基于改进Kolmogorov-Arnold网络的船舶柴油机故障诊断方法及系统与流程

本技术属于船舶柴油机故障诊断，尤其涉及一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法及系统。

背景技术：

1、船舶柴油机作为船舶动力系统的核心设备，其运行状态直接关系到船舶的航行安全、经济性和环保性能。随着国际海事组织（imo）对船舶能效设计指数（eedi）和船舶能效管理计划（seemp）提出日趋严格的环保法规要求，以及船舶工业向数字化、智能化方向转型的趋势，船舶柴油机的智能故障诊断技术成为保障船舶安全经济运行的关键技术手段。

2、现有船舶柴油机故障诊断方法（特别是基于传统多层感知机 mlp、bp 及其组合模型 som-bp）存在的以下缺陷：1、激活机制僵化：传统神经网络采用固定的激活函数难以高效拟合柴油机热力参数间高度非线性的复杂映射关系，需大幅增加网络深度/宽度，导致参数冗余。2、小样本下易过拟合：船舶柴油机故障样本获取困难，传统大参数模型极易出现过拟合，泛化能力差。3、模型“黑盒”缺乏可解释性：传统神经网络决策过程不透明，轮机管理人员无法得知究竟是哪些热力参数的异常导致了故障判决，难以获得工程信任。4、抗噪能力不足：实际机舱环境存在强噪声干扰，传统模型（尤其是 mlp）的全局矩阵乘法会使噪声逐层放大，导致诊断准确率大幅下降。

3、因此，亟需一种兼具高精度、低参数量、强抗噪能力且具备良好可解释性的船舶柴油机故障诊断方法。

4、上述陈述仅用于提供与本技术有关的背景技术信息，除非在此指出，否则在本部分中描述的内容对于本技术其它部分内容而言不是现有技术。

技术实现思路

1、本发明的一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法及系统，首次将kan架构引入船舶柴油机故障诊断领域，颠覆传统mlp“固定节点激活函数”的范式，将可学习的b样条非线性激活函数置于网络连接边上，使模型能够自适应拟合热力参数与故障类型间高度扭曲的非线性流形；同时创新性地引入l1稀疏化正则项，迫使网络在训练中自动剪枝冗余连接，仅保留关键故障传播路径，从而在实现高诊断精度以及大大压缩了参数量。

2、此外，通过b样条局部支撑特性赋予模型优异的抗噪鲁棒性，并利用边函数的显式表达实现特征重要性量化输出，从根本上解决了传统神经网络“黑盒”不可解释的工程痛点，为船舶柴油机智能故障诊断提供了一种兼具高精度、轻量化、强鲁棒和可解释性的全新解决方案。

3、根据本技术实施例的第一个方面，提供了一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法，包括：

4、采集船舶柴油机运行过程中的的热力参数数据，对热力参数数据进行预处理，得到标准化故障特征样本集；

5、构建kolmogorov-arnold网络诊断模型，kolmogorov-arnold网络诊断模型包括输入层、至少一个隐藏层和输出层，相邻层之间的连接边上设置有可学习的非线性激活函数，非线性激活函数采用b样条曲线进行参数化；输入层的节点用于接收标准化故障特征样本集中的特征向量，隐藏层的节点用于对上一层各连接边输出的函数值进行求和聚合，输出层的输出为故障分类结果；

6、构建总损失函数对kolmogorov-arnold网络诊断模型进行训练；

7、将待诊断的船舶柴油机热力参数数据经预处理后输入训练好的kolmogorov-arnold网络诊断模型，获得故障诊断结果。

8、在本技术一些实施方式中，总损失函数包括分类损失项和稀疏化正则项；稀疏化正则项用于对所述连接边上的非线性激活函数施加范数惩罚，以将贡献度低于预设阈值的连接边的激活函数幅值压缩至零，实现网络结构的自动剪枝。

9、在本技术一些实施方式中，预处理采用min-max归一化，将各特征参数线性映射至b样条曲线的定义域区间内；以确保输入数据落在b样条基函数的有效支撑网格范围内；

10、min-max归一化的计算公式为：

11、；

12、其中，

xj为第j维特征的原始值，和分别为训练集中第

j维特征的最小值和最大值，为归一化后的特征值。

13、在本技术一些实施方式中，b样条曲线的数学表达形式为：

14、；

15、；

16、其中，

b(

x)为基准激活函数，为b样条基函数，样条函数，

ck为可学习的控制点系数，

wb和

ws分别为基准函数和样条函数的权重系数。

17、在本技术一些实施方式中，总损失函数的数学表达形式为：

18、；

19、其中，为交叉熵分类损失项，为连接第

l层第

i个节点与第

l+1层第

j个节点的激活函数的l1范数，

λ为正则化系数，用于控制稀疏化程度。

20、在本技术一些实施方式中，kolmogorov-arnold网络诊断模型的网络拓扑结构为[

n,

m,

c]；

21、其中，

n为输入层节点数，对应热力参数数据的特征维度；

m为隐藏层节点数；

c为输出层节点数，对应故障类别数量。

22、在本技术一些实施方式中，热力参数数据包括以下特征参数：最高爆发压力、压缩压力、单缸排气温度、增压器转速、扫气箱压力、空冷器出口温度、燃油消耗率以及排气总管温度。

23、在本技术一些实施方式中，在kolmogorov-arnold网络诊断模型训练完成后，还包括特征重要性评估步骤：

24、计算输入层各节点对应的所有连接函数的l1范数平均值，将l1范数平均值定义为对应热力参数的特征重要性权重；

25、根据特征重要性权重对各热力参数进行排序，识别导致特定故障的关键敏感参数，并以可视化方式输出特征重要性排序结果。

26、根据本技术实施例的第二个方面，提供了一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断系统，包括：

27、数据采集与处理模块，用于采集船舶柴油机运行过程中的的热力参数数据，对热力参数数据进行预处理，得到标准化故障特征样本集；

28、模型构建模块，用于构建kolmogorov-arnold网络诊断模型，kolmogorov-arnold网络诊断模型包括输入层、至少一个隐藏层和输出层，相邻层之间的连接边上设置有可学习的非线性激活函数，非线性激活函数采用b样条曲线进行参数化；输入层的节点用于接收标准化故障特征样本集中的特征向量，隐藏层的节点用于对上一层各连接边输出的函数值进行求和聚合，输出层的输出为故障分类结果；

29、训练模块，用于构建总损失函数对kolmogorov-arnold网络诊断模型进行训练，总损失函数包括分类损失项和稀疏化正则项；稀疏化正则项用于对连接边上的非线性激活函数施加范数惩罚，以将贡献度低于预设阈值的连接边的激活函数幅值压缩至零，实现网络结构的自动剪枝；

30、故障诊断模块，用于将待诊断的船舶柴油机热力参数数据经预处理后输入训练好的kolmogorov-arnold网络诊断模型，获得故障诊断结果。

31、根据本技术实施例的第三个方面，提供了一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断装置，包括：存储单元，用于存储可执行指令；以及处理单元，用于与存储器连接以执行可执行指令从而完成基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法。

32、根据本技术实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法。

33、采用本技术的一种基于改进kolmogorov-arnold网络的船舶柴油机故障诊断方法及系统，方法包括采集船舶柴油机运行过程中的的热力参数数据，对热力参数数据进行预处理，得到标准化故障特征样本集；

34、构建kolmogorov-arnold网络诊断模型，kolmogorov-arnold网络诊断模型包括输入层、至少一个隐藏层和输出层，相邻层之间的连接边上设置有可学习的非线性激活函数，非线性激活函数采用b样条曲线进行参数化；输入层的节点用于接收标准化故障特征样本集中的特征向量，隐藏层的节点用于对上一层各连接边输出的函数值进行求和聚合，输出层的输出为故障分类结果；构建总损失函数对kolmogorov-arnold网络诊断模型进行训练，总损失函数包括分类损失项和稀疏化正则项；稀疏化正则项用于对连接边上的非线性激活函数施加范数惩罚，以将贡献度低于预设阈值的连接边的激活函数幅值压缩至零，实现网络结构的自动剪枝；将待诊断的船舶柴油机热力参数数据经预处理后输入训练好的kolmogorov-arnold网络诊断模型，获得故障诊断结果。

35、本技术首次将kan架构引入船舶柴油机故障诊断领域，颠覆传统mlp“固定节点激活函数”的范式，将可学习的b样条非线性激活函数置于网络连接边上，使模型能够自适应拟合热力参数与故障类型间高度扭曲的非线性流形；同时创新性地引入l1稀疏化正则项，迫使网络在训练中自动剪枝冗余连接，仅保留关键故障传播路径，从而在实现高诊断精度以及大大压缩了参数量。

36、此外，通过b样条局部支撑特性赋予模型优异的抗噪鲁棒性，并利用边函数的显式表达实现特征重要性量化输出，从根本上解决了传统神经网络“黑盒”不可解释的工程痛点，为船舶柴油机智能故障诊断提供了一种兼具高精度、轻量化、强鲁棒和可解释性的全新解决方案。

37、与现有技术相比，本发明具有以下有益效果：

38、（1）更高的诊断精度。

39、本发明采用kan网络架构，利用b样条可变形激活函数的强大非线性拟合能力，能够精准拟合柴油机热力参数与故障类型之间高度扭曲的非线性流形。实验表明，在包含7种工况的测试集上，本发明改进kan模型的诊断准确率达到98.9%，显著优于传统svm（92.4%）和mlp（95.1%）算法，也优于标准kan（97.8%）。

40、（2）更少的模型参数。

41、本发明通过l1稀疏化正则实现网络自动剪枝，仅保留关键故障传播路径。实验表明，改进kan的参数量仅约1.2k，比mlp减少约50%，比标准kan减少约30%。轻量化的模型便于后续在船舶机舱监测报警系统（ams）等嵌入式终端上部署。

42、（3）优异的抗噪鲁棒性

43、本发明采用b样条基函数对激活函数进行参数化，b样条具有局部支撑（localsupport）特性，即输入数据的局部噪声只会影响样条曲线的局部形状，不会像mlp那样通过全连接网络逐层放大噪声。实验表明，在信噪比低至20db的强噪声环境下，本发明改进kan模型仍能保持91%以上的诊断准确率，而mlp仅约82%。

44、（4）白盒可解释性。

45、本发明利用kan网络的显式边函数特性，通过计算输入层连接函数的l1范数平均值，实现了特征重要性的量化评估。特征权重分析准确反映了最高爆发压力和排气温度等在故障诊断中的核心地位，与柴油机燃烧学物理机理高度吻合。这种可解释性诊断能力是现有cnn、mlp、svm等"黑盒"模型所不具备的。

46、（5）小样本条件下泛化能力强。

47、本发明通过l1稀疏化正则约束模型复杂度，有效避免了传统深度学习模型在小样本条件下容易过拟合的问题。在训练样本有限的船舶柴油机故障诊断实际场景下，本发明方法具有显著的应用优势。

48、（6）快速收敛。

49、本发明kan网络的可变形b样条激活函数能够极快地捕捉柴油机热力参数与故障模式之间的非线性映射关系。实验表明，在前15个训练轮次内，模型损失值呈指数级下降，准确率迅速攀升至90%以上，训练效率远高于传统mlp网络。