0 引　言

船舶动力系统的平稳运行对保障船舶航行具有非常重要的意义，但现代船舶建造的吨位越来越大，作为船舶动力来源的柴油机也会经常出现故障。涡轮增压器故障是船舶柴油机的常见故障之一，对船舶柴油机进行监测并获取其运行参数，同时根据这些运行参数建立模型，在船舶柴油机涡轮增压器发生故障时第一时间发现故障来源并提出解决方案。由于船舶柴油机涡轮增压器的故障非常多，且每个故障对应的特征和现象也较多，如果单纯依靠人工进行排查会浪费较多的时间且容易出错，目前主流的解决方案是将船舶柴油机增压器故障现象和解决方案建立映射关系，将解决方案和故障现象对应起来，从而实现对船舶涡轮增压器的故障诊断。但涡轮增压器的故障种类较多，这些故障和现象不是一对一的映射关系，因而单纯依靠映射关系，很多时候难以准确判断故障种类，需要建立诊断模型，并不断对过去的故障数据进行学习才能解决此类故障的识别。

国内对于船舶柴油机故障诊断的研究较多，石大亮等^[1]提出一种基于关联规则分类的船舶柴油机故障检测方法，建立故障特征数据库以及故障分类器，并制定了故障分类规则。曹乐乐等^[2]提出了一种基于特征融合的柴油机故障诊断系统，将KPCA理论以及动态理论应用到船舶柴油机的故障诊断中，取得了不错的效果^[2]。这些研究解决了柴油机故障诊断中基本模型和诊断方法的问题，但是仍然缺乏对柴油机涡轮增压器的故障诊断研究^[3]，因而本文在充分研究故障诊断相关技术的基础上，将BP神经网络技术应用到涡轮增压器的故障诊断中，解决当前对船舶柴油机涡轮增压器故障依靠人工经验的问题。

1 涡轮增压器故障特征分析 1.1 涡轮增压器基本结构

对船舶柴油机涡轮增压器故障进行分析和诊断，首先需要建立涡轮增压器故障特征库，船舶柴油机涡轮分解后的结构如图1所示，主要包括涡轮机、压气机、各类壳体等^[4]。

1.2 涡轮增压器故障类型

通过对各类船舶柴油机涡轮增压器的故障进行统计，可知目前涡轮增压器的故障主要包括^{[5 − 6]}：

1）漏油。漏油是船舶涡轮增压器中最为常见的故障之一，严重时会导致涡轮增压器无法工作，对应检测的指标包括柴油机转速、油压、进气管压力、回油管道压力等。柴油机转速长期在低速状态时有可能会导致怠速，因而不仅需要检测当前的转速，同时也要对历史转速进行统计，判断由于怠速导致的漏油概率。通过检测油压可以直接判断是否存在严重漏油，进气管压力以及回油管道压力的检测可以判断油气密封是否存在问题、管道是否畅通。

2）温度异常。涡轮增压器内的润滑油温度或者排气温度过高，润滑油的温度一般不能超过100℃，排气温度不能超过500℃，温度过高会导致涡轮增压器中的密封圈失效或者机油出现碳化的现象，而这些都会严重影响船舶柴油机的使用寿命。导致润滑油温度异常的原因可能是管道堵塞、管道内存在异物或者密封圈质量问题，这些都可以通过温度传感器、压力传感器等获取对应参数。

3）噪声异常。当产生异常噪声时通常都会让柴油机涡轮增压器产生严重故障，特别是内部气体发生泄漏、轴承磨损、进排气管和出排气管故障等，这些故障也可以通过监测进排气管和出排气管的管道压力等来判断。

4）喘振。喘振是压气机中由于气流混乱而造成叶片振动的异常现象，涡轮增压器中的转子故障、喷嘴变形或者空气滤清器损坏都有可能导致喘振，可以通过检测柴油机的实际运行电流、空气滤清器的状态、油气管道的压力等判断是否出现喘振故障。

1.3 涡轮增压器故障特征

船舶柴油机涡轮增压器的故障较多，需要对涡轮增压器内的多个参数进行监控，涡轮增压器故障特征主要包括以下方面：

1）故障难以直接识别。一个或者几个参数异常，通常也不能直接判断出涡轮增压器的故障，在这种情况下一个故障对应着多个现象，同时一个现象也有可能会产生多个故障，并不是传统意义的一对一线性对应关系，也无法简单地使用程序对故障进行判断，这些都对船舶涡轮增压器的故障监测和诊断提出了更高的要求。

2）故障数量多。在实际应用中，船舶柴油机涡轮增压器的故障种类非常多，为了简化说明建立的BP神经网络模型，将所有故障类型分为4类，但是在这4类故障类型下又可以分为多种故障，因而最终建立的模型会非常复杂。

3）多种故障共存。通过前述对涡轮增压器故障类型的分析可知，很多船舶柴油机涡轮增压器的故障存在共同的现象，且会出现同时出现多个故障的情况，这就要求故障诊断系统根据历史数据快速推断出每一种故障的概率大小，从而辅助工作人员对故障得出一个初步的诊断结果。

2 基于BP神经网络的故障诊断系统 2.1 BP神经网络模型建立

为了实现对船舶柴油机涡轮增压器的故障诊断，首先需要建立BP神经网络模型。BP神经网络是人工神经网络的一种，通过模仿生物神经网络从而解决复杂的非线性问题，BP神经网络具有自适应性以及容错性等特点，因而非常适合于解决涡轮增压器的故障诊断。一个基本的BP神经网络结构如图2所示。

在输入层中，故障基本特征包括管道压强异常参数、温度异常参数等，输出则为判断得到的涡轮增压器故障类型。建立的故障诊断模型工作过程如图3所示，其工作过程主要包括：

1）确定涡轮增压器的理想工作状态，通过涡轮增压器的出厂数据和参数，确定当前系统采集的油温、排气管压力等的理想数值。

2）矩阵初始化。将采集的涡轮增压器所有参数初始化和归一化，初始化时将所有样本数据依据式（1）进行计算。所有样本数据处理后，数值被限定在[−1,1]，系统在进行后续计算和误差判断时可以节约计算时间。

$ x_{ij}' = \frac{{2\cdot({x_{ij}} - {x_{\min }})}}{{{x_{\max }} - {x_{\min }}}} - 1 \text{，} $

(1)

其中，x_max和x_min分别为该样本中的最大值和最小值。

将样本数据处理后形成一个标准的矩阵，此时的矩阵作为一个基本的训练样本输入。同理，将其他故障状态下采集的所有参数进行初始化，得到500个训练样本。

3）设定训练次数，计算隐含层状态。假设输入向量为X=（x₁，x₂，.....x_n），输出向量为Y=（y₁，y₂，....y_n），激活函数为：

$ f(x) = \frac{1}{{1 + {e^x}}} \text{，} $

(2)

隐含层的表达式为：

$ h_j^i=f(net_j^i)\text{。} $

(3)

式中， $ net_j^i $ 为第i层第j个神经元的输入，表达式为：

$ net_j^i=\sum\limits_{j=1}^Sw_{ij}^S+b_j^i。$

(4)

式中， $ w_{ij}^S $ 为第i层和第i-1层的第j个神经元的连接权重。

设定模型的基本误差，并计算出当前隐含层和输出层的误差，确定误差是否在规定范围内。若误差在设定范围内则结束此次训练过程，否则继续训练。若误差设置过大则会造成故障诊断准确率过低，而误差设置过小则存在无法快速收敛、训练时间长的问题，因而本文将误差初始值设置为0.5%。

4）完成对200个涡轮增压器故障样本的训练，并确定当前建立的BP神经网络模型能够收敛。

5）使用已经训练完成的BP神经网络故障诊断模型对未知样本进行测试，即可得到故障诊断结果。

本文故障诊断模型建立在基本的BP神经网络上，但由于故障类型较多，在将本文模型进行扩展时会存在泛化能力下降、收敛速度慢等问题，因而在后续的模型验证中主要着力解决故障识别正确率的提升以及模型的结构优化，故障识别正确率的提升主要通过调整系统误差、步数等参数来实现，而模型的结构优化则是通过对隐含层数量的调整。

2.2 模型验证

对本文建立的BP神经网络船舶柴油机涡轮增压器故障诊断模型进行验证，首先编写Matlab程序，将故障输出类别定义为4类，即漏油、温度异常、噪声异常以及喘振。系统初始化参数设置为：步数200，误差0.5%，隐含层数量15。

对20个基本样本进行测试后得到的结果如图4所示。可以发现，本文建立的模型可以对绝大多数的故障进行正确判断，20个样本中有2个样本判断错误，故障误差识别正确率为90%，但是由于测试样本数量较少，和目前国内其他柴油机故障诊断系统相比仍然存在不小差距，因而在后续的测试中调整步数、误差以及样本数量，并做进一步测试。

设置步数为500，将误差从0.5%调整为0.2%，对400个样本进行测试时发现，样本测试准确率可以达到97.5%，因而当样本数量足够大时，通过不断的训练可以使模型对故障的识别精度进一步提升。

对建立模型中的隐含层节点数量进行调整，并观测不同隐含层节点数量对故障识别的影响。测试隐含层数量为10~30时涡轮增压器的故障识别正确率，测试样本均为400个，得到的结果如图5所示。可以发现，单纯增加隐含层数量并不能提升故障识别正确率，在隐含层数量等于14时故障识别正确率最高，为97.5%，因而在建立船舶柴油涡轮增压器故障识别系统时，需要根据实际情况选择合适的隐含层数量。

除了对隐含层数量进行调整，还可以进一步对本文建立模型中的节点数量以及网络层数等进行调整，这样可以进一步优化BP神经网络结构。同时为了提升模型对于不同船舶柴油机涡轮增压器故障诊断的适应能力，还可以将其他优化算法，如共扼梯度法以及Gauss-Ncwton法和本文建立的模型充分结合，提升故障诊断模型的收敛速度。

3 结　语

本文基于BP神经网络建立柴油机涡轮增压器故障诊断模型，分析BP神经网络的基本结构，阐述了故障诊断模型的基本工作过程，在建立的故障诊断模型基础上对400个样本进行基本测试，样本测试准确率最高可以达到97.5%。研究不同隐含层数量时对故障识别正确率的影响，发现隐含层数量等于14时故障识别正确率最高。本文建立的船舶柴油机涡轮增压器故障诊断系统依托于实际故障数据样本，测试结果表明该故障诊断模型能够有效应用于涡轮增压器的故障诊断。