0 引　言

柴油机作为当今世界重要的动力设备之一，广泛应用于大型工程机械、船舶等领域。以船舶修造行业为例，随着生产规模的不断扩大以及工程难度的不断攀升，将柴油机作为主要推进装置应用于船厂物流运输重在设备，以此满足高效、安全生产的需求。然而，柴油机在运行中多伴随高温、高负荷、频繁启停等情形，加上组成结构复杂，在使用过程中难免出现零件或系统故障，对其性能和可靠性提出了前所未有的严峻挑战。其运行状态的优劣，不再仅仅关乎单台设备的工作效能，而是直接与整个运输系统的效率紧密相连，更对企业生产过程中的人员安全和财产安全有着至关重要的影响。但传统柴油机状态评估常通过少量、单一的数据源（例如振动信号）实现，往往存在评估准确度不足、效率低下的困境。因此，如何精准、有效地对柴油机进行健康评估，确保其始终处于良好的运行状态，已成为目前亟待解决的关键问题之一。

国内外已在多个领域和行业中积极开展了关于这项技术的研究。Su等^[1]针对多参数预测和故障预警问题，提出了一种组合神经网络预测模型，能够减少数据维度，减少数据中的冗余信息，有助于提高模型的训练效率和泛化能力。Kaminski等^[2]从船舶主机柴油稀释如何影响润滑油组分的化学性能出发，得出了柴油稀释仅轻微影性响化学添加剂的能耗，而对滑油其他理化性质和磨粒影响较小的结论。宋业栋等^[3]提出一种基于深度迁移学习的小样本故障诊断方法，构建了用于柴油机原始振动信号的宽卷积核卷积长短期记忆神经网络，提高了故障数据特征提取和抗噪的能力，从原始数据自动提取特征，增强了特征学习的智能性。毕凤荣等^[4]提出一种改进合成少数过采样技术与机器学习技术相结合的故障诊断方法，减少各种故障类别之间的重叠，利用机器学习方法进行最终故障诊断。赵军等^[5]通过D-S证据理论构建舰船复杂装备动力系统的状态评估模型，实现了快速准确掌握舰船装备技术状态。基于柴油机的故障模式、影响及危害性分析（Failure Mode, Effects and Criticality Analysis，FMECA）^[6]也能在一定程度上分析曲轴转速的异常状态，进而提升柴油机的可靠性。然而，面对结构复杂的柴油机，大部分研究都是借助其正常运行数据，且多集中于振动、油液、转速等单一的信号评估，致使研究缺乏一定的深度和客观性。因此，若将多种数据进行融合分析、综合监测，可以有效提升柴油机的评估效率，帮助维护人员制定合理的维修保养策略和寿命预测。丘亚兰等^[7]通过多传感器感知系统对柴油机的热力参数进行监测研究，利用多个压力和温度参数构建融合决策分析有效排除了异常数据对监测结果的影响，有效提升了柴油机的实时状态评估。

当前柴油机的健康管理信息化程度不高，数字化的动态监测信息较单一，因此，基于上述研究基础和成果，本文提出一种基于信息融合采样归纳算法的柴油机健康状态评估，通过典型故障确定、评估指标确定、融合层次确定，构建基于多图采样深度神经网络的健康评估体系，建立柴油机的健康评估模型，实现柴油机的健康状态实时监测和预警。

1 柴油机的健康评估 1.1 柴油机的典型故障分析

由于柴油机的结构组成复杂、运行环境恶劣，导致其发生的故障模式种类繁多。图1英国柴油机工程师和用户协会所整理的柴油机停机故障率^[8]。

可知，柴油机各子系统、零部件间相互依存、彼此影响。采用皮尔逊相关系数统计法对其故障特征之间的相关性进行判断。

图2是柴油机的各监测故障之间的相关性热力图。其中，C1为喷油故障，C2为曲轴故障，C3为阀门故障，C4为齿轮驱动故障，C5为润滑故障，C6为涡轮增压故障，C7为活塞组件故障，C8为进排气温度异常。这是对柴油机常见故障类型的一个初步统计，可以看出，其中存在5对故障类型的热力相关系数大于0.6，表明这5对存在一定的正相关关系，后续研究也主要从以上故障进行重点分析。

为进一步确定柴油机的典型故障模式，采用故障模式、机理及影响分析（Failure Mode，Mechanism and Effects Analysis，FMMEA）、故障树分析（Fault Tree Analysis，FTA）。前者是FMMEA是在FMEA的基础上提出，其相较于FMEA更加注重故障机理的研究，其一般的实施流程如图3所示。

通过以上FMMEA流程分析可以实现对柴油机部分系统及其零部件的分析，如表1所示。

故障树分析法由Bell实验室提出，它既能评估系统可靠性与安全性，又能分析设备具体故障，是一种综合系统分析法。将最不希望发生的事件为顶事件，自上而下的分析，通过部件失效、人为失误等因素逐层确定中间事件和底事件（见表2），常常用于多重故障分析。本文通过一个柴油机的常见故障类型—输出功率不足进行故障树分析得到其不同事件的因果关系。随后根据表的各事件的因果关系建立故障树如图4所示。

根据以上2种不同类型的故障分析方法可知，在柴油机的实际运行过程中，输出功率不足主要有过热故障、汽缸盖组件故障、连杆轴瓦与曲轴轴颈表面咬毛故障、燃油系统故障以及进排气系统故障造成。最终得到的对柴油机整体影响程度较高的故障原因有气门间隙有误、燃油管路进入空气或堵塞以及空气滤清器堵塞，通过分析可知，可以选取振动信号、瞬时转速、油液等参数来对其进行研究。

1.2 健康评估流程

根据以上柴油机典型故障确定后，可以通过构建柴油机相关特征于其状态之间的关系，设定特征为节点，节点间对柴油机的影响程度为边的权重，进而可以得到柴油机的真实运行状态。故提出一种基于Multi-Graph SAGE 健康评估算法，如图5所示。

首先，可以通过采集柴油机原始数据，主要包括瞬时转速信号、振动信号以及油液信号，对这3种不同类型的信号进行预处理，随后将预处理过后的数据构建数据融合邻接矩阵，不同的矩阵对应不同的数据状态，根据不同的数据特征状态构建不同的状态矩阵，由前文可知，单个故障可能对应不同的数据类型，故将采集到的不同数据类型构建不同的数据标签。通过标签的特征组合与柴油机的不同状态相对应，最后构建融合特征矩阵，经softmax激活函数确定柴油机的健康状态。

1.2.1 健康指标确定

常用的健康指标有健康度、劣化度等，但是对于柴油机这种常见的旋转机械而言，仅仅依靠健康度与劣化度等宽泛概念远远不够。当柴油机内部部件出现磨损、积碳等状况时，燃油的燃烧效率会下降，直接导致燃油消耗率上升。柴油机在运转过程中，各部件如曲轴、连杆、活塞等部件的运动会产生特定频率与幅值，健康的柴油机振动特征相对稳定，一旦部件出现松动、裂纹等异常，振动频谱会发生显著改变。此外，润滑油中的磨损颗粒浓度及成分分析同样不可或缺，柴油机内部部件的摩擦磨损会产生金属颗粒进入润滑油，磨损颗粒的数量与材质能直观反映不同部件的磨损情况。故引出综合健康度对柴油机进行评价：

$ HI = \text{soft max} \left( (W_j \log D^{+}_i) (W_j \log D^{-}_{i}) \right)。$

(1)

式中：$ W $为权重比；$ D $为不同参数的最优值与最劣解之间的距离。

1.2.2 基于Multi-Graph SAGE的模型构建

本文所提出的基于Multi－Graph SAGE的健康状态监测主要区别于传统的基于CNN不能直接作用于图数据节点上。利用柴油机的振动信号、油液和转速进行构建节点特征融合矩阵，最大化的利用柴油机的运行状态特征。表3为本文的训练模型参数。

参数的设定根据数据集的大小和模型调整，根据实验训练结果可得，选择设置算法的部分最优超参数为：dropout为0.1，hidden dim为140，学习率选择0.1，采样子图节点数的设定为200。

1.3 模型评价指标选取

在评估诊断模型时，常用的评价指标是准确率。它是评价模型最终效果的常见指标，但只考虑准确率，则会导致模型的分类会偏向于多数类的数据集，当柴油机在运转时，往往也是正常类的数据偏多，难以全面验证模型的故障诊断能力。因此，本文在采用准确率评估模型的基础上，另外引入精确率、召回率、F₁分数以及ROC曲线，对模型运行结果展开更加客观的综合评估。

$ r=\frac{TP}{TP+FN}，$

(2)

$ p=\frac{TP}{TP+FP}，$

(3)

$ {F}_{\text{1}}=2\times\frac{p\times{r}}{p+r} 。$

(4)

式中：$ r $为召回率；$ p $为精确率；F₁为召回率、精确率的综合平均参数。TP为将正样本诊断为正样本的样本数量；FN为将正样本错误地分类为负样本的样本数量；FP为将负样本错误地分类为正样本的样本数量。

2 沃尔沃D7ATA型柴油机健康状态评估 2.1 数据获取与整理

本文将采用沃尔沃D7ATA型柴油机对其进行健康状态评估。柴油机的健康状态等级基于多项性能特征指标偏离正常值的程度，一般可以划分为健康、一般、劣化、危险4个阶段^[9]。如前文所述，柴油机振动、油液信号丰富，具有一定的连续性，二者都能够反映柴油机的状态。因此，针对柴油机的运行实际状况，融合振动信号、滑油数据和瞬时转速是对柴油机进行健康监测评估的一种合理且客观的方式。表4是关于处在4个不同状态的柴油机标签编号，对于振动信号的采集，实验采用2400个数据点为一个采样周期，采样频率为80 kHz，同时为了让采样更加的客观综合，保证数据的稳定性，在运行稳定后对柴油机进行384组采样，一共1536组。瞬时转速和滑油的采集都是经过柴油机在4种状态下稳定运行后进行检验，分别采集4组。将信号经过预处理后采取随机打乱的原则并提取其中60%作为训练集，20%作为验证集，20%作为测试集。

2.1.1 振动特征参数的获取

柴油机振动信号的处理主要涉及到对数据进行预处理以去除噪声和异常值，然后提取关键的时域和频域特征^[10]。一般选择将时域频域特征参数融合构成特征向量，两者结合能够为数据分析提供更加全面的视角。采用均方根、方差、平均值等特征作为表示振动信号的数值特征，将采集的振动信号通过傅里叶变换转化为频域信号，提取其相关峭度、平均幅值等作为信号的冲击特征，以及均方根频率和功率谱作为频域特征，本方法验证采用特征参数如图6所示。

2.1.2 油液特征参数的获取

在柴油机的油液诊断分析中，将采集的油液数据进行归纳、分析，利用这些信息评估油液的劣化情况进而诊断柴油机的健康状态。为便于对滑油数据化处理，结合柴油机常见磨损情况，选用典型的理化指标和金属元素作为代表特征，具体选用的参数见表5。

2.1.3 瞬时特征参数的获取

一般的柴油机瞬时转速采样是指在非稳定工况下是进行角域转速信号采集^[11]。正常运行时，柴油机的气缸按点火顺序依次点火，其转速会从零逐渐上升，直到最大功率时的最大转速，因此，柴油机的实际转速波动性较大，其变化趋势在转速处于上升阶段时尤为明显。转速波动率一般是指曲轴在运转过程中，其转速随时间变化的程度或频率，能够较好地反映柴油机性能的稳定性。波动率又可分为平均转速波动率和最大转速波动率，前者可以综合反映柴油机转速波动的总体水平，对于小幅度的稳定波动更加敏感，为整机提供一个长期监测的视角评估其稳定性；后者则能捕捉到转速波动的极端情况，更加灵敏地识别短时间内可能出现的剧烈变化，对于评估柴油机的瞬时机械应力和振动影响非常重要。

平均转速波动率$ {\varepsilon }_{i} $：

$ {\varepsilon }_{i}=\frac{{\eta }_{il}-\overline{{\eta }_{l}}}{\overline{{\eta }_{l}}}\times 100\text{% } 。$

(5)

式中：$ {\eta }_{il} $为第$ i $缸处理后的平均转速；$ \overline{{\eta }_{l}} $为柴油机整机对应的平均转速。

最大转速波动率$ {\delta }_{i} $：

$ {\delta }_{i}=\frac{{\delta }_{il}-\overline{{\delta }_{il}}}{\overline{{\delta }_{il}}}\times 100\text{% }。$

(6)

式中：$ {\delta }_{il} $为第$ i $缸的最大转速；$ \overline{{\delta }_{il}} $为柴油机整机对应的最大转速。

2.2 基于Multi-Graph SAGE评估

在基于Multi－Graph SAGE的计算过程中，不同的优化器对于算法的计算效果影响很大。本文所提到的Multi-Graph SAGE图神经网络也是如此，为验证算法的诊断鲁棒性，采用不同的优化器通过设定递增的超参数来训练相关模型，将上文的特征作为输入，进而可以得到不同状态的健康度诊断准确率。具体结果见图7。

图7分别计算了不同优化器在前文所提到的超参数（学习率）$ \delta $分别取0.02、0.04、0.06、0.08、1等5个不同的数值。可以看出，当$ \delta $=0.02时，对于危险的诊断准确率的在0.8以上，特别是采用Adam优化器时其准确率可以达到0.95，采用NAG和BGD对于异常和退化状态有较高的准确度。当$ \delta $=0.04时，对于柴油机异常和危险状态的诊断比较精确，尤其以NAG算法对于异常状态和SGD对于危险状态的诊断，其准确率分别达到了0.95和0.93，究其原因可能与NAG算法是Momentum法的一种优化，对于异常数据具有更好的敏感性，而SGD算法采用每次迭代用一个样本进行更新模型参数的形式，对于柴油机危险态大量不平衡数据具有明显的诊断优势。

3 常见算法对比分析

为了能够更好地验证本算法提出的有效性，采用常见的Naive Bayes（贝叶斯网络）、ELM（极限学习机）、SVM（支持向量机）、Random Forest（随机森林）、CNN（卷积神经网络）数据驱动算法来进行作为对比验证。其中CNN模型主要以原始的振动时频域信号和油液监测信号作为输入，而不用进行人工特征提取，实现从端到端的监控与检验，克服传统方法中的主观偏差和局限性。

同时经过实验分析，各个模型算法的召回率、精确率和F₁分数如图8～图10所示。

可以看出，各个算法的对于正常样本类数据进行正确分类的概率都较高，但是传统的几种分析方法依旧不如深度学习算法进行监测识别。

本文提出的Multi-Graph SAGE算法能够将柴油机振动信号、滑油信息和瞬时转速构建融合邻接图挖掘深层次特征信号。最终得到的故障分类召回率、精确率和F₁分数均达到了99.6%以上，对于健康、劣化2种状态的识别达到100%，说明本文提出的算法能够有效对现有样本进行分类识别，与实际状态评估一致。

根据不同的机器学习算法结合上文确定的参数大小得出柴油机的综合健康评估准确率，不同算法得到的准确率对比如图11所示。

t-SNE（t分布随机邻域嵌入）算法能够有效挖掘高维数据的特性，并把这些数据映射到对应的二维或三维空间中，较为直观地展示模型的诊断结果。

本文利用t-SNE算法对柴油机潜在故障嵌入进行深入降维。具体结果如图12所示，不同的标签颜色代表柴油机不同的健康状态类型，1−健康，2−一般，3−劣化，4−危险。可知，多数算法模型对柴油机的健康状态评估分类效果不够明显，尤其Naive Bayes和SVM中的特征样本出现明显的混叠现象。4种不同样本标签未出现较好的分类，原因可能与2种算法只能针对给定数据特征做相关运算，对数据之间的潜在信息以及内部相关性等无法学习，很多潜在故障特征被大量的其他因素所淹没，从而使学习性能下降有关。同时ELM和Random Forest也存在一定的误差，前者在标签1（健康）和标签3（劣化）、标签4（危险）展现了一定的误分类现象，同时对于标签3（劣化）和标签2（一般）也存在一定的混叠。后者在标签3（劣化）和标签2（一般），标签1（健康）和标签4（危险）存在一定的混叠，降维结果一般，但由于具有一定的集成策略，所以较前2种算法有一定提升。对于深度学习CNN模型具有有效捕捉数据的结构层次及自动特征提取的优势，效果较前几种算法明显提升。但由于振动信号和油液数据的融合会造成非欧式结构图数据形式，对于标签1（健康）和标签3（劣化）以及标签标签3（劣化）和4（危险）出现少许的混叠。CNN对于其健康状态的识别依旧不够理想。通过图12(f)可以明显看出采用本文的Multi－Graph SAGE算法进行t-SNE图像降维聚类分析，该算法不仅能够处理大量数据，提取潜在特征，还对处理非欧式数据结构具有一定的优势，能够准确对柴油机的健康状态做出识别，分类效果明显。

4 结　语

本文提出一种基于图神经网络改进Multi－Graph SAGE信息融合的船厂物流工程车用柴油机健康状态评估方法，得出以下结论：

1）引入样本间概率相似性原理，将柴油机的振动、滑油和瞬时转速信息与柴油机状态对应；采用特征工程实现特征筛选和融合，较传统单一信号评估具有更准确的效果，利于提高评估模型的解释性和泛化能力。

2）与传统数据驱动算法相比较，在兼顾识别欧式与非欧式空间结构的情况下，对于多维数据融合诊断效果更佳。结果表明，所提算法评估准确率达98.54%，召回率、精确率和F₁分数均能达到99.6%以上，能够对柴油机的健康状态监测取得更加精准的评估。

3）通过引入跳跃知识网络（JK-net）和交叉熵损失函数，可以克服过度邻域扩散而收敛缓慢的问题，进一步验证了算法的有效