s1為訓(xùn)練樣本參數(shù)方差；s2為實測試數(shù)據(jù)參數(shù)的方差。

最后對模型各特征參數(shù)的Fisher判別距離D進(jìn)行排序，D越大，表示參數(shù)偏離正常樣本的程度也越大，后續(xù)的健康評估函數(shù)可綜合參數(shù)D、參數(shù)權(quán)值、參數(shù)報警級別輸出柴油機(jī)健康度。

2.4 基于平穩(wěn)過程的變點檢測

基于時間序列的趨勢監(jiān)測實用性較強(qiáng)，其中 CUSUM是一種時間加權(quán)控制圖，采用序貫概率比檢驗理論，其設(shè)計思想是對樣本偏移信息加以累積，將過程的小偏移累積起來，達(dá)到放大的效果，從而提高檢測過程中對小偏移的靈敏度。

對于大部分的特征參數(shù)X1，X2，…，Xn，其隨機(jī)變量X服從一個數(shù)學(xué)期望為μ、標(biāo)準(zhǔn)方差為σ平方的高斯分布。對于n個相等時間間隔的時間序列數(shù)據(jù)，其概率密度函數(shù)為

(7)

樣本累計和的計算過程如下：

(8)

(9)

如圖6所示，采用該變點檢測算法，本系統(tǒng)于2019年08月16日21：42給出B1缸排氣溫度趨勢異常的預(yù)警，此時，柴油機(jī)的負(fù)荷約為5400 kW，B1缸排溫為420 ℃，排溫均值為432 ℃，排溫偏差為-12 ℃，均處于正常狀態(tài)。至2019年08月17日8：00，柴油機(jī)B1缸失火，后查明原因為B1缸噴油器故障，此時主機(jī)負(fù)荷約5200 kW，B1缸排溫為350 ℃，排溫均值為416 ℃，排溫偏差為-60 ℃。CUSUMMR變點算法提前9個多小時進(jìn)行了趨勢異常預(yù)警。

圖6 B1缸排溫的變點檢測Fig.6 B1 cylinder temperature change point detection

2.5 多維信息融合分析

柴油機(jī)是多層次的復(fù)雜系統(tǒng)，針對單維度的狀態(tài)監(jiān)測存在故障定位困難、無法給出明確的輔助決策及維修建議等問題，很多學(xué)者也開展了基于多參數(shù)信息融合分析工作[10]。本文從熱工、油液、振動、缸壓四個維度開展工作，基于D-S證據(jù)理論，采用證據(jù)加權(quán)分配合成方法，構(gòu)建狀態(tài)監(jiān)測的可信度函數(shù)，該方法既可以充分有效地將各維度信息加以有效利用，亦可以解決證據(jù)沖突情況下決策融合問題，并在實際項目中得到驗證。

2021年6月16日，熱工、油液、振動各子系統(tǒng)，僅熱工狀態(tài)監(jiān)測給出了2號缸排氣溫度亞健康預(yù)警。此時輪機(jī)員通過示功閥對缸壓信息采集和分析后，柴油機(jī)狀態(tài)監(jiān)測系統(tǒng)經(jīng)多維信息融合分析后給出了2號柴油機(jī)2號缸燃燒異常預(yù)警。

圖7 燃燒異常信息融合圖Fig.7 Fusion diagram of combustion anomaly

柴油機(jī)2號缸的振動、爆壓、排氣溫度和排溫均值對比如圖7所示。可看出2號缸爆壓、排溫、排溫偏差相對其他缸均偏大；由于證據(jù)的一致性較強(qiáng)，經(jīng)D-S融合和證據(jù)加權(quán)分配合成后，其燃燒異常故障的置信度得以提高，故系統(tǒng)給出了2號柴油機(jī)2號缸燃燒異常的預(yù)警，輔助決策建議調(diào)整供油量并檢查噴油器，經(jīng)輪機(jī)員調(diào)整供油量過后，數(shù)據(jù)恢復(fù)正常。

3 預(yù)測性維護(hù)研究

3.1 預(yù)測性維護(hù)算法

隨著信息化的飛速發(fā)展，數(shù)據(jù)復(fù)雜性的增加，傳統(tǒng)的淺層預(yù)測模型面臨特征提取能力不足、難以表征復(fù)雜非線性函數(shù)映射關(guān)系、長期預(yù)測能力不足等問題。而長短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)為上述問題提供了一種新的思路，利用LSTM網(wǎng)絡(luò)強(qiáng)大的特征提取能力及非線性函數(shù)映射能力充分挖掘復(fù)雜時間序列中的有益信息，在長期預(yù)測上有較為廣泛的應(yīng)用。

LSTM模型在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)模型的基礎(chǔ)上通過增加門限來解決RNN的短期記憶的問題，使得循環(huán)神經(jīng)網(wǎng)絡(luò)能夠真正有效地利用長短的時序信息。LSTM內(nèi)部結(jié)構(gòu)優(yōu)化有效地避免了RNN模型訓(xùn)練時的梯度消失和梯度爆炸問題，其基本結(jié)構(gòu)如圖8所示。其中，tt表示t時刻的細(xì)胞狀態(tài)，tt-1表示t-1時刻的細(xì)胞狀態(tài)，σ為門結(jié)構(gòu)，用來保護(hù)和控制細(xì)胞狀態(tài)。LSTM共包括3個門：遺忘門、輸入門、輸出門，遺忘門控制從細(xì)胞狀態(tài)中舍去的信息，輸入門確定何種新特征被存放在細(xì)胞狀態(tài)中，輸出門決定輸出部分。

圖8 LSTM內(nèi)部結(jié)構(gòu)Fig.8 LSTM internal structure

結(jié)合實際項目中滑油介電常數(shù)隨時間的退化曲線，應(yīng)用LSTM模型開展滑油的剩余壽命預(yù)測，并分別給出了預(yù)測結(jié)果。

3.2 柴油機(jī)潤滑油的預(yù)測性維護(hù)研究

潤滑油是保障機(jī)械裝備持久穩(wěn)定運轉(zhuǎn)的基礎(chǔ)，潤滑油管理是柴油機(jī)管理的重中之重。

隨著油中氧化產(chǎn)物和熱降解產(chǎn)物的積累，外來污染物的不斷增加，摩擦和磨損產(chǎn)生的金屬顆粒及其他導(dǎo)電性強(qiáng)的化合物均會使?jié)櫥偷慕殡姵?shù)發(fā)生變化，因此，可以通過監(jiān)測潤滑油的介電常數(shù)來評價潤滑油的性能[11]。本文提取了從2019年8月到2020年9月某臺柴油機(jī)潤滑油的3435 h歷史運行數(shù)據(jù)，介電常數(shù)在2500 h前一直處于緩慢上升，而在2500 h后，其上升趨勢變得更為陡峭，預(yù)示著滑油綜合品質(zhì)的劣化加劇。

本產(chǎn)品采用LSTM算法，對3435 h的數(shù)據(jù)進(jìn)行重采樣，50%用于訓(xùn)練，另50%用于測試，并基于預(yù)測結(jié)果進(jìn)行外推預(yù)測，以介電常數(shù)劣化到4為報警閾值，LSTM模型預(yù)測結(jié)果如圖9所示。

圖9 滑油剩余壽命預(yù)測Fig.9 Residual life prediction of lubricating oil

算法運行結(jié)果表明：①LSTM預(yù)測模型對學(xué)習(xí)過的樣本預(yù)測精度高；②將介電常數(shù)的告警閾值設(shè)為4，LSTM模型能夠提前約700 h進(jìn)行壽命預(yù)警。

預(yù)測性維護(hù)屬于前瞻性技術(shù)，其研究高度依賴優(yōu)質(zhì)數(shù)據(jù)的積累，早在2010年已有行業(yè)專家呼吁建立油液監(jiān)測技術(shù)標(biāo)準(zhǔn)體系并提出相關(guān)注意事項[12]，但是目前進(jìn)展仍然緩慢，預(yù)測性維護(hù)技術(shù)及標(biāo)準(zhǔn)研究亟待開展。

4 結(jié)語

本文結(jié)合實船數(shù)據(jù)開展數(shù)據(jù)分析及建模，其中OCSVM模型聯(lián)合Fisher判別分析進(jìn)行柴油機(jī)狀態(tài)監(jiān)測能夠降低狀態(tài)監(jiān)測模型的虛警率，采取模型閾值動態(tài)調(diào)節(jié)策略，保證了模型較好的適用性。采用CUSUMMR方法進(jìn)行變點檢測；采用LSTM算法，基于介電常數(shù)開展柴油機(jī)滑油的預(yù)測性維護(hù)，可提前數(shù)百小時進(jìn)行滑油壽命預(yù)測。

船舶柴油機(jī)狀態(tài)監(jiān)測及預(yù)測性維護(hù)的系統(tǒng)的框架及基本功能已開發(fā)完畢并投入實際應(yīng)用，但特征參數(shù)提取、狀態(tài)監(jiān)測、變點檢測、預(yù)測性維護(hù)的研究仍需在后續(xù)數(shù)據(jù)積累的基礎(chǔ)上進(jìn)行迭代升級。目前僅積累了4臺柴油機(jī)約5000 h的實船運行數(shù)據(jù)，基于全生命周期的預(yù)測性維護(hù)尚處于起步階段，后續(xù)需要進(jìn)一步開展預(yù)算性維護(hù)特征提取及算法研究。