支持向量機在船舶柴油機廢氣渦輪增壓器故障診斷中的應用

林新通，詹玉龍，周薛毅，趙海洲

(上海海事大學 商船學院，上海 201306)

0 引言

據統計，廢氣渦輪增壓系統運行中發生故障的概率排在船舶柴油機系統故障的首位.［1］因此，對增壓器故障的預測和診斷一直是設備診斷技術中重要的研究課題.運用支持向量機(Support Vector Machine，SVM)識別增壓器故障、分析故障原因、實現故障預測、防止事故發生，可以提高設備的可靠性和使用效率、增長修理間隔期、降低費用，并可確保船舶主機正常運行及輪機管理人員的安全.

利用SVM進行機械設備故障診斷在國內外已經有很多研究，但仍然處于起步階段，特別是在船舶柴油機故障診斷領域.目前，對船舶柴油機狀態監控與故障診斷的主要技術手段［2］有機械性能監控、智能模擬監控、無損探傷等.其中，利用機械性能監控又包括滑油和振動監控.振動監控主要是通過機載振動監控系統跟蹤轉速頻率，來監視傳動軸系統的對中及平衡，如對廢氣渦輪進行動平衡試驗.該方法具有簡單實用、設備安裝維護方便、直觀性強、可靠性高等優點，已被廣泛采用.

基于SVM的船舶柴油機廢氣渦輪增壓器故障診斷，通過振動信號分析的方法對增壓器狀態進行監測，并選取適當的特征量輸入計算機進行自動識別，以提取設備有關狀態的有用信息(即信號預處理)，再將預處理好的特征向量輸入訓練好的分類器中進行測試，利用測試結果實現增壓器故障的智能診斷.

1 SVM

SVM由VAPNIK等于1995年提出，是一種分類效果比較好的方法.該方法是建立在統計學習理論的VC維和結構風險最小化原理基礎上的機器學習方法.［3］在學習樣本數較少的情況下，SVM可以自動尋找出那些對分類有較好區分能力的支持向量，由此構造出的分類器可以最大化類與類的間隔，比傳統BP神經網絡分類方法具有更強的適應性、更好的分類能力和更高的分類準確率.

SVM 的核心思想［4，5］是選擇適當函數參數，在有限樣本和學習能力之間尋求最佳折中，使學習機的實際風險達到最小.其基本原理是尋求一個最優分類面，不僅使兩類之間間隔最大，而且使訓練樣本的分類誤差盡可能小.對于線性不可分的情況，通過非線性變換，將訓練樣本從低維的輸入空間映射到高維特征空間，并在新的高維空間中構造SVM線性分類面.引入映射X→φ(X)，并定義核函數:

則此時目標尋優函數

而相應的分類函數

這就是SVM.

SVM在尋求最優分類超平面的過程中只涉及樣本的內積運算，避免耗時的高維內積運算，可有效避免“維數災難問題”.此外，在構造分類函數時，先在輸入空間比較向量，再對結果作非線性變換.這樣，大量的工作是在輸入空間完成而不是在高維空間完成的，能保證訓練樣本全部被正確分類，獲得最好的泛化性能.

2 廢氣渦輪增壓器結構原理及常見故障

2.1 廢氣渦輪增壓器結構原理

廢氣渦輪增壓器主要由廢氣驅動的渦輪和軸流式壓氣機組成，另外包括其他控制元件.渦輪和壓氣機由轉子相連，發動機排出的廢氣驅動渦輪，并帶動壓氣機高速旋轉，對空氣進行壓縮，提高氣體密度.這樣，在單位體積里，氣體質量大大增加，進氣量即可滿足燃料的燃燒要求，達到提高柴油機功率的目的.

2.2 廢氣渦輪增壓器常見故障

從柴油機維修運行的統計數據看，渦輪增壓器的常見故障［6－7］有以下幾種情況.

(1)壓氣機喘振.由于進氣系統堵塞等原因，通過增壓器輸送的空氣量遠遠達不到設計值，結果造成空氣在壓氣機中流動時產生嚴重的氣流分離甚至氣體倒流，發生不穩定流動，使進氣管內的空氣壓力產生波動或大幅度下降，并在壓氣機端發出如氣喘般的振動.

(2)軸承燒損.滑油沉積的污垢在觀察鏡中形成污痕造成虛假油位，工作中因視角上的失誤導致滑油量不足、滑油壓力過低甚至斷油，均會造成軸承燒損.

(3)增壓壓力下降.若空氣濾器堵塞、渦輪葉片變形或損壞、軸承嚴重磨損，均會造成轉子轉速下降，進而增壓壓力也隨之下降，表現為增壓器轉速上不去.

另外，常見故障還包括渦輪增壓器兩端漏油、葉片損壞以及增壓器在運轉中產生異常振動和噪聲等.

3 SVM在船舶柴油機廢氣渦輪增壓器故障診斷中的應用

3.1 特征向量的選取

渦輪增壓器的表面信號是一種典型的時域信號，而信號的時域參數一般表示信號波動大小、幅值變化及能量分布規律.一般選取整個循環的振動響應信號進行時域分析，提取時域特征參數.對于機械故障診斷而言，時域分析往往只能粗略判斷設備是否有故障，但不能給出故障發生的部位等信息，而常用的故障定位方法就是進行信號的頻域分析.對渦輪增壓器表面的振動信號，選取其振動響應最大的部分進行頻譜分析，此時，振動信號中包含的激勵響應信息也最豐富.通過對渦輪增壓器表面振動信號及與正常狀態時的對比分析，可從振動信號的時域和頻域參數中發現一些與故障相關的變化，特別是在頻域能量分布變化中較明顯的振動信號，用于渦輪增壓器的故障診斷.

3.2 抗噪能力

從實際系統中采集到的數據常常包含噪聲，不夠精確甚至不完整，可能影響故障分類的準確性.因此，抗噪能力是每個故障分類算法都要考慮的問題.神經網絡依靠大樣本訓練抗噪，而SVM主要依靠不同區域最靠邊界的訓練數據(即所謂的支持向量)來確定，從而具有良好的抗噪能力.

3.3 數據采集與預處理

以船舶柴油機MAN B＆W MC機型的關鍵設備廢氣渦輪增壓器為診斷對象，根據從上海遠洋運輸公司、江南造船廠、船舶工程單位故障診斷的經驗和所獲得的數據，按照5種常見故障(喘振、軸承燒損、增壓壓力下降、兩端漏油、葉片損壞)在時域和頻域的不同特點，同時為反映機組運行負荷與故障之問的對應關系，考慮額定負荷(100%MCR)、部分負荷(90%MCR，75%MCR)和半負荷(50%MCR)等4種工況，對每種故障模擬30個樣本作為訓練樣本，建立多故障分類器.模擬的這些時域故障樣本幅值、頻率和相位的不同，代表不同故障的特點，也就是每種故障樣本含有該故障的基本信息.其中，增壓器正常及喘振故障時的時域頻域波形見圖1～4.

比較圖1和2可見，喘振發生后，時域振動信號的脈沖及峰態值均有增大趨勢;比較圖3和4可以看出，在發生喘振時，振動信號在頻域的能量分布產生變化，在小于8 kHz的范圍內，能量明顯減少.

圖1 正常時域振動信號

圖2 喘振時域振動信號

圖3 正常頻域振動信號

圖4 喘振頻域振動信號

3.4 訓練與測試

訓練階段的主要工作是根據樣本選擇適當的分類器參數，這里的參數主要包括核函數的參數和懲罰因子C.

再將訓練樣本進行分類測試，結果葉片損壞的識別率達100%，對喘振、軸承燒損、增壓壓力下降和兩端漏油等的識別率分別達93.55%，92.00%，95.45%和95.83%.只有少數樣本被誤判為其他類故障.分類測試結果見表1.

表1 SVM測試結果

由表1可以看出，利用較少故障樣本進行訓練時，基于SVM的船舶柴油機增壓器智能故障診斷的準確率均達到92%以上.因此，運用SVM方法進行小樣本柴油機增壓器故障智能診斷是可行的.

4 結束語

采用SVM算法，針對性地使用信號的時域頻域指標作為特征向量，對增壓器5種典型故障進行分類識別.研究表明支持向量機具有出色的分類效果.同時，相對于傳統的算法而言，訓練集簡化、訓練速度提高、訓練所需時間減少.從仿真試驗結果看，在特征參數允許的誤差范圍內，利用SVM分類器對增壓器故障的識別準確率達到92%以上，對豐富船舶增壓器故障智能診斷方法是一次有效的嘗試.

［1］黃加亮，蔡振雄.船舶柴油機運行工況診斷仿真研究［J］.船舶工程，2002，24(6):33－36.

［2］鄂加強.智能故障診斷及其應用［M］.長沙:湖南大學出版社，2006:98－110.

［3］CRISTIANINI N，SHAWE－TAYLOR J.An introduction to support vector machines and other kernel－based learning methods［M］.2000:150－158.

［4］VAPNIK V N.The nature of statistical learning theory［M］.NY:Springer－Verlag，1995:237－245.

［5］鄧乃揚，田英杰.數據挖掘中的新方法——支持向量機［M］.北京:科學出版社，2004:191－196.

［6］汪江.汽輪機組振動故障診斷SVM方法與遠程監測技術研究［D］.南京:東南大學，2005:76－80.

［7］曹龍漢.柴油機智能化故障診斷技術［M］.北京:國防工業出版社，2005:103－110.