0 引　言

随着时代发展，现代船舶动力系统日趋复杂化，加之工作环境恶劣、零部件众多、多个子系统相互作用^[1]，因此其发生故障的概率较高且故障类型较多^[2]。如何提高船舶发动机的智能化管理与控制，保障其在复杂工况和故障状态下的稳定运行，已成为一项重点研究方向。船用甲醇−柴油双燃料发动机作为一种能够使用多种燃料的动力系统，能够有效减少碳排放。然而，双燃料发动机在运行过程中涉及复杂的燃烧动力学、燃料切换策略和多维控制需求，与传统柴油机相比有更高的几率发生故障^[3]。在故障状态下，其运行状态难以通过传统手段及时恰当地检测，发生明显故障后再维护可能缩短发动机寿命，定期维护则容易造成维护不足或维护过剩。使用传统的台架试验方法存在过程繁杂，耗费大，调试周期长等问题^[4]，难以大量采集数据。因此，依托建模仿真技术对其运行过程进行深入研究，对于提升发动机的智能化和信息化管理能力至关重要。

在故障诊断方面，郭晓成^[5]基于甲醇-柴油双燃料发动机主轴滚动轴承的振动信号特征，构建了融合多尺度卷积神经网络（MSCNN）与双向长短时记忆网络（BiLSTM）的故障诊断模型，但仅收集了一种故障类型数据，也没有经过实验验证，缺乏适用性。张振京等^[6]构建了一种融合降噪自编码器、注意力机制和双向门控循环单元的深度网络模型，能够兼顾实际监测参数的噪声干扰、敏感性各异和时序性特点，但其研究仅针对喷油故障，且依赖于仿真数据，缺乏普适性。毛荣珍等^[7]针对旋转机械的复合故障，提出了一种基于复合故障数据增强的多输出卷积神经网络诊断模型。唐杰峰等^[8]通过K-means聚类和互信息计算，提出了一种基于全局冗余最小的快速多标签特征选择方法，以解决过滤式特征选择方法易陷入局部最优的问题。在建模方面，岳广阔^[9]基于Matlab/Simulink软件，以YC6K420LN-C31高压共轨柴油-天然气双燃料发动机为研究对象，将容积法、平均值法、MAP图与经验公式相结合，建立了双燃料发动机整机模型，精度较高，为后续双燃料机燃烧特性的研究奠定基础。李文辉等^[10]基于Modelica语言构建了D4114B发电柴油机多工况仿真模型，涵盖了稳态和动态运行特性的模拟。李兆华^[11]依托MWorks平台，采用Modelica模块化建模方法，系统地建立了缸内燃烧的热力学模型与曲柄连杆的动力学模型，通过多物理场耦合集成实现了柴油机整机仿真分析。对于内燃机进行仿真及故障诊断的课题比较常见，但研究针对的重点各不相同，针对热工参数对故障因素的影响研究相对较少。

本文针对甲醇−柴油双燃料中速机的工作过程，通过Modelica语言搭建对应的仿真模型。通过对比仿真数据与试验数据，验证了模型的可靠性，证明其产生的数据可以为建立数据驱动的故障诊断系统提供一定的参考。使用最小冗余最大关联方法（Minimum Redundancy Maximum Relevance，MRMR）进行特征筛选后，训练神经网络模型进行稳态工况下的故障诊断。

1 双燃料机模型建立及验证 1.1 模型搭建

本文研究对象为一台甲醇-柴油双燃料中速机，主要参数如表1所示。

搭建的整机模型框架如图1所示。气体经压缩机、中冷器依次进入各缸，再通过排气管路和涡轮机排出。对于气缸内部做功，由理想气体状态方程来描述缸内温度和缸压的关系，由质量守恒描述缸内工质质量，能量守恒方程来计算缸内温度^[1]。通过缸压、活塞和曲轴连杆的相关数据计算输出转矩和功率。PI控制通过比较一段时间内实际的输出功率和设定的输出功率，调整接下来预估的单缸循环燃料供应量，再经由右侧的模块，结合转速、曲轴转角和喷嘴的数据计算喷油量与曲轴转角的关系，在设定的时刻喷入气缸。

1.2 模型验证

为保证模型的准确性，以中船动力研究院提供的实验数据作为参考，对模型进行标定和验证，采样间隔为0.1°CA，以各负荷下稳态运行一个循环的数据为例，对比结果如表2所示，其中缸内爆发压力和缸内峰值温度取一个循环内最大值，其余取一个循环内平均值。

可见各工况下，各参数的相对误差均小于5%，证明该模型相对可靠，仿真值较为准确，可以进行接下来的故障模拟及分析。同时本模型对不重要的参数计算进行简化，使仿真更为快速，满足实时性要求。以100%输出功率的工况为例，设定步长相同，本模型仿真使用的CPU时间为0.81 s每循环，而对应的GT模型所使用的CPU时间为2.78 s每循环。

2 故障仿真结果与分析 2.1 参数设置

本文对每个工况都进行了压缩机效率下降、涡轮机效率下降、空气滤清器堵塞、单缸供油减少、喷油提前、喷油滞后6种故障工况的模拟，对每种故障均进行了2种级别的模拟，以体现故障状态由轻到重的变化。每种故障对应的参数调整如表3所示，其中喷油正时异常为六缸同时提前或滞后，模拟系统控制方面的故障，而单缸供油减少为六号缸故障。

综合参考相关文献中对各种特征参数敏感性的分析，本文选用如表4所示的9种参数作为最能体现发动机工作过程特征的参数来进行接下来的对比分析^{[12 - 14]}，除故障缸爆发压力外，其他参数均以一号缸为例。

2.2 仿真结果与分析

根据上述设置调整模型，进行各个工况、各个故障下的仿真。计算故障状态下各个特征参数与标准状态下的相对偏差，计算方法为^[15]：

$ \varepsilon =\frac{{x}_{i}-{x}_{0}}{{x}_{0}}\times100{\text{%}}。$

(1)

式中：x_i、x₀分别为各参数在故障工况下的值和正常工况下的值。

2.2.1 压缩机效率下降

船用内燃机在工作时可能长期处于潮湿含盐环境，可能导致金属叶片发生腐蚀，使表面粗糙度增加，同时空气中的盐分、灰尘等在叶片表面聚集，降低了气体的流通性，进而导致了压缩机效率下降，容易导致喘振。多种文献中均有提出，该故障出现后会导致进、排气压力和涡轮增压器转速出现明显下降，而涡轮出口温度和排气温度会明显上升^{[16 - 18]}。

本文通过降低压缩机效率参数模拟该工况，结果如图2所示。

以输出功率为100%，压缩机效率下降5%的工况为例，压缩机出口压力、涡轮机进口压力、涡轮增压器转速分别下降7.01%、4.68%和5.36%，而涡轮机出口温度和涡轮机进口温度分别上升5.32%和4.02%，符合理论分析。

2.2.2 涡轮机效率下降

内燃机排出的废弃可能导致涡轮叶片积垢、腐蚀，进而导致涡轮机效率下降。尽管涡轮机效率下降与压缩机效率下降同属于涡轮增压器的故障，对特征参数造成的影响相似，但由于维修方法存在差异，如果能有效区分两者，可以避免无效维修，降低损失。本文通过降低涡轮机效率参数模拟该工况，结果如图3所示。

由于涡轮机与压缩机转速相同，在不考虑其它故障复合的情况下，本故障与压缩机效率下降的影响相似，仅在涡轮机出口温度和压缩机出口温度的偏离度上有一定差异，可凭借这点来进行区分。以100%输出功率的工况为例，当压缩机效率下降5%时，$ {T}_{t\text{out}} $上升5.32%，$ {T}_{c} $下降1.467%；效率下降10%时，$ {T}_{t\text{out}} $上升14.71876%，$ {T}_{c} $下降3.74746%。当涡轮机效率下降5%时，$ {T}_{t\text{out}} $上升6.516%，$ {T}_{c} $下降3.19959%；效率下降10%时，$ {T}_{t\text{out}} $上升17.00877%，$ {T}_{c} $下降7.7152%。以$ {T}_{t\text{out}} $、$ {T}_{c} $和效率下降的百分比构筑三维曲线，只要证明涡轮机效率下降的曲线和压缩机效率下降的曲线在$ {T}_{t\text{out}} $-$ {T}_{c} $平面上无交点，即可证明对任意故障程度的涡轮机效率下降故障影响，均不与其它故障程度的压缩机效率下降故障影响相重叠，可作为区分依据。

压缩机效率下降曲线在$ {T}_{t\text{out}} $-$ {T}_{c} $平面上的曲线切向量斜率为：

$ {k}_{c}=\frac{d{T}_{c}}{d{T}_{t{\mathrm{out}}}}=\frac{-0.0326{\eta }_{c}{}^{2}-0.2121{\eta }_{c}}{0.1632{\eta }_{c}{}^{2}+0.6561{\eta }_{c}}。$

(2)

而涡轮机效率下降的斜率为：

$ {k}_{t}=\frac{d{T}_{c}}{d{T}_{t{\mathrm{out}}}}=\frac{-0.0526{\eta }_{t}{}^{2}-0.5083{\eta }_{t}}{0.1590{\eta }_{t}{}^{2}+0.9055{\eta }_{t}}。$

(3)

式中：$ {\eta }_{c} $、$ {\eta }_{t} $分别为涡轮机和压缩机效率下降的幅度，对任意正的$ {\eta }_{c} $、$ {\eta }_{t} $，均有$ \left| {k}_{t}\right| \gt \left| {k}_{c}\right| $，说明涡轮机曲线下降速率更快，与压缩机曲线无交点，可以凭压缩机和涡轮机出口温度的偏离度区分这2种故障。

2.2.3 空气滤清器堵塞

据统计，船舶航行过程中海上空气的含盐量高达3.4%^[19]，空气滤清器作为内燃机进气的第一道保护装置，可能会因为盐分、灰尘等因素而堵塞。该故障会导致压缩机流量、出口压力、中冷器出口压力显著下降，同时因为燃烧品质恶化，排气温度明显升高，缸内最高爆发压力明显下降^[20]。本文通过降低进入压缩机的气体压力模拟该故障，结果如图4所示。

以输出功率为100%，故障程度较轻的工况为例，压缩机出口压力和涡轮机进口压力分别下降4.66%和3.01%，涡轮机出口温度上升3.28%，符合理论分析。

2.2.4 单缸供油减少

内燃机长期工作时，喷油器磨损产生的碎屑及燃油中的杂质可能使喷嘴发生堵塞，导致喷入气缸的燃油量变少^[21]，高压油管泄露或变形、喷油电磁阀卡阻以及喷油泵偶件磨损也有可能导致该故障发生^[22]。本文通过降低六号缸的喷油量模拟该故障，结果如图5所示。

故障缸喷油量减少，缸内爆发压力显著减少，输出功率减少，但本文模型通过PI控制维持输出功率不变，其他缸需要补偿损失的功率，故正常缸最大爆发压力上升，燃油消耗量增加，因功率转速都不变，涡轮增压器前后的参数无明显变化，结果符合理论分析。

2.2.5 喷油正时异常

船用内燃机一般通过凸轮轴驱动高压油泵实现机械式的喷油控制，或通过电控单元控制喷油电磁阀启闭来实现喷油控制^[23]。内燃机长期工作或意外冲击可能导致凸轮滑移、顶杆或滚轮磨损、电磁阀卡阻、曲轴传感器故障等，进而产生喷油正时异常^[24]。本文模拟了喷油提前和喷油滞后2种情况，结果如图6和图7所示。

不同输出功率对应的燃烧效果有所不同，而喷油提前或滞后也会对燃烧有影响，使进、排气的温度压力变化变得更复杂，但缸内爆发压力的变化却简单明显。以输出功率100%，故障程度较轻的工况为例，喷油提前时，更多的热量在活塞到达上止点前被释放，缸内最大爆发压力提高14.63%；反过来，供油滞后会导致缸内最大爆发压力下降11.94%，适合作为诊断该故障的重要参考。

3 故障诊断 3.1 参数筛选

在训练用于故障诊断的模型之前先通过某些方法筛选数据，在保证不影响故障诊断精度的前提下缩减特征参数的数量，可以减少采集数据的难度，具有实际意义。本文采用最小冗余最大相关（MRMR）算法来筛选参数，具体评分方法如下：

$ Score({F}_{i})=I({F}_{i};Y)-\frac{1}{\left| S\right| }\sum \limits_{s\in S}I({F}_{i};s)。$

(4)

式中：$ {F}_{i} $为第i个特征参数；Y为故障类型；集合S为已选择的特征参数，初始为空集，计算出分值最大的特征参数后加入集合S，前一项表示特征参数与故障类型的相关性，后一项表示已选特征参数和未选参数的相关性，衡量冗余度。互信息计算方法如下：

$ I({F}_{i};Y)=\sum \limits_{f\in {F}_{i}}\sum \limits_{y\in Y}p(f,y)\log \frac{p(f,y)}{p(f)p(y)}。$

(5)

式中：f为特征参数$ {F}_{i} $的值，对于温度、压力这样的连续变量需要离散化；y为具体的故障类型；$ p(f,y) $为特征参数和故障类型的联合概率分布；$ p(f)、p(y) $为边缘概率分布。

该方法从统计的角度进行排序，更适合样本量大、特征值少的问题。以文献[25]为例，文献中样本数m=96，待选特征参数n=14，选择的特征参数k=7，种群数量P=3，迭代次数G=300。MRMR的计算次数约为：

$ {N}_{MRMR}=nm+C_{14}^{2}m+\sum \limits_{i=1}^{k-1}i\times(n-i)=10\,283 。$

(6)

粗糙集方法的计算次数约为：

$ {N}_{rough}=2n{m}^{2}+\sum \limits_{i=0}^{k-1}(n-i)\times{m}^{2}=967\,680。$

(7)

遗传算法的计算次数约为：

$ {N}_{{GA}}=GPm{k}^{2}=4\,233\,600。$

(8)

可见针对本类问题，MRMR算法更为迅速简便。经计算，各稳态工况下参数的分数如表5所示。

3.2 故障诊断

当考虑动态工况下的故障诊断模型时，可以参考表4中的平均排名来筛选参数，但仅考虑稳态工作过程时，针对特定工况筛选数据更佳。本文以保持100%输出功率的稳态工况为例，假定一次仅出现一种故障，分别保留评分最高的8、6、4、2种特征参数，训练神经网络诊断模型。该神经网络模型共2层全连接层，每层大小为10，激活函数为ReLU。本文调整故障程度后重新对modelica模型进行仿真，得到若干组新数据作为测试集测试训练完成的神经网络模型，结果如图8所示，其中编号0−6分别表示正常状态（0）、压缩机效率下降（1）、涡轮机效率下降（2）、空气滤清器堵塞（3）、单缸供油减少（4）、喷油正时提前（5）、喷油正时滞后（6）。

由图8可知，针对输出功率保持100%的稳态工况，筛除涡轮机进口压力和缸内爆发压力的数据不影响故障诊断模型的准确度，再筛除涡轮机出口温度和涡轮增压器转速的数据会略微降低模型的准确度，只保留压缩机出口温度和单缸每循环使用燃料的数据会导致无法识别出压缩机效率下降和喷油正时提前两种故障。

4 结　语

本文建立了柴油-甲醇双燃料机的仿真模型，无故障发生时4种工况下主要参数的相对误差均小于5%，模型可靠，仿真结果具有参考意义。

1）以100%输出功率的工况为例，轻度的涡轮机效率下降会造成燃料消耗量几乎不变，涡轮机进、出口温度分别上升4.02%和5.32%，而压缩机出口压力、涡轮增压器转速和涡轮机进口压力分别下降7.01%、4.68%和5.36%。轻度的压缩机效率下降的后果与涡轮机效率下降基本相似，区别在于涡轮机出口温度和压缩机出口温度，分别为上升6.52%和下降3.59%，符合理论规律。

2）以100%输出功率的工况为例，轻度的空气滤清器堵塞会导致涡轮机进、出口温度分别上升2.66%和3.28%，而压缩机出口压力和涡轮机进口压力分别下降4.66%和3.01%，其余参数变化不明显，符合理论规律。

3）以100%输出功率的工况为例，轻度的单缸供油减少将导致单缸每循环使用的燃料增加1.65%，故障缸缸内爆发压力下降3.82，而其他缸需要补偿该部分，涡轮增压器相关参数无明显变化，符合理论规律。

4）喷油正时异常对缸内爆发压力影响最大，以100%输出功率的工况为例，喷油提前将导致缸内爆发压力上升14.63%，喷油滞后将导致缸内爆发压力下降11.94%。

5）本文通过最小冗余最大相关算法对各特征参数进行评分排序，并以100%输出功率的工况为例，训练了4种神经网络模型。经测试，保留评分最高的4～6种特征参数最佳。

本文通过模拟仿真得到了4种工况下，各故障发生时各参数的偏离度，再用MRMR算法为各参数评分，实现了稳态工况下单一故障的故障诊断，为后续训练复杂工况下的故障诊断模型做好铺垫。