摘要：柴油机是船舶系统中的动力装置，是保障船舶的正常运转的核心部件，在长时间的运行过程中将会发生磨损故障，严重影响船舶的正常作业。由于传统柴油机机械磨损故障诊断方法在诊断准确率方面有较大的局限性，因此，为了进一步增加油机机械磨损故障诊断的准确率，本文根据局部均值分解（Local Mean Decomposition，LMD）以及机器学习(Machine Learning, ML)构建了一种新型船舶柴油机机械磨损故障诊断方法。通过对研究验证的结果表明，使用LMD结合ML为基础的船舶柴油机机械磨损故障诊断方法的准确率超过95%，具有重要的实用价值及应用前景。
关键词：船舶柴油机；机械磨损；故障诊断；局部均值分解；机器学习
柴油机作为船舶的核心设备，在船舶作业运行过程中常以满负荷状态高速运行，在长期使用状态下柴油机内部部件将会出现不同程度的磨损故障，久而久之将会极大的影响船舶柴油机的使用寿命以及，并造成严重的安全隐患。根据相关统计研究发现，船舶柴油机所出现的故障中因机械磨损的就占50%以上，由此可见，机械磨损是导致船舶柴油机出现故障的主要原因，因此对柴油机机械磨损故障诊断具有重要的作用[1]。
1. 船舶柴油机机械磨损故障诊断方法分析
根据相关研究资料显示，用于检测柴油机机械磨损故障具有多种方式，而广泛使用的故障检测方法，主要原理则是基于柴油机机械振动信号的分析，当柴油机出现机械磨损故障后其振动信号将会发生显著的改变，依据振动信号的异常现象便可诊断出故障。
通常情况下柴油机机械磨损故障诊断的流程为提取柴油机机械磨损的振动信号以及对柴油机机械磨损故障的诊断分析。传统故障诊断提取柴油机振动信号主要方式为小波变换、傅里叶变换等，其原理均是对柴油机的平稳信息进行分析与处理，当设备出现非平稳信号后小波变换、傅里叶变换将出现不足状态，加之受到柴油机在噪音、机体变形等不良条件的影响下，非平稳信号将变的非常剧烈，导致无法获取平稳的振动信号[2-3]。对此一些专业学者提出了经验模态分解的信号提取方式，通过这种方法虽然能够采集到非平稳信号的特征信息，但却缺乏准确性。船舶柴油机故障诊断结构图如图1所示。
.png)
图1 船舶柴油机故障诊断结构图
LMD是较为新式的信号频率分析处理方式，通过对采集到的非平稳信号进行分解可以获取多种单分量线性调频信号及其特征信息，是柴油机机械磨损振动信号检测的有效方式。ML算法虽然与神经网络BP算法、支持向量机算法相似，但ML在收敛速度、算法训练时间方面更加优秀，其中最小二乘小波支持向量机(Least squareswavelet support vector machine,LS-WSVM)不仅可以有效的弥补传统算法中出现的典型缺陷，而且自身集成了各算法的长处，在柴油机机械磨损故障诊断具有明显的效果[5]。本文将在前人的研究基础上，船舶柴油机机械磨损故障信号进行LMD处理，提取柴油机机械故障振动信号的特征，并使用ML中LS-WSVM构建船舶柴油机机械磨损故障分类器，对所采集的振动信号特征进行故障类型的分析与识别。
2. 船舶柴油机机械磨损故障诊断特征
LMD算法善于非平稳信号的多分量线性调频信号的分析。将船舶柴油机机械磨损故障中的振动信号设定为x(t)，局部极值设置为ni，便可以得到ni、ni+1的均值mi以及包络数值αi。通过将mi、αi的直线连接并使用平滑处理便可以得到包络预估数值α11(t)以及LMD数值m11(t)。
.png)
（2-1）
进一步的对m11(t)分离后得以获得h11(t)以及振动的调频信号s11(t)。当s11(t)为非纯调频信号时，便可将其视为初始信号，此时便可以在公式（2-1）的基础上深化迭代操作。
船舶柴油机机械磨损故障中的振动信号PF1分量公式为：
.png)
（2-2）
通过相同方式便可以得到PF2分量，由计算得到的PFk分量：
.png)
（2-3）
通过上述计算可得到船舶柴油机机械磨损故障振动信号的LMD数据。机械磨损故障信号LMD数据如图2所示。
.png)
（a）PF1分量
.png)
（b）PF2分量
图2 机械磨损故障信号LMD数据
通过LMD得到故障信号中每个PE分量，其能量值计算可以表示为：
.png)
（2-4）
之后缩减PE分量能量值之间的范围：
.png)
（2-5）
通过将各个PE分量能量值进行组合可以得到故障诊断特征向量数值T：
.png)
（2-6）
4 船舶柴油机机械磨损故障诊断分类器
使用LS-WSVM构建船舶柴油机机械磨损故障分类器：
.png)
（3-1）
船舶柴油机机械磨损故障诊断的流程为：在去除噪音干扰的情况下收集船舶柴油机机械磨损故障振动信号；使用LMD进行故障振动信号分析处理获得各PF分量；计算PF分量能量值并对各能量值进行缩放、组合可以得到故障诊断特征向量数值；把船舶柴油机机械磨损故障诊断特征设置为LS-WSVM的输入标准值，把故障类型设置为LS-WSVM的输出标准值，然后进行LS-WSVM的学习操作；使用十折交叉验证方式明确LS-WSVM设备的参数值，由此构建船舶柴油机机械磨损故障诊断的分类器；使用故障诊断分类器进行实验并对比实验结果。
5 仿真实验分析
本次仿真实验所选用的操作平台为Windows，并设置船舶柴油机机械磨损故障样本详细数值。船舶柴油机机械磨损故障样本明细如表1所示。
表1 船舶柴油机机械磨损故障样本明细
.png)
对船舶柴油机机械磨损故障诊断分别使用传统诊断方式以及本文方式对样本进行测试，记录测试中诊断的正确率以及失误率。不同船舶柴油机机械磨损故障诊断方式的正确率及失误率如图3、图4所示。
.png)
图3 不同船舶柴油机机械磨损故障诊断方式的正确率
.png)
图4 不同船舶柴油机机械磨损故障诊断方式的失误率
根据上述数据显示，使用本文方法进行的船舶柴油机机械磨损故障诊断，其正确率大于95%，明显高于传统的故障诊断方式，而且在失误率方面，本文方法也远远低于传统方法，此外，在仿真实验过程中，使用本文方法进行船舶柴油机机械磨损故障样本测试时所用的时间明显低于传统方法。
6 结束语
综上所述，采用局部均值分解和机器学习算法对船舶柴油机机械磨损故障进行诊断具有速度快、准确度高、成本低等优势。详细分析了局部均值分解和机器学习算法在船舶柴油磨损故障诊断方法的有效性，对某船舶进行了柴油机磨损故障仿真实验。结果表明，利用该算法诊断出的某船舶柴油机磨损故障与实际诊断结果一致，准确率高达95%以上，并为类似动力机械磨损故障诊断提供新的理论方法和研究方向，具有广泛的应用前景。
参考文献：
[1]喻步贤,刘俊.船舶柴油机机械磨损故障诊断的模式识别[J].舰船科学技术,2019,41(10):70-72.
[2]张大勇,许振波.船舶柴油机主要机械故障诊断和解决方法探析[J].中国高新科技,2019(02):39-41.
[3]赵畅畅. 船用机械设备润滑磨损状态监测诊断研究[D].华南理工大学,2018.
[4]孙飞.船舶柴油机监测与故障诊断技术现状及发展趋势[J].科技风,2018(29):145.
[5]徐晓健. 船舶柴油机磨损故障智能诊断的证据推理研究[D].武汉理工大学,2018.
[6]易鸣. 船舶柴油机主轴承摩擦副的磨损状态研究[D].武汉理工大学,2017.
[7]闫少华.浅谈船舶柴油机主要机械故障诊断和排除[J].珠江水运,2016(05):84-85.
论文作者:郭香宁
论文发表刊物:《电力设备》2019年第24期
论文发表时间:2020/5/6