0 引　言

智能船舶发展的核心是安全，智能化虽然降低了人为因素对航行安全的影响^{[1, 2]}，但对船舶自身健康状态评估的需求也随之提升，对船舶安全性的研究至今仍是船舶行业的研究重点。柴油机作为船舶主要驱动设备，因其具有较好的燃油经济性、较长的使用寿命以及很好的环境适应性而被广泛运用，一旦出现故障停机，将会对航行安全造成重大影响，所以针对柴油机的故障诊断对智能船舶的安全性和可靠性具有重要意义。

船用柴油机运行机构繁多，工作环境恶劣，故障形式多样，故障征兆与故障根源的映射关系复杂。相对于燃气轮机、蒸汽轮机等旋转机械，柴油机这类往复式机械故障诊断成熟的方法较少。

传统的柴油机故障诊断方法如热力参数分析法、油液分析法、振动分析法等多是基于试验分析的非机理性建模，诊断模型和判据局限于单一机型、单个零部件故障^[3]，导致机械故障诊断现今存在故障机理研究不足、故障诊断方法有限、智能诊断系统薄弱等问题，近年来，人工智能和机器学习技术的快速进步使得故障诊断系统逐步向智能化方向发展^[4]。基于人工智能的柴油机故障诊断方法将机器学习、深度学习等方法用于数据信号处理和特征提取，提高了故障判断的敏感性及准确性。

基于人工智能方法的柴油机故障诊断技术成为近些年的研究热点^{[5, 6]}。在工程应用方面，智能船舶“大智”号实现了对船舶关键系统和设备，包括对主机、辅机、锅炉和轴系等健康状态的评估、分析、预警^{[4, 7]}。在学术研究方面，刘博^[8]对柴油机不同的故障类型进行了总结，刘世伟^[9]对柴油机从信号处理到机器学习故障诊断方法进行概述，柯赟等^[10]对船舶柴油机的故障预测方法进行总结。本文针对柴油机人工智能故障诊断的发展和应用进行总结和展望，为后续人工智能方法在船用柴油机故障诊断领域的研究提供借鉴。

1 传统人工智能技术在柴油机故障诊断中的应用

机器学习理论研究始于20世纪50年代，80年代兴起，在此期间产生了许多传统人工智能理论，这些理论应用到机械设备故障诊断领域，形成了基于人工神经网络、支持向量机、模糊聚类、专家系统等一系列智能故障诊断方法^[11-12]。

根据数据训练时是否已知数据标签，可以将机器学习分为有监督学习和无监督学习。故障诊断属于有监督学习中的分类问题，其操作流程一般可以分为数据采集、特征提取、健康状态识别^[13]。数据采集是将传感器安装在机器上，不断采集数据。特征提取是从采集的数据中提取常用的时频特征，然后进行特征选择，保留对机器健康状态敏感的特征。健康状态识别是利用机器学习技术建立所选特征与健康状态之间的映射关系。根据柴油机故障诊断需求，将多种传感器安装在柴油机不同部位，不断采集获得振动、流量、温度或电流电压等原始数据，然后依靠人工摒弃原始数据中的冗余信息、过滤敏感特征，选择有效的故障特征，最后通过传统人工智能理论训练诊断模型，建立故障特征与设备健康状态的关系，自动判断柴油机健康状态。

1.1 专家系统

专家系统（Expert System）是一种具有专门知识与经验的智能程序系统，它能运用专家多年积累的经验和知识，解决相应领域中的复杂问题。Wu等^[14-15]分别使用概率神经网络和广义回归神经网络构建了基于专家系统的内燃机诊断模型，并取得了较好的诊断精度。Gelgele等^[16]针对发动机状态监测开发了发动机监测专家系统，可对发动机征兆进行逐步分析，并给出恰当的维修建议。臧军等^[17]结合神经网络和D-S证据理论，开发了柴油机故障诊断专家系统。然而，基于专家系统的诊断模型受专家经验知识难以准确获取和表达的限制，推理效率低，存在知识获取“瓶颈”、“匹配冲突”、“组合爆炸”及“无穷递归”等问题^[18]，诊断知识库扩充和修正困难。

1.2 神经网络

神经网络（Artificial Neutral Network，ANN）是模拟人脑的信息处理模式，由大量神经元相互连接而形成的网络系统，具有并行分布式处理、联想记忆、自组织及自学能力和极强的非线性映射特性，能对复杂信息进行处理^[19]。Sharkey等^[20]针对排气阀泄漏和燃油喷射器泄漏两类故障，监测缸内压力数据用于训练神经网络，旨在预警柴油机燃烧相关故障。孟宪尧等^[21]针对BP神经网络收敛速度慢的问题，采用自适应遗传算法优化BP神经网络，实现主机轴系的故障诊断。Wu等^[22-23]针对柴油机进气系统故障，提出了离散小波变换和Wigner-Ville分布特征提取手段结合神经网络的故障识别方法。徐晓健^[24]通过SOM神经网络，弥补专家系统的不足，构建柴油机故障诊断模型，并采取ARMA模型和小波神经网络模型对状态参数趋势进行预测，实现了对柴油机异常参数变化的预警。刘建康、张攀等^[25-26]通过对比不同曲轴瞬时转速幅频和相频特征，提出一种改进段角加速度和神经网络相结合的失火故障诊断方法，适用于发动机失火故障的在线诊断。曹欢等^[27]提出一种多源加权融合的故障诊断方法，分别利用神经网络对缸盖声发射信号、振动信号和机体声发射信号进行局部诊断并融合，多源信息融合的方法可以提高柴油机故障诊断精度。但是，基于神经网络的诊断模型存在以下几个缺点：诊断模型的训练以大量的样本学习为基础，由于船用柴油机的工作特性，故障样本不足，无法保证诊断模型的精度；模型训练过程未知，缺少理论支持，可解释性很低；随着监测数据输入的增加，训练效率降低。

1.3 支持向量机

支持向量机（Support Vector Machine，SVM）是一种高效的分类方法，以统计学习理论为基础，是对结构风险最小化归纳原则的近似和具体体现，可以在有限的数据下找到全局最优解，具有良好的精度和泛化能力^[28]。Zhan等^[29]基于SVM建立了船用柴油机冷却系统故障诊断模型，发现支持向量机在小样本情况下具有较好的诊断效果。陈杰^[30]基于SVM方法，分别进行了瞬时转速故障和声发射故障诊断技术研究，建立的故障诊断模型可以对进排气阀常见故障做出准确诊断，分类性能良好。柴艳有^[31]利用核主元分析对样本数据进行特征提取，将最能反映故障状态的非线性主元用于支持向量机的训练，建立了能准确识别柴油机喷油系统常见故障的诊断模型。刘学坤^[32]、韩孝坤等^[33]基于支持向量机实现了船舶柴油机基于磨粒分析的磨损故障的识别。Cai等^[34]设计了一种将支持向量机与关联规则挖掘相结合的诊断系统，实现了对润滑系统的故障诊断。除了传统的支持向量机算法，研究人员提出了优化算法优化支持向量机的参数，以改善支持向量机求解的复杂性，简化参数选择，进一步提高支持向量机的分类性能和诊断精度^[12]，常见的优化算法有遗传算法优化^{[32, 35-36]}、粒子群优化和样本大小优化等。汪明等^[35]采用遗传算法对SVM参数进行全局寻优，提高了柴油机轴系故障诊断的识别准确率。蔡一杰等^[36]利用遗传算法优化支持向量机的核函数和惩罚因子，对柴油机气门漏气故障进行诊断，优化后的诊断率提高了2%。张俊红等^[37]针对柴油机气门故障，基于局部均值分解方法提取缸盖的振动信号故障向量，结合SVM进行故障诊断，获得了较好的效果。张志政^[38]使用基于优化核主成分分析和支持向量机的方法对船用柴油机燃油系统进行故障监测和诊断，基于粒子群优化后的诊断方法精度明显提高。乔新勇等^[39]通过变分模态分解（VMD）对缸盖信号进行特征提取，使用粒子群优化的支持向量机（PSO-SVM）进行了柴油机失火故障的分类判断。基于支持向量机的诊断模型是通过最小化结构风险来训练的，理论严谨，模型的可解释性提高。然而，这种诊断模型存在难以拟合大规模训练样本和依赖核心参数的选择等缺点。

1.4 其他方法

除了上述3种故障诊断方法，针对柴油机关键部件故障诊断方法还有随机森林、模糊聚类、贝叶斯网络、KNN等，以及将多种机器学习方法结合用于故障诊断模型的建立。

通过总结现有文献中的诊断过程，可以发现传统的人工智能方法在诊断过程中有以下缺点：1）故障信号混杂在原始信号中，需要人工依赖信号处理技术与专业经验知识，对故障特征的筛选和提取，人工经验知识存储有限，且难以量化表达；2）将特征提取与健康状态识别独立为2个环节，未考虑二者之间的联系；3）人为提前指定了故障特征和类型，仅用浅层模型表征数据信号与故障形式之间复杂的映射关系，机器学习技术的泛化能力较差以及自学习能力不足，难以将大量的实测数据与故障之间直接建立的关联。因此需要研究获取能够同时从原始采集数据中提取特征并自动识别机器健康状态的诊断模型。

2 深度学习技术在柴油机故障诊断中的应用

传统的机器学习理论应用于故障诊断，虽能识别机器的健康状态，但泛化能力较低，而且故障诊断前期特征提取的操作主要依赖于人。伴随测试设备、存储设备和计算能力的革新，机器故障诊断具有越来越多的数据信息，然而，传统的机器学习理论的故障诊断并不适用于这样的大数据场景。于是，在神经网络研究的基础上诞生了深度学习^{[19, 40-43]}。该理论以强大的建模和表征能力在图像处理、模式识别等领域发挥了巨大作用。在故障诊断领域，深度学习通过贪婪逐层训练策略提高了挖掘故障信息与故障状态识别的能力^[44]。雷亚国等^[45]基于深度学习理论和机械大数据大容量、多样性和高速率的特点，提出了基于深度学习技术的故障诊断方法用于机械装备，并通过实验证明该方法可以实现多级齿轮传动系统故障特征的自适应提取和健康状态识别。基于深度学习技术的柴油机故障诊断方法采用深层次结构自动表示抽象的特征，并直接建立学习到的特征与输出之间的关系。基于深度学习的故障诊断流程包括大数据采集和基于深度学习的诊断2个步骤，自动从输入的监测数据中学习特征，并根据学习到的特征同时识别机器的健康状态。它直接建立了“端到端”的诊断方法，将原始数据与柴油机设备故障特征直接连接，网络结构主要包括特征提取层和分类层^[12]。

2.1 深度置信网络

深度置信网络（Deep Briefs Network，DBN）是一种深层的概率有向学习模型，训练过程分为逐层预训练和精调2个阶段，逐层训练为可以为深度学习提供较好的初始参数^[46]，具有推理更快速、编码更丰富、网络结构更高阶，以及自适应特征提取更强等优点。仲国强等^[47]提出一种船用柴油机智能故障诊断方法，利用深度置信网络挖掘故障样本数据深层隐形特征，并通过建立故障仿真模型，以热工参数为例评估训练效果，得出深度置信网络相比于BP神经网络和支持向量机更适用于船用柴油机故障诊断应用的结论。黄金娥等^[48]采用蚱蜢优化算法搜索深度置信网络的最优参数组合，建立了柴油机气缸故障诊断模型，能够较准确地识别柴油机气缸运行状态并进行故障诊断。

2.2 卷积神经网络

为解决全连接神经网络在处理大量实测数据时遇到的参数过多和健康数据冗余问题，卷积神经网络（Convolutional Neutral Network，CNN）逐渐被应用到柴油机故障诊断中。卷积神经网络是一种具有局部连接、权重共享等特性的深层前馈神经网络^[46]，其特点在于引入了感受野的概念，实现了数据降维，极大地减少了训练的样本数据量，提高了学习能力^[49]。张康等^[50]将采集的原始缸盖振动数据作为卷积神经网络的输入，并在输入端引入随机丢弃抑制噪声，通过一维卷积操作自动提取特征，在各阶输出层对信号标准化处理，减少方差偏移，完成柴油机失火故障分类。经过这些年的发展，卷积神经网络衍生出一系列算法用于训练诊断模型。廖玉诚等^[51]以柴油机供油提前角异常故障诊断为目标，导入二维卷积神经网络进行训练，获得了特征自适应提取的故障诊断模型。靳莹和朱继安等^[52-53]均采用基于深度残差的卷积神经网络模型，分别对喷油器故障和气门间隙故障信号进行训练，验证了在线实时监测柴油机运行状况的可行性。

深度学习技术直接建立了原始数据与设备健康状态之间的关系，特征自适应提取，不依赖人工选择，更便于操作人员的使用。然而，这种方法从实验室走向工程实际还存在以下问题：1）机械设备的故障数据非常稀缺，有限的测试数据可能不足以训练出有效的表征设备的故障特征；2）无法频繁的拆装设备以检查其健康状态，工程中的实测数据很难进行故障标识；3）基于传感器采集到的数据信号易受外界噪声干扰，很难保证训练诊断模型所用数据集和待诊断数据集分布一致。

3 迁移学习技术在柴油机故障诊断中的应用前景

基于传统机器学习和深度学习技术的故障诊断模型的建立，均基于训练数据集和待诊断数据集具有相同的特征分布的假设，且需要足够的故障数据进行训练，这对工程实际应用的柴油机是不现实的。迁移学习可以把在实验室中形成的诊断知识用于工程实际中的故障判别，在实验室中进行大量故障的监测和数据采集并进行诊断模型的训练，综合运用不同工况数据、不同设备数据以及虚拟数据到实测数据等的差异性和互补性，对工程实际中设备进行状态监测、故障诊断^[54]，迁移学习的应用场景如表1^[55]所示，迁移学习的应用避免了昂贵繁琐的数据标识工作，大大提高了学习性能。目前迁移学习技术的主要应用在轴承和齿轮箱^[56-59] 等较为简单的机械故障诊断中。Bai等^[60]将深度迁移学习引入到航空发动机燃烧室的故障诊断中，实现了两燃气轮机之间的故障信息共享，验证了深度迁移学习故障诊断方法的可行性。将迁移学习理论引入柴油机故障诊断是最有潜力的研究前景之一。

对于大型船用柴油机的故障诊断，很难在实验室中记录故障数据，同时现场收集的数据量也非常有限，进行不同工况、不同设备之间诊断知识的迁移非常困难。数字孪生作为一项广受关注的创新技术，可以通过将物理实体在虚拟空间构建数字孪生体，为物理实体生成大量数据，利用这些数据进行故障特征的诊断，并通过迁移学习将这些诊断知识应用于物理实体中，该方法在真实样本缺乏某些故障类的情况下依然可以训练得到有效的故障诊断模型。目前，迁移学习结合数字孪生的故障诊断技术多用于轴承^[61-63]中，用有限元方法模拟不同故障的轴承样本，生成训练数据，然后通过迁移学习应用于实际轴承设备中。通过数字孪生和迁移学习技术虚实结合建立柴油机智能故障诊断模型，可以弥补工程实际中大量采集和标记故障数据的困难，并丰富柴油机故障诊断的数据库。其挑战在于一方面构建高精度的数字孪生模型的难度较大，另一方面在于仿真数据与传感器数据之间较大的领域差异加大了知识迁移的难度。

4 总结展望

本文针对船用柴油机领域人工智能故障诊断技术的研究进展进行总结，基于现有研究，提出发展趋势以及面临的挑战。

4.1 发展趋势

大数据信息化时代，基于人工智能方法的普遍应用，使船用柴油机故障诊断技术向智能化、数字化、综合化、可视化方向发展。

1） 建立船用柴油机标准数据库。船用柴油机结构复杂，故障形式多样，建立标准数据库对柴油机整机数据进行监测存储及处理，解决目前实测健康数据和故障数据不平衡造成的实际诊断精度偏低的问题，为智能故障诊断提供高质量的故障数据。

2） 基于事件、环境及机器本身特性的多源信息融合的柴油机整机在线诊断机制。柴油机是多物理场耦合的复杂模型，故障数据和故障源不是一一对应关系。对柴油机单一结构、系统进行预诊断，以信息融合技术为基础，采用归一化故障特征提取方法，汇总柴油机各机构共性故障信息，实现柴油机整机在线故障诊断。

3） 数字孪生与迁移学习结合的可视化故障诊断与预测。在虚拟空间建立物理实体的高精度数字孪生体，通过在虚拟空间空间进行故障仿真进一步缓解故障数据稀缺的问题，利用迁移学习技术将数字孪生体的诊断知识用于工程实际，同时对工程中的物理实体在虚拟空间进行故障的可视化和预测。

4.2 船用柴油机人工智能故障诊断面临的挑战

1）船用柴油机故障会以结构振动、流量、压力、噪声和热辐射等的现象表现出来，通过数据采集获得的多源信号参差不齐。对于这些多物理场的海量信息，诊断专家难以对其进行特征提取，然而，利用智能算法获取的故障特征具有物理意义不明确，可解释性差等不足，这将影响智能诊断技术在工程中使用的可靠性。

2）船用柴油机一般由机体、曲柄连杆结构、配气结构、燃油系统、润滑系统、冷却系统等组成，这些组成部件涉及结构力学、流体力学、控制理论和生产工艺等多个领域。对柴油机进行精准的仿真模型建立需要融合多学科、多领域的先进技术，这对数字孪生模型的建立和数值仿真计算是一个巨大的挑战。