CN112597658B - 一种基于工况识别的船用柴油机多模型故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于工况识别的船用柴油机多模型故障诊断方法。步骤1：根据转速判断柴油机运行工况；步骤2：选取柴油机监测参数；步骤3：对所选参数归一化处理，层次分析法处理，获取权重值并排序；步骤4：对每种工况的故障诊断模型进行输入参数优化处理，减少输入参数个数，循环生成模型；步骤5：利用检测样本检测各模型精度，并对比得到最优模型；步骤6：整合工况判断和故障诊断流程，进行船用柴油机多模型故障诊断。根据本发明结果，该模型能基于船用柴油机运行工况，构建差异性、精细化的故障诊断模型，实现对船用柴油机故障的高灵活性、高精度诊断。

Description

一种基于工况识别的船用柴油机多模型故障诊断方法

技术领域

本发明属于柴油机故障诊断技术领域，具体涉及一种基于工况识别的船用柴油机多模型故障诊断方法。

背景技术

船用柴油机是目前各类船舶动力装置中应用最为广泛的动力机械，为船舶提供推进动力或者作为各类辅助机械的动力源。主柴油机作为船舶的推进动力装置，是船舶的心脏，在航行过程中一旦发生主推进柴油机故障停机，将会给船舶航行带来巨大风险，严重威胁船上人员生命和财产安全。相对于陆上柴油机，船舶柴油机的工作环境更加恶劣，海水及空气盐雾、船舶摇摆晃动、高温高湿的机舱环境都会对柴油机安全运行带来负面影响。同时船用主推进柴油机在进出港口、恶劣天气等情况下需要经常调整推进速度，频繁的运行调控和负荷冲击也给柴油机安全运行带来新的挑战。研究船舶柴油机故障诊断方法，对提高船用柴油机运行可靠性、保障船舶航行安全具有重要意义。

在目前的各种船用柴油机故障诊断方法研究中，多信息融合诊断方法综合利用各种传感器信息判断柴油机运行状态，在消除传感器不确定性、提高诊断精度和可靠性等方面具有显著优势，逐渐成为柴油机故障诊断研究领域的热点。柴油机故障诊断中常用的多信息融合诊断方法主要包括专家系统、聚类方法、神经网络、D-S证据理论等，其中神经网络被证明是一种非常有效的融合诊断方法。在各类神经网络融合诊断方法中，提高诊断精度和可靠性、降低计算成本是诊断方法研究的核心和关键问题。

发明内容

本发明提供了一种基于工况识别的船用柴油机多模型故障诊断方法，提高ANFIS在船舶柴油机故障多模型诊断方面的工程实用性。

本发明通过以下技术方案实现：

一种基于工况识别的船用柴油机多模型故障诊断方法，所述故障诊断方法包括如下步骤：

步骤1：选取柴油机典型运行工况，设置每个运行工况类型对应转速阈值，通过判断转速数值匹配运行工况类型；

步骤2：选取船用柴油机常见故障作为该模型输出故障集，采集柴油机实际运行中便于检测的动力学参数和热力学参数作为输入参数；

步骤3：针对步骤1中的每种柴油机典型工况，对训练样本数据进行归一化处理；并利用层次分析法确定参数权重，根据权重对输入参数顺序进行排序；

步骤4：结合权重值筛选输入参数，循环去除当前输入参数组中权重值最小的参数，用消减后的剩余参数作为输入参数生成柴油机故障诊断模型，形成多个诊断模型；

步骤5：利用检测样本对上述多个模型的诊断精度进行检测。选取诊断精度最优时对应的输入参数组，该参数组为最优输入参数组，并生成当前工况下柴油机故障诊断模型。根据以上方法对每个工况的柴油机故障诊断模型分别进行参数优化，建立每种工况条件的柴油机故障诊断优化模型；

步骤6：整合工况判断和故障诊断流程，构建船用柴油机多模型故障诊断。

进一步的，所述步骤1中选取柴油机典型工况包括：额定运行功率的15％为a₁、额定运行功率的25％为a₂、额定运行功率的50％为a₃、额定运行功率的75％为a₄、额定运行功率的95％为a₅、额定运行功率的100％为a₆和额定运行功率的105％为a₇。

进一步的，所述步骤2中所述选取模型输出故障类型包括：正常运行为f₀、单缸失火为f₁、排气管泄露为f₂、压气机污阻为f₃、空滤器堵塞为f₄和润滑不良为f₅；

所述选取模型输入参数包括：转速为s₁、有效功率为s₂、燃油消耗率为s₃、涡前排气温度为s₄、涡后排气温度为s₅、涡前排气压力为s₆、中冷器前温度为s₇、中冷器前压力为s₈、中冷器后压力为s₉、进口压力为s₁₀、缸后平均温度Ⅰ为s₁₁和缸后平均温度Ⅱ为s₁₂。

进一步的，所述步骤3中对每种工况数据进行层次分析法处理，获得参数权重；并根据权重对参数进行排序具体为，对每个工况的数据组内参数，利用层次分析法获得权重的能力，用运行参数与正常运行参数数值差值代替参数重要值对比生成判断方阵；获取参数权重值后，根据权重值由大到小排序。

进一步的，所述步骤3中根据步骤1的七种典型工况，对参数数据进行分组，记为S_i,i＝1,2,...,7，并对每个工况参数S_i组中每种参数s_i进行归一化处理，采用最大最小法进行归一化处理方法，

其中i为参数个数，i＝1,2,...,11；k为数据组数，s_imin为数据序列的最小值，k＝1,2,...；s_imax为数据的最大值；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。

进一步的，所述步骤4具体为，根据参数权重对参数由大到小排序后，对参数重新编号，利用循环判断实现舍弃参数权重小的参数；每次舍弃一个参数后重新生成柴油机故障诊断模型，直至剩余2个参数时结束舍弃；

每种工况生成11个故障诊断模型，记为FIS_i-j，其中i为工况类型标记，i＝1,2,...,7；j为参数输入个数标记，j＝2,3,...,12。

进一步的，所述步骤4中的柴油机故障诊断模型具体为，利用减法聚类-ANFIS算法生成柴油机输入参数与故障结果之间的拟合规则结构，进行参数优化步骤时，模型之间只有输入参数个数与类型不同，其他相关参数均相同。

进一步的，所述步骤5中检测样本为已知工况类型与故障类型，其参数种类、参数个数与训练样本一致；将检测样本参数与训练样本参数进行整合，对每个参数进行归一化处理；提取归一化后的检测样本参数，并根据待检验模型参数要求排序，匹配故障诊断模型输入参数顺序，利用检测样本检测模型精度。

进一步的，所述步骤5中对模型精度进行检测具体为，根据故障诊断模型参数个数和类型的需求，输入参数，利用故障诊断模型进行诊断，输出诊断结果，记录该模型检测误差；通过对比不同参数输入条件下的模型诊断精度，选择精度最高的参数输入类型，作为最优参数输入，确定该工况下最优的柴油机故障诊断模型，实现对每种工况条件下的故障诊断模型参数优化。

本发明的有益效果是：

1、本发明“化整为零”地实现柴油机不同运行工况下的多模型诊断，实现了不同工况下的差异化、精细化建模，具有推理规则少、运算时间短、诊断精度高等优点。

2、本发明中的每个子模型的参数和规则可单独调整，单个子模型参数修改或者重新训练时不影响其他子模型使用，增强了算法的维护性和灵活性。

3、本发明将船用柴油机ANFIS融合诊断方法从单工况诊断拓展到全工况诊断，提高了ANFIS算法在船用柴油机故障诊断方面的适应性和工程应用价值。

附图说明

图1为本发明生成基于ANFIS的船用柴油机多工况多故障诊断模型算法流程示意图。

图2为本发明算法中模型多ANFIS关系结构图。

图3为本发明方法利用检测样本检测船用柴油机多工况多故障诊断模型精度算法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于工况识别的船用柴油机多模型故障诊断方法，所述故障诊断方法包括如下步骤：

步骤1：选取柴油机典型运行工况，设置每个运行工况类型对应转速阈值，通过判断转速数值匹配运行工况类型；

步骤2：选取船用柴油机常见故障作为该模型输出故障集，选取柴油机实际运行中的动力学参数和热力学参数作为输入参数；

步骤3：针对每种典型工况的训练样本数据进行归一化处理；利用层次分析法确定参数权重，根据权重对输入参数顺序进行排序；

步骤4：结合权重值筛选输入参数，循环去除当前输入参数组中权重值最小的参数，用剩余参数生成柴油机故障诊断的模型；

步骤5：利用检测样本对不同参数生成的柴油机故障诊断的模型精度进行检测，对比不同参数输入时柴油机故障诊断的模型判断精度，选取精度最优时的输入参数组，并以该组参数组生成柴油机故障诊断模型，对每种工况类型均进行参数优化后，得到柴油机每种工况的最优输入参数故障诊断模型；

步骤6：整合工况判断和故障诊断流程，进行船用柴油机多模型故障诊断。生成根据转速判断工况、根据工况选择参数的故障诊断模型；最终形成基于工况识别的船用柴油机多模型故障诊断方法。

进一步的，所述步骤1中选取柴油机典型工况包括：额定运行功率的15％为a₁、额定运行功率的25％为a₂、额定运行功率的50％为a₃、额定运行功率的75％为a₄、额定运行功率的95％为a₅、额定运行功率的100％为a₆和额定运行功率的105％为a₇。共7种运行工况，记为工况类型集合A。

船用柴油机运行工况选取涵盖了船用柴油机典型运行工况和常用运行工况，同时每个工况点的船用柴油机运行参数具有其显著特点，在每个工况间转速和其他参数跨度适中，参数变化幅度适用于基于数据驱动的船用柴油机故障诊断模型。

所述设置每个运行工况类型对应转速阈值，通过判断转速数值匹配运行工况类型是指：首先根据船用柴油机典型运行工况的转速特性，对转速划分区间；通过获取监测参数中转速的数值，匹配转速区间，判断船用柴油机在该参数数据情况运行时处于何种运行工况。

进一步的，所述步骤2中所述选取模型输出故障类型包括：正常运行为f₀、单缸失火为f₁、排气管泄露为f₂、压气机污阻为f₃、空滤器堵塞为f₄和润滑不良为f₅；共6种运行故障类型，并记录为故障集合F；

所述选取模型输入参数包括：转速为s₁、有效功率为s₂、燃油消耗率为s₃、涡前排气温度为s₄、涡后排气温度为s₅、涡前排气压力为s₆、中冷器前温度为s₇、中冷器前压力为s₈、中冷器后压力为s₉、进口压力为s₁₀、缸后平均温度Ⅰ为s₁₁和缸后平均温度Ⅱ为s₁₂。共12种输入参数，并记为输入参数集合S。

选取柴油机多个输入参数有利于对柴油机运行状况有全方位判断，建立的柴油机复杂系统多故障诊断诊断模型能综合分析柴油机参数信息，不会遗漏相关参数特性，可提高诊断精度，同时为针对不同工况故障诊断精细建模，进行多输入参数优化提供参数选择空间。

进一步的，所述步骤3中对每种工况数据进行层次分析法处理，获得参数权重；并根据权重对参数进行排序具体为，对每个工况参数利用层次分析法获得权重的能力，对运行参数与正常状态参数的差值大小进行量化排序，代替经典层次分析法中的参数重要性评价对比，生成判断方阵；获取参数权重值后，根据权重值由大到小排序。

进一步的，所述步骤3中根据步骤1的七种典型工况，对参数数据进行分组，记为S_i,i＝1,2,...,7，并对每个工况参数S_i组中每种参数s_i进行归一化处理，采用最大最小法进行归一化处理方法，

其中i为参数个数，i＝1,2,...,11；k为数据组数，s_imin为数据序列的最小值，k＝1,2,...；s_imax为数据的最大值；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。

本发明中所述的利用层次分析法并不是经典层次分析法，是指利用柴油机故障参数数据与柴油机正常运行参数数据之间差值生成判断矩阵B。

根据权重对输入参数顺序进行排序是根据获得的参数权重值对参数进行排序处理，以便利用循环算法实现对参数的去除筛选，实现对单工况故障诊断模型的参数优化。

进一步的，所述步骤4具体为，根据参数权重对参数由大到小排序后，对参数重新编号，利用循环判断实现舍弃权重值小的参数；每次舍弃一个参数后重新生成柴油机故障诊断模型，直至剩余2个参数时结束舍弃；

每种工况生成11个故障诊断模型，记为FIS_i-j，其中i为工况类型标记，i＝1,2,...,7；j为参数输入个数标记，j＝2,3,...,12。

进一步的，所述步骤4中的柴油机故障诊断模型具体为，利用减法聚类-ANFIS算法生成柴油机输入参数与故障结果规则结构，模型之间只有输入参数个数与类型不同，其他相关参数均相同。

进一步的，所述步骤5中检测样本为已知工况类型与故障类型，其参数种类和参数个数与样本数据一致的样本；将检测样本参数与训练样本参数进行整合，对每个参数进行归一化处理；提取归一化后的检测样本参数，即抽取样本数据组，这样样本数据组既消除了样本参数的数量级差别，又保留了样本参数与训练参数数据变化特性的一致，并根据待检验模型参数要求排序，匹配故障诊断模型输入参数顺序，利用检测样本检测模型精度。

进一步的，所述步骤5中对模型精度进行检测具体为，根据故障诊断模型参数需求，输入参数，利用故障诊断模型输出诊断结果，记录该模型检测误差；通过对比不同参数输入条件下的模型诊断精度，实现参数筛选，并根据最优参数输入确定该工况下最优的柴油机故障诊断模型，实现对每种工况条件下的故障诊断模型参数优化。

根据故障诊断模型FIS_i-j中的参数类型，自动筛选检测模型中参数，使检测样本参数与故障诊断模型输入参数匹配。输入参数数据后，模型会根据训练规则非线性联系，判断当前参数条件下柴油机的故障类型，记录每个模型FIS_i-j的判断结果，并与已知的故障类型进行对比，得到每个模型的诊断精度。

对比不同参数个数输入时模型判断精度，在每种工况a_i，i(i＝1，2，…，7)有对应的最优输入参数个数m_i，i(i＝1，2，…，7),选取该参数个数对应的故障诊断模型

为该工况时对应的最佳故障诊断模型，经过每个工况的参数优化，获取7个典型工况类型的最优故障诊断模型，实现对故障诊断的精细建模。

(1)对数据进行层次分析法处理是，根据故障参数偏离正常数值的大小，利用层次分析法计算参数重要程度并获得参数权重值。根据层次分析法简约过程，首先根据参数变化程度，在已知样本数据中，获得故障参数与正常参数之间的差值，利用差值形成参数特征方阵，然后计算该方阵的特征值与特征向量，该方阵最大特征值对应的特征向量为参数权重值w。根据权重值w由小到大对参数进行排序，排序后的参数重新标号为x₁、x₂……x₁₂，即x₁为权重最大参数，x₁₂为权重最小参数。将参数进行排序便于进行参数优化决策步骤。

(2)设定输入参数个数j：设定参数个数j(首次训练应用全部参数，即j＝12)作为参数输入，生成输入参数集合X_j；确定工况a_i时的样本数据集合U_i＝{X_j，F}，其中输入参数集合X_j＝{x₁，x₂，…，x_j}、故障输出集合F＝{f₁，f₂，…，f₆}。通过更改j的数值实现循环，实现参数个数寻优过程的循环设置。

(3)生成故障诊断模型FIS_i-j：利用样本数据集合U_i，结合减法聚类法ANFIS结构生成故障诊断模型，并应用样本数据集合U_i，对该模型进行训练，经过训练后生成工况a_i、输入参数为j时的船用柴油机故障诊断模型FIS_i-j。

(4)所述将工况为a_i时检测样本参数输入船用柴油机故障诊断模型FIS_i-j，包含以下步骤：

(i)将检测样本参数与训练样本参数进行整合，对每个参数进行归一化处理，消除单位间差异，同时保留参数变化特征。将归一化后的检测样本参数提取，并根据权重排序，目的是匹配故障诊断模型输入参数顺序。

(ii)将当前j个参数作为输入参数，输入故障诊断模型FIS_i-j，得到船用柴油机以该参数状况下运行故障类型。

(iii)对比模型诊断故障类型与检测样本实际故障类型，并记录该模型检测误差。可通过对比在不同参数输入时模型诊断精度，实现参数筛选。

(5)设置j＝j-1，即除去输入参数中权重较小的输入参数，重复数据集合整理、模型生成训练、检测模型精度并记录过程，直至输入参数个数为2个(j＝2)时停止循环。得到在工况a_i时不同输入参数个数时的故障诊断模型，和各模型的诊断误差E_i-j(j＝2，3，…，12)。通过对比各模型的诊断误差，可得到该工况时，故障诊断模型最优输入参数个数m_i，并以m_i生成柴油机故障诊断模型

对应7个柴油机运行工况类型，共生成7个FIS结构，即船用柴油机故障诊断模型结构，每个结构模型之间只有输入参数个数与类型不同，其他相关参数均相同。

进一步的，所述步骤6整合工况判断和故障诊断流程具体为：结合步骤1中根据转速判断工况部分，与步骤5中获得的各工况最佳故障诊断模型，生成根据转速判断工况a_i，根据工况a_i选择的故障诊断模型FIS_i。最终形成柴油机多工况多故障判断模型方法，可根据对应待检测数据组的转速判断当前柴油机运行工况，并选择应工况的故障诊断模型判断柴油机运行工况类型，并利用图像、数据输出判断结果。

进一步的，利用本发明方法生成柴油机诊断模型诊断柴油机工况类型、故障类型流程如下：

(1)提取待检样本中转速数据，进行柴油机转速区间匹配，判断样本柴油机工况类型i。

(2)将待检样本参数数据与训练样本参数数据进行整合，进行归一化处理，并提取检测样本参数，根据模型需求，舍弃多余参数并对剩余参数进行输入对应。

(3)根据工况i自动选择故障诊断模型FIS_i，将整理好的输入参数输入故障诊断模型中，由模型判断当前故障类型f’。

(4)以图像、数据方式输出样本工况为i，故障类型为f’

进一步的，本发明“化整为零”实现船用柴油机不同工况下的多模型诊断具体为，根据诊断模型建立过程，针对柴油机不同工况下分别建立模型,并分别进行多源信息输入参数优化，有效的实现了针对船用柴油机不同工况运行特显的差异化、精细化建模，虽然增加了建立模型变成的复杂程度，但扩宽了模型可应用的船用柴油机运行工况范围，同时每种工况故障诊断模型推理规则少、运算时间更短、精度更高。

同时给予ANFIS的算法特点，每种典型工况的故障诊断模型规则可视化，针对不同型号、类型船用柴油机，每个故障诊断模型可调出规则结构进行单独调整，或重新进行训练时不影响其他工况诊断模型的正常使用，增加了模型的使用灵活性，降低维护成本。

进一步的，船用柴油机不同工况下的多模型建立具体为，利用结合减法聚类的ANFIS算法生成各工况下的故障诊断模型，经过算法编程、程序流程的调整，按照一定条件调动特定ANFIS诊断模型的算法程序，可判断工况，并实现高精度的故障诊断，解决单个ANFIS在多情况融合时的规则复杂，运算量过大的问题。

进一步的，ANFIS是一种将神经网络与模糊推理结合的新型推理结构，可实现非线性拟合结果，高精度逼近任意线性函数的功能，并且具有最少需求样本少、拟合训练速度快、精度高的优点。经典ANFIS算法结构分为5层，经数据模糊化，规则生成，规则训练，去模糊化后生成模型，该模型的每条规则可由模糊If-Then规则来表示，由于该特性，由ANFIS生成的柴油机故障诊断模型结构清晰，规则可视化，消除神经网络、向量机等方法结构“黑盒子”的缺点，易于调整程序结构，同时程序仍具有ANFIS计算速度快、精度高等优点。所述ANFIS结构如下：

第一层：该层为模糊化层，是将输入数据按照隶属度进行分割进行模糊化。表达式为：

其中s_i为输入参数，i为参数集合中第i个参数(i＝1，2，…n),其中n为参数个数本例中选取参数个数n＝12；k＝1，2，…m，m为参数隶属度，即为参数模糊化程度；A_i表示模糊集合；

是s_i的隶属度函数，表达式为：

其中，{a_j，b_j，c_j}为提前参数集，其值在训练阶段由反馈不断更新；

第二层：该层为生成模糊规则层，输出结果为未经训练的规则；表达式为：

第三层：将各条规则的激励强度归一化，输出为该条规则与全部规则的适用度，作用为整理规则；表达式为：

第四层：该层的所有结点都是自适应的，以计算出每条规则的输出，是每条规则的整理；表达式为：

第五层：该层为输出层，也是去模糊层，表达规则输出结果，用以计算所有传来的信号之和作为输出信号；表达式为：

所述训练生成的模型，是指利用最小二乘法和反向传播法对提前参数修正，寻找一组合适的参数使得

其中，f——实际输出；

——模型输出。训练模型时，可选择设定

的最小值，也可以选择设定反向传播循环的步数，为避免训练数据溢出内存，选择设置训练最小步数。

所述结合减法聚类法与层次分析法的ANFIS算法结构是指：根据ANFIS基础结构，在参数输入增多时，利用ANFIS算法生成规则结构会出现规则几何式增长，使生成规则量溢出，实际应用ANFIS结构生成实现多参数输入的诊断模型难以实现。将减法聚类法与ANFIS算法结合可解决ANFIS结构规则数目过多的问题，所述结合减法聚类法ANFIS是指：应用减法聚类算法优化ANFIS结构。减法聚类法(SCM)是一种密度算法，是用来估计一组数据中聚类个数及聚类中心的快速算法，具体方法是将每个数据作为数据可能的聚类中心，然后根据周围数据的密度计算数据为聚类中心的可能性，周围数据密度越高，该数据被选中为中心得可能性越大，选取第一个中心后，依照可能性选取下一个数据中心，直到余下数据为中心的可能性低于接受值。结合减法聚类算法的ANFIS更改了模糊规则生成的方式，具体作用于ANFIS结构第一层：模糊层，通过决定参数隶属度决定参数模糊度，可减少ANFIS在多参数输入时的模糊规则个数，降低模型复杂度。

进一步的，所述应用层次分析法对数据进行处理具体是指：根据故障参数偏离正常数值的大小，利用层次分析法计算参数重要程度并获得参数权重值。根据层次分析法简约过程，首先对数据进行差值计算，并将参数差值对比排序，生成方阵；然后计算该方阵的特征值和特征向量；最大特征值对应的特征向量可视为参数的权重值。该权重值应在本发明中有两处应用：第一处为应用于减法聚类法，用以取代迭代法或主观分析法，寻找数据中心，简化ANFIS基础结构；第二处为应用于参数优化，作为舍去参数标准，权重值小的参数表为对结果影响小的参数，在参数优化时首先舍弃权重小的参数。权重值完全依赖于数据和算法分析得出，省略依靠专家经验的主观分析过程，降低模型生成过程的难度和复杂性。

本发明建立基于工况识别的柴油机故障诊断模型方法，首先根据柴油机运行转速识别柴油机运行工况，其次对不同工况分别建立柴油机故障诊断模型，并对每个模型进行多源信息参数优化，根据识别运行工况匹配诊断模型实现诊断。此模型具有全工况判断柴油机故障类型的功能，各工况判断模型可单独训练调整，模型更灵活、便于维护更新，且具有推理规则少、运算时间短、诊断精度高等特点。可实际指导运行维护人员对柴油机运行工况及故障进行明确的判断并实施针对性维护，降低船用柴油机维护成本。

Claims (9)

1.一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述故障诊断方法包括如下步骤：

步骤1：选取柴油机典型运行工况，设置每个运行工况类型对应转速阈值，通过判断转速数值匹配运行工况类型；

步骤2：选取船用柴油机常见故障作为该模型输出故障集，选取柴油机实际运行中的动力学参数和热力学参数作为输入参数；

步骤3：针对步骤1中的每种柴油机典型工况，对训练样本数据进行归一化处理；并利用层次分析法确定参数权重，根据权重对输入参数顺序进行排序；

步骤4：结合权重值筛选输入参数，循环去除当前输入参数组中权重值最小的参数，用消减后的剩余参数作为输入参数生成柴油机故障诊断模型，形成多个诊断模型；

步骤5：利用检测样本对上述多个诊断模型的诊断精度进行检测，选取精度最优所对应的输入参数组，并以该参数组作为最优输入参数组生成当前工况下柴油机故障诊断模型；每个工况的柴油机故障诊断模型都分别进行参数优化，建立该工况条件下的柴油机故障诊断优化模型；

步骤6：整合工况判断和故障诊断流程，构建船用柴油机多模型故障诊断系统。

2.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤1中选取柴油机典型工况包括：额定运行功率的15％为a₁、额定运行功率的25％为a₂、额定运行功率的50％为a₃、额定运行功率的75％为a₄、额定运行功率的95％为a₅、额定运行功率的100％为a₆和额定运行功率的105％为a₇。

3.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤2中输出故障类型包括：正常运行为f₀、单缸失火为f₁、排气管泄露为f₂、压气机污阻为f₃、空滤器堵塞为f₄和润滑不良为f₅；

所述输入参数包括：转速为s₁、有效功率为s₂、燃油消耗率为s₃、涡前排气温度为s₄、涡后排气温度为s₅、涡前排气压力为s₆、中冷器前温度为s₇、中冷器前压力为s₈、中冷器后压力为s₉、进口压力为s₁₀、缸后平均温度Ⅰ为s₁₁和缸后平均温度Ⅱ为s₁₂。

4.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤3中对每种工况数据进行层次分析法处理，获得参数权重；并根据权重对参数进行排序；获取权重值的方法为对于每种工况，用该工况时的运行参数与正常运行参数之间的残差值生成判断方阵，利用层次分析法获得参数权重；获取参数权重值后，将权重值由大到小排序。

5.根据权利要求4所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤3中根据步骤1的七种典型工况，对参数数据进行分组，记为S_i,i＝1,2,...,7，并对每个工况参数S_i组中每种参数s_i进行归一化处理，采用最大最小法进行归一化处理方法，

其中i为参数个数，i＝1,2,...,11；k为数据组数，s_imin为数据序列的最小值，k＝1,2,...；s_imax为数据序列的最大值；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。

6.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤4具体为，根据参数权重对参数由大到小排序后，对参数重新编号，利用循环判断实现舍弃参数权重小的参数；每次舍弃一个参数后重新生成柴油机故障诊断模型，直至剩余2个参数时结束舍弃；

每种工况生成11个故障诊断模型，记为FIS_i-j，其中i为工况类型标记，i＝1,2,...,7；j为参数输入个数标记，j＝2,3,...,12。

7.根据权利要求6所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤4中的柴油机故障诊断模型具体为，利用减法聚类-ANFIS算法生成柴油机输入参数与故障结果规则结构，模型之间只有输入参数个数与类型不同，其他相关参数均相同。

8.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤5中检测样本为已知工况类型与故障类型，其参数种类和参数个数与训练样本一致的样本；将检测样本参数与训练样本参数进行整合，对每个参数进行归一化处理；提取归一化后的检测样本参数，并根据待检验模型参数要求排序，匹配故障诊断模型输入参数顺序，利用检测样本检测模型精度。

9.根据权利要求1所述一种基于工况识别的船用柴油机多模型故障诊断方法，其特征在于：所述步骤5中对模型精度进行检测具体为，根据故障诊断模型参数需求，输入参数，利用故障诊断模型输出诊断结果，记录该模型检测误差；通过对比不同参数输入条件下的模型诊断精度，实现参数筛选，并根据最优参数输入确定该工况下最优的柴油机故障诊断模型，实现对每种工况条件下的故障诊断模型参数优化。

Images