0 引　言

随着世界对海洋资源的重视，开发利用海洋资源，绝大多数中、小型船舶都采用柴油机作为主机和发电机；大型船舶中柴油机所占比例也达到96%以上^[1]。船舶柴油机及其系统在降低排放^[2]、结构改进^[3]等方面的升级发展，因其复杂系统和结构越来越复杂，发生的故障概率也大大增加。国内发动机领域被广泛应用的仿真软件主要包括GT-Power^[4]和AVL-BOOST^[5]。本文使用AVL-BOOST对MANB&WL16/24型柴油机进行建模仿真和故障模拟模拟。赵志强等^[6]基于AVL BOOST仿真平台和台架试验数据构建了船用柴油机运行过程的数学模型，采用控制变量法依次模拟了发火点提前、单缸停油以及曲轴箱窜气3种故障情况，为故障状态的识别和数据驱动的智能诊断系统构建提供了理论依据。闫浩栋^[7]通过运用零维模型中的容积法以及平均值法构建模型，并结合实际的台架试验数据与参数识别技术，增强了平均值模型的描述能力。

通过模拟多样化的故障场景来收集故障数据，进而实施故障诊断工作。基于模型的故障诊断首先需要深入理解故障的产生机理，并据此构建模型以总结机械系统在故障状态下的动态行为特征，通过识别匹配的特征信息实现对系统状态的评估。Naderi等^[8]通过对比EKF和UKF模型在燃气轮机中的故障诊断效果，建立状态模型进行诊断。戴琳^[9]运用Matlab/Simulink平台构建了一种低速发动机的稳态模拟模型，并设计了6种典型故障模拟方案。通过发动机输出参数的动态变化进行分析，为故障诊断工作提供了参考依据。王英敏等^[10]提出了数据驱动模型和机理模型，利用该模型实现了对柴油机空气系统的诊断。白雲杰等^[11]对缸盖振动信号利用小波包分解进行提取特征，同时结合一维卷积神经网络，完成了对柴油机气门健康状态的精准评估。刘伊凡等^[12]利用柴油机性能策略通过构建非线性状态空间模型，并结合梯度搜索优化算法对缺失运行参数实现辨识和偏移系数估计，有效的实现了船舶柴油机的性能监测与评估。

针对进行故障实验对柴油机产生的永久性损害，且船舶柴油机采集故障数据较为困难，常常会出现故障样本稀少以及多个单一故障同时发生导致的复合故障的问题。本文利用AVL-boost建立船用柴油机仿真模型并进行故障仿真，采用变分自编码器（VAE）的故障检测方法。VAE 是一个生成模型，可以学习到的潜在空间分布中采样，并通过解码器生成新的、类似训练数据的样本，VAE模型保持原始数据特性的同时，能够学习到符合高斯分布的特征表示。尤其适用于高维复杂数据的处理。它通过对输入数据进行编码和解码，从中学习到潜在的低维表示，且能够生成与输入数据分布相似的新数据解决本文故障样本稀少和多个单一故障同时发生导致的复合故障的问题。

1 故障检测模型介绍

当柴油机出现健康问题时，及时检测出发生的故障并采取相应措施十分重要，这样可以避免故障进一步恶化致使柴油机停机。在传统的故障诊断方法中，通常需要手动提取特征或使用复杂的算法来处理原始数据。本文采用基于变分自编码器的故障检测方法，变分自编码器（Variational Autoencoder，VAE）^[13]以其对数据需求低和训练过程稳定的特点脱颖而出^[14]。VAE可以无视原始数据的分布形态，有效地提取出遵循高斯分布的特征，并展现出强大的非线性拟合能力。因此在处理高维、非线性、噪声较大的数据有较大的优势。并且该模型具有很好的适应性，能够处理多种不同类型的数据。尤其适用于高维复杂数据的处理。它通过对输入数据进行编码和解码，从中学习到潜在的低维表示，且能够生成与输入数据分布相似的新数据解决本文故障样本稀少和多个单一故障同时发生导致的复合故障的问题。

1）变分自编码器

变分自编码器由解码器和编码器网络两部分组成。相较于自编码器最大的改变就是潜在表示，VAE中潜在表示是一个不确定变量，是一个概率分布。其损失函数在自编码器的重加误差的基础上多增加了一个KL散度损失，计算公式为：

$ {L(\theta ,\varphi ;x)=-{D}_{KL}\left({q}_{\varphi }\left(z\mid x\right)\parallel p(z)\right)+{E}_{{{q}_{\varphi }}\left(z\mid x\right)}\left[\log \left({p}_{\theta }\left(x\mid z\right)\right)\right]。}$

(1)

2）故障检测模型

本节构造出的故障检测模型以VAE为主体，前一节所述，VAE的一个优点是学习的隐藏层表示遵循高斯分布。利用VAE中的编码器组件，可以将正常数据转换成隐藏层表示h，以此来构建一个代表正常状态的特征空间。由于隐藏表示h服从多元高斯分布的特性，可以利用这一点，在所得的特征空间中，通过类似T₂统计量的构建方式，来定义并计算H²统计量。

$ {H}^{2}={\boldsymbol{h}}^{\mathrm{{T}}}{\sum}^{-1}\boldsymbol{h}。$

(2)

式中：Σ为隐藏表示空间（也称为特征空间）中训练集的协方差矩阵。鉴于h服从高斯分布的特性，可以便捷地利用F分布或卡方（χ²）分布来确定H²统计量的置信界限2Hlim，此时所需的自由度恰好对应于隐藏空间的维度，图1为故障检测模型。

2 柴油机仿真建模与故障仿真 2.1 船用柴油机仿真模型搭建与验证

利用AVL BOOST建模设定模型中的部分的参数，这些参数的选取直接影响整个柴油机的整机性能。燃烧模型的选取会影响柴油机的排放性能，进排气升程曲线、废气涡轮参数也都会决定柴油机最终的一些性能参数。参数过程中考虑其各个子系统直接的耦合关系也尤为重要，确保参数设置的合理，以保证柴油模型仿真的精确性。

1）主机主要参数

主机参数如表1所示。

2）缸内参数设置及燃烧放热和传热模型的设置

气缸内的参数会直接影响柴油机的数值计算结果，具体设置详情如表2所示。

按照上述中各个参数的设定，最终以模块化的方式对MAN B&W L16/24 型柴油机在100%负荷下的工况进行模拟，选择仿真步长为1°CA的循环仿真。已构建出柴油机整机模型如图2所示。

以模块化的方式，使用AVL-BOOST搭建柴油机模型。图中SB1和SB2分别为进气边界和排气边界；TC1为废气涡轮增压器；CO1为中冷器；PL1和PL2 为进排气系统；C1～C6 为柴油机的 6 个气缸模块；MP1～MP7 为热工参数监测点；管路1～17为连接管道，管路1为压气机前进气管道，管路2为中冷器前进气管道，管路3为中冷器管路气管道，管路4～管路9为气缸进气管道，管路10、管路13～管路17为气缸排气管道；管路11和管路12分别为涡轮进气管道和涡轮排气管道。

为验证前文所搭建的柴油机仿真模型准确性，将该型柴油机在额定工况试验时的主要性能数据^[15]与本章所搭建的仿真模型的输出数据进行比对，计算相对误差。模型数值计算结果与真实台架试验结果误差对比如表3所示。

可知，所搭建的柴油机模型在额定工况下的部分性能参数与真实试验数据的相对误差均控制在3%左右，精度满足要求，典型故障仿真在此模型的基础上进行。

2.2 船用柴油机故障仿真

在柴油机故障类型中，热工故障较为常见。发生热工故障时，柴油机的热工参数能直接反映柴油机的各个工作过程的状态。由于AVL-BOOST仿真软件进行的数值计算只包含缸内及进排气过程，本文只模拟进排气系统、喷油系统、涡轮增压器系统的故障。

基于柴油机的仿真模型框架，本文通过调整一系列热工参数的值，设计了7种独立的热工故障场景。这些故障场景的热工参数值均设定在正常范围的边界之外，以模拟故障条件。针对每种故障模式，采用梯度变化的方法设定了故障参数，共构建了100组不同严重程度的故障实例。具体地，在故障状态的分析序列中，Case1标志着最低程度的故障情形，而Case100则对应着最为严重的故障状况，两者之间呈现出连续且渐进的变化过程。关于这些单一故障仿真的详细方案见表4。

压气机阻塞属于柴油机进气系统故障，涡轮低效属于涡轮增压器系统故障，单缸供油过多、喷油提前和喷油滞后属于燃油系统故障，排气提前和排气滞后属于气缸控制系统的故障。为了获取不同的故障样本，模拟多故障发生时的故障数据，对不同系统的故障进行组合，模拟柴油机复合故障模式。本节设置了5种不同组合的复合故障模式，具体仿真方案如表5所示。

2.3 故障特征分析

针对柴油机的7类典型故障的仿真数据，详细探讨了健康参数变化在不同故障情境下对性能参数所产生的影响及其规律性。其具体参数变化如图3所示。

如图3(a)所示，随着压气机效率的降低，气缸最大燃烧温度PFT上升幅度达到0.56%。当循环气体进入排烟总管时，可观察到PL2-T上升了0.32%，而气缸排气压力MP5-P和排烟总管压力PL2-P则分别下降了1.90%和1.75%。除此之外排烟总管压力、气缸排气压力以及排烟总管温度可以作为判断压气机阻塞故障的有效指标。

根据图3(b)可见，随着单缸供油量的增加，有效功率P_e、转矩T_r和平均有效压力BMEP分别增加了4.32%，最大燃烧压力PFP上升了2.23%，压力升高率PPR增长了3.76%，气缸最大燃烧温度PFT增加了1.58%。气缸的排气压力MP5-P下降了1.85%，气缸的排气流量MP5-M增加了1.54%。在循环气体流入排烟总管的过程中，观察到排烟总管温度PL2-T的上升幅度接近1.33%，而排烟总管压力PL2-P下降的幅度则达到1.85%。而其余热工参数的变化幅度较为微弱，偏移率均控制在0.5%以内。

当喷油提前故障最严重时，最大燃烧压力PFP和压力升高率PPR的偏离率分别达到最高值13.37%和18.92%，其余热工参数的变化幅度均未超过3%。当喷油滞后故障最严重时，最大燃烧压力PFP和压力升高率PPR的偏离幅度分别达到最高值，分别为18.05%和24.49%。喷油正时故障会直接导致最大爆发压力 PFP 和最大压力升高率PPR发生显著变化，因而成为故障最显著的表现。

在排气滞后故障达到最高程度的情况下，柴油机的有效功率、转矩和平均有效压力分别下降了9.57%。与此同时，油耗率显著上升，增幅达10.62%。并且气缸的排气温度MP5-T降低了12%，而排气流量MP5-M则上升了4.86%。在排气提前故障达到最大程度时，柴油机的有效功率、转矩以及平均有效压力均下降了10.28%。油耗率显著上升，增幅达到11.45%，而气缸排气压力MP5-P和排烟总管压力PL2-P的下降幅度接近8%。所以，在发生排气系统故障情况下，多个参数都会发生变化。

在涡轮低效故障时，柴油机有效功率、转矩和平均有效压力分别减少17.58%，油耗率增加21.32%，气缸排气温度MP5-T上升了21.51%，而排气流量MP5-M降低至18.8%。气缸的排气压力和排烟总管压力均上升了85.48%。可以看出，涡轮低效故障对柴油机的热工参数具有较大的影响。

由图3可知，12种热工参数在不同的故障模式下均有不同的变化情况，可根据不同热工参数的变化幅度情况判断故障源，将7种故障模式下偏移率相对较大的热工参数进行汇总，统计12种热工参数的偏移率相对较大情况下对应的故障类型如表6所示。

除了压气机阻塞，其余故障模式都会导致有效功率P_e和转矩T_r发生较大变化。除了压气机阻塞和单缸供油过多，其余故障模式都对油耗率BSFC有较大影响。所以单一通过观察这3项热工参数的变化无法判断柴油机故障源。

3 基于VAE的故障检测方法

通过上文分析柴油机性能指标的动态变化，能够精确地揭示柴油机运行现状及其发展状况。在不同故障状态下，其表现出来的特征会呈现出多样的变化模式。对于相同的性能参数，不同故障所引起的变化趋势及其偏离程度并不一致。这些特征参数变化的敏感度也都尽不相同。为下文柴油机的故障检测提供支持。

3.1 单一故障检测实例

由于仿真数据是完全无噪声状态，而柴油机在运行过程中是有一定噪声干扰的，对第2节所模拟的数据加入20 dB噪声处理。采用Adamw优化算法，初始学习率为0.001。模型结构参数设置如表7所示。

故障检测流程如图4所示。

训练过程：

1）收集仿真正常运行数据，加入噪声后进行归一化处理；

2）设计VAE网络结构，开始训练；

3）利用VAE将数据映射到隐藏空间；

4）利用上述公式构造统计量H²;

5）通过上述方法确定统计量的控制限；

检测过程：

1）采集仿真出对应故障数据，加入噪声后归一化处理；

2）将训练好的VAE将故障数均映射到隐藏空间；

3）计算出新的统计量值；

4）根据训练过程中确定的阈值计算出的统计量确定是否发生故障。

本实例选取柴油机的正常数据和7种单一故障模式进行检测，其训练集选取正常运行的数据，每种故障模式的测试集前20组为正常数据，后80组为对应 的故障数据，在隐藏空间利用H²统计量，通过观察样本是否超限判断是否发生 故障，选取故障5和故障7的检测结果进行可视化，如图5(a)和 4(b) 所示。

为验证所选模型的重构能力及优越性，与普通的AE模型进行对比，图6为2种模型的原始曲线和重构曲线对比。可以看出，VAE模型的重构曲线与原始曲线更为接近，证明所提出模型适合变化更为复杂的非线性数据。

3.2 复合故障检测实例

利用2.2节模拟出的复合故障，将5种复合故障输入至该模型进行检测，其中测试集构建依旧是前20组为正常数据，后80组为对应复合故障数据，其中 选取复合故障3的故障检测结果如图7所示。

将该模型与AE、PCA和KPCA模型进行对比，利用单一故障和复合故障数据进行实验，最终计算出各模型的平均检测准确率，检测对比结果如表8所示。

结果表明，对于特征更加复杂的复合故障数据，基于VAE模型的故障诊断整体检测准确率明显高于比PCA、KPCA和AE方法的准确率，但有部分故障数据经重构后映射到隐藏空间后和单一故障的表征有所不同，会出现未能检测出来的情况，而且检测出来的故障也是视为一种全新的单一故障，对于一种全新的复合故障无法分析出是由何种单一故障组合，所以需要进一步进行复合故障解耦研究。

4 结　语

针对柴油机长时间在恶劣环境下运行，常会导致故障发生，而故障的严重程度会影响柴油机的健康状态，使用AVL-BOOST仿真软件对MANB&WL16/24型柴油机进行了建模与仿真，并且通过验证在额定工况下模型精度误差在2%以下。根据故障原因在模型中设置故障因子，利用柴油机模型模拟了单缸供油过多故障、喷油正时故障、排气正时故障、涡轮低效等典型的单一故障，并且对这些单一故障进行组合模拟，得到一些复合故障样本。通过分析一些热工参数的变化，选取12个特征参数构建数据集。

选取VAE模型为故障检测模型，VAE通过将正常工况的数据编码为潜在空间的低维表示，能够有效地捕捉数据中的潜在结构。当模型遇到故障数据时，它的重构误差会明显增大，表明该数据与正常模式存在显著差异。在故障诊断中，VAE可以用来模拟不同的故障状态，帮助构建故障诊断系统的训练数据集，尤其是在本文中提到实际故障数据稀缺的情况下有着准确率较高的故障识别能力。VAE模型在识别热工参数，能够有效的捕捉到数据中潜在模式，通过对热工参数的编码和解码来建模系统的正常工作状态与故障状态之间的变化，从而提供故障诊断。最后构造出对应统计量且确定正常状态范围，选取出不同的故障状态的数据进行测试，并与AE模型、PCA、KPCA方法进行对比，并且证明该模型在处理非线性数据具有一定的优势。分别在单一故障和复合故障上进行实验，结果表明：检测准确率分别达到了97%和90%以上，可以实现对柴油机较精准的状态检测。