船舶柴油機故障預測與健康管理技術綜述

柯赟， 宋恩哲， 姚崇， 董全

(哈爾濱工程大學 動力與能源工程學院，黑龍江 哈爾濱 150001)

隨著船舶行業蓬勃發展和船舶柴油機設計制造技術水平的突飛猛進，船舶柴油機系統日趨復雜,復雜性、綜合化、智能化程度不斷提高[2]，安全性和可靠性已成為當前研究熱點[3-4]。由于柴油機常常處于惡劣的工作環境下，故障率持續上升，一旦出現重大故障，造成停機，輕則造成延誤船期等經濟損失，重則危害船上人員的生命財產安全。因此通過各種手段保障主柴油機及其輔機的可靠運行具有至關重要的意義。

根據Swedish Club(國際船舶保險公司)的事故分析報告可知：1998年—2004年，賠償次數高達45%(賠償費用比為32%)，船舶保險費用成為船東一筆巨大的費用支出。據英國對2 000個國營工廠的調查顯示，采用故障預測與健康管理技術后每年節省維修費3億英鎊，技術費用僅為0.5億英鎊，效益相當可觀。

從PHM基本概念和技術內涵入手，分析國內外研究現狀以及不同的重點研究內容，揭示船舶柴油機PHM技術框架，提出一種可行的柴油機子系統技術路線，并針對與技術路線相關的研究挑戰和趨勢，總結船舶柴油機PHM技術面臨的挑戰與未來的發展趨勢。

1 PHM技術內涵

可靠性與經濟性是船舶柴油機行業渴望同時滿足的2種要求，故障預測與健康管理(prognostic and health management，PHM)為研究的關鍵問題。

PHM使用各種故障模型和人工智能算法，用各種數據和狀態監視信息來監視、診斷、預測和管理設備的狀態[5]，人工智能算法和大數據應用程序的信息系統可以提高設備的預測能力[6-7]。通過預見潛在的危害和可靠的使用壽命，船用柴油機的安全性得到了提高。減少故障的影響并避免由于機器故障而導致的嚴重事故，準確評估柴油機的健康狀況，自動生成維護計劃和策略，提高柴油機維護效率并降低維護成本。它既能確保系統穩定與可靠運行的，同時也大大減少系統維護和維修的費用，因此得到了工業界與學術界的重點關注和研究[8]。

2 國內外研究現狀

2.1 基于故障預測方法的國內外研究現狀

以預測方法為研究切入點，可以分為基于經驗模型、基于可靠性模型、基于物理模型和基于數據驅動的方法。預測方法分類情況如圖1所示。

圖1 故障預測方法分類Fig.1 Classification of fault prediction methods

2.1.1 基于物理模型的方法

基于物理模型的故障預測技術提供技術手段來控制預測性組件或系統的故障模式過程。這突破了對象系統的本質，并實現了實時故障預測。經典的方法有FMEA、FTA和T-S等方法。

Kadir Cicek為了減少曲軸箱爆炸的發生概率，利用故障模式和影響分析(FMEA)的優勢，創新性地將FMEA與操縱運行相結合，以此方法防止船上曲軸箱爆炸故障，提高機械系統的可靠性并增強船上的操作安全概念，為船舶設備制造商、船級社和船舶經營者提供支持與指導[9]。鄭衛東[10]對故障信息進行統一的分類和處理，根據數據庫信息進行故障預測，給出適當的運維建議。于震梁等[11]提出一種支持向量機(SVM)和非線性卡爾曼濾波相結合的機械零件剩余壽命預測模型。計算模型可以充分利用現有和相似的零件壽命測試數據，預測零件的實時降級數據，并預測剩余壽命。

Salman[12]提出了一類非線性動態系統的Takagi-Sugeno(T-S)模糊建模方法，該系統的輸出具有非線性輸出誤差(NOE)情況的可變性。王錫淮[13]提出了一種基于微粒群優化(PSO)的T-S模糊模型的非線性系統辨識方法，并通過試驗驗證了該方法的有效性。

盡管這類方法可以診斷和預測故障，但僅在能建立準確的物理或數學模型的情況下。而對于整機來說，實現準確診斷或預測，仍然很難實現。

2.1.2 基于經驗模型的方法

基于經驗模型的方法主要是專家系統和故障樹分析。

Streichfuss等[14]開發了基于專家系統的機器監控和維護管理系統，診斷系統與維護計劃和控制系統一起使用，以提供沒有矛盾和冗余的數據管理。宋平等[15]介紹了一種以關系數據庫為基礎的機車柴油機多征兆模糊故障診斷專家系統，在柴油機故障診斷應用中,該數據庫取得了良好的效果。

Nver等[16]通過在模糊環境中使用故障樹分析方法系統地研究二沖程船用柴油機的曲軸箱爆炸，確定了曲軸箱爆炸的所有根本原因，并通過實施現場專家咨詢以逐步的方式計算概率。吳欠欠等[17]論述了船舶柴油機故障診斷的意義，研究了船舶柴油機故障樹分析法的基本原理，總結了故障樹的應用特點。

基于經驗模型的方法在很大程度上取決于專家的經驗。在確定優先級或有偏見時，專家經驗會對故障排除產生難以估計的后果。因此，基于經驗模型的方法的科學性仍需進一步討論。

2.1.3 基于可靠性模型的方法

基于可靠性模型或基于概率的PHM方法是以統計理論為基礎，對故障數據進行分析，從而診斷和預測故障。常用的基于可靠性模型的技術包括貝葉斯方法、Dempster-Shafer理論與可靠性評估等。

王強等[18]在柴油機健康監測系統中，獲取大量振動信號并將其傳輸到系統中心以進行故障檢測和識別。通過實驗驗證了所提出的多任務貝葉斯壓縮傳感的有效性。王忠巍等[19]為解決柴油機潤滑系統復合故障診斷的難題，以貝葉斯方法為理論基礎展開了研究。

董增壽等[20]為了解決液壓系統故障診斷問題，提出了一種基于改進D-S證據理論和時空域的液壓系統故障診斷信息融合方法。楊廣等[21]提出了一種基于神經網絡和D-S分層融合的故障診斷算法，通過試驗驗證了方法的可行性和有效性。

可靠性模型方法的優點是能夠分析統計數據以獲得所需的概率密度函數，并且所得的概率密度函數可以完全支持預測。但所有這些方法一般都是基于貝葉斯定理估計故障的概率密度函數，多數研究都將這類方法歸類于數據驅動方法。

2.1.4 基于數據驅動的方法

基于數據驅動的方法包括小波分析、經驗模式分解和支持向量機等方法。

Kanchev等[22]研究過去20年來收集的應急柴油發電機(EDG)事件的運行經驗，總結重要經驗教訓并提供建議。羅福強等[23]分析了多缸柴油機產生缸間差異的原因，提出了采用統計學STUDENT試驗方法判別多缸發動機缸間差異產生的原因。結果表明，該柴油機燃燒過程缸間差異較大，其產生的原因并非偶然，而是存在技術原因,需要進行改進。

Manieniyan等[24]開發了基于概率神經網絡(PNN)和徑向基函數神經網絡(RBFN)的ANN模型來預測發動機磨損，在所測試的ANN模型中，RBFN的性能明顯優于PNN。Shahaboddin等[25]設計并比較了4種基于支持向量機(SVM)的方法和標準人工神經網絡(ANN)模型，建模結果表明，SVM-WT方法在發動機的模型建模方面比其他3種方法更有效。

牛曉曉[26]提出了一種改進的零樹小波圖像壓縮算法，為燃氣輪機的遠程故障診斷提供理論指導。朱麗娜等[27]針對柴油發動機機組振動信號非線性和非平穩性以及機組實際故障案例樣本數據少的特點，提出了一種基于PCA與支持向量機SVM融合的船舶柴油機故障診斷算法。

基于數據驅動的方法能夠很好解決對模型和經驗的依賴，不需要對象系統的先驗知識，以測試和狀態監測數據為對象，估計對象系統未來的狀態演化趨勢，從而避免了基于模型和基于知識的故障預測技術的缺點。

2.2 基于研究單位的國內外研究現狀

2.2.1 國外單位研究現狀

在船舶柴油機故障預測與健康管理領域，船舶技術發達國家已經對PHM技術開展了大量研究工作。

世界第一大船舶柴油機專利商MAN B&W公司曾研發一款只用于K-GF系列低速二沖程柴油機的CCIO系統，該系統與SEDS系統類似，同樣采用傳感器技術，將采集的信息輸入計算機，不同的是，CCIO系統對輸入的數據，每天只進行一次自動處理，對于柴油機工況參數進行趨勢計算和分析，并輸出處理結果。當故障工況發生時，系統連續報警裝置發出警報，同時在計算機上顯示出該狀況下的參數數據，以便幫助輪機員診斷故障。

日本三菱公司的超級船舶操縱支持系統“SUPER ASOS”(mitsubishi super advanced ship operation support system)，其中包含船舶柴油機診斷系統(engine doctor)，通過模糊推理技術，對主機進行狀態監測和故障預測，并給出運維管理建議。

2.2.2 國內單位研究現狀

從20世紀80年代開始，國內才開始將故障診斷技術應用于船舶柴油機，隨著研究人員的不斷努力，雖然相對國外仍然有不小的差距，但還是取得了一定的成就。

武漢理工大學針對船舶柴油機的故障診斷進行了大量的研究工作，并應用性能參數法、瞬時轉速法、在線油液法、振動分析法實現了8 000方挖泥船動力機械的遠程故障診斷系統的實船應用，收到了良好的使用效果和產生了很好的經濟效益[28]。北京航空航天大學在飛行器和飛機動力上開展了較多探索性的研究[29]；沈陽航空工業學院著重與對機器人的運維管理和故障預測方法研究[30]。華中理工大學鄧聚龍教授于1982年創立的灰色系統理論，也以其新穎的思路和廣泛的適用性在理論和工程界引起廣泛關注[31]。

總體而言，由于我國設備運行監測與智能故障診斷研究起步較晚，研究基礎相對薄弱，特征提取和融合分析仍處于實驗室研究階段，在實際裝備中的應用有限或存在空白。相比國外的大規模實船應用，我們還有很長的路要走。

3 船舶柴油機PHM技術框架

船舶柴油機PHM系統需要同時具備故障診斷、狀態監測、故障預測和健康管理的功能，由于船舶柴油機是復雜機械，船舶柴油機的運維更加適用基于數據驅動的PHM方法。船舶柴油機PHM技術框架如圖2所示。

由于船舶柴油機是極其復雜的工程機械，目前對其開展的PHM技術研究往往只關注某一個或者若干個核心子系統，例如燃油系統、潤滑系統等[32]。通過建立各核心子系統之間關聯度，融合多源信息形成柴油機整體。因此，整體柴油機PHM技術研究可從核心子系統PHM技術研究著手。

以燃油系統為例，船舶柴油機燃油系統基于數據驅動的PHM技術路線如圖3所示。首先理清燃油系統常見故障機理與故障部位，利用故障樹分析燃油系統典型故障，然后選擇可行的測點對燃油系統各工況進行狀態監測和信號采集，檢測手段可用振動測試，同時建立實時仿真模型，對燃油系統運行進行仿真模擬，輸出正常信號與實際信號對比，進一步標定優化仿真模型，并且依照故障樹分析對仿真模型進行故障注入，輸出故障信號，實現故障模擬，最后利用合適的故障診斷與預測的算法對模型進行再次優化以及對燃油系統狀態進行評估，故障診斷算法例如時域分析、頻域分析和時頻域分析等，預測算法例如剩余壽命預測、累計損傷分析與健康狀態評估等，建立信息收集數據庫和監測平臺，提供及時有效的維修與維護意見。

圖2 船舶柴油機PHM技術框架Fig.2 Marine diesel engine PHM technology framework

圖3 燃油系統PHM技術路線Fig.3 Fuel system PHM technical route

4 船舶柴油機PHM面臨的挑戰

1)現代船舶柴油機性能不斷提高，功能不斷完善，然而同時也導致了柴油機系統、子系統和設備愈趨復雜，故障機理分析也愈趨困難，故障模式較多區分難度大，而且柴油機目前缺乏預測模型的標準化評價指標體系，導致無法充分評估預測算法的性能[33]。

2)傳感器本身的性能難以實現，因為傳感器本身存在錯誤和漂移，從而降低了監視的準確性。此外，當前船用柴油機的某些物理量無法直接測量也不能直接使用[34-35]。另外有些故障特征表現不明顯,使得獲取的信息常常是不完備的，因而難以實現柴油機的人工智能診斷。

3)柴油系統中的故障預測技術尚未完全理解，核心組件故障預測技術正在研究中。船用柴油機的健康評估是基于知識和經驗的，但是它是主觀的，需要經驗，缺乏通用性，并且難以準確評估系統退化的程度。

4)船用柴油機維修決策系統和備件管理系統不與信息實時交互，也不能成為狹義的知識管理系統。如果沒有故障預警系統，則很難解釋柴油機故障的演變并預測預期壽命。PHM技術的集成測試和驗證非常不足，尤其是對于大型設備和大型項目，PHM系統的集成時間匱乏，缺乏測試條件和必要的驗證環境[36]。

5 船舶柴油機PHM發展趨勢

現在的PHM技術多是主要研究PHM體系結構與系統集成方面的問題而忽視了零部件級的PHM問題，即便是現有的極少數研究艦船PHM技術的單位也都是研究艦船的整體系統，而深入研究船舶PHM技術必須掌握船用柴油機PHM技術。

為了滿足PHM技術的需求，根據PHM一般技術框架，從狀態監測、故障診斷、故障預測與健康管理這4個研究重點來預測未來PHM技術發展趨勢[5]，如表1所示。

表1 PHM技術的發展趨勢Table 1 Trends in PHM technology

根據PHM技術的未來發展態勢可知，實時在線診斷、多源信息融合和網絡化是船舶柴油機PHM技術的主要發展方向。

1)實時在線診斷。

重點研制適合船舶柴油機故障診斷的新型集成化傳感器，能夠長壽命的監測信號，并且可預埋于柴油機內，從而解決離線監測的時滯問題。

2)多源信息融合。

在柴油機故障診斷過程中，有各種各樣的參數可以視為狀態參數，單一的選擇狀態參數和故障診斷算法，對數據獲取和特征提取都有一定的局限性。因此如何對大量信息進行多源信息融合和綜合利用，是今后船舶柴油機PHM技術重點研究的課題[8]。

3)網絡化。

網絡化是新世紀PHM技術的發展方向，利用網絡將多個子系統聯系起來，實現資源共享，提高診斷的速度和精度，并能對整個系統進行全面化評估，有利于設備的運維管理，提高設備利用率。因此實現系統網絡化是迫切需要的。

6 結論

1)根據船舶行業目前面臨的亟待解決的問題，闡述了船舶柴油機PHM技術的必要性。

2)描述了船舶柴油機PHM技術的研究現狀和研究框架，重點介紹基于故障預測方法和研究單位的船舶柴油機PHM技術研究現狀。

3)以燃油系統為例的船舶柴油機PHM技術框架，提出一種船舶柴油機PHM技術普適的路線。

4)分析船舶柴油機PHM關鍵技術面臨的挑戰，展望未來的發展趨勢，為智能船舶的發展提供一些參考與指導。