基于LSTM-Iforest算法的船舶柴油机故障监测方法

本发明涉及船舶动力系统故障诊断领域，尤其涉及基于lstm-iforest算法的船舶柴油机故障监测方法。

背景技术：

1、船舶作为全球贸易的主要载体，其动力核心——船用发动机的运行可靠性、安全性与经济性直接关系到船舶的航行安全、运营效率与环境保护；随着国际海事组织（imo）日益严格的排放法规和船舶智能化、无人化的发展趋势，对船机设备的健康管理提出了前所未有的高标准要求；船用发动机作为船舶的“心脏”，其结构复杂、工况恶劣，长期承受高温、高压、高振动负荷，是船舶故障的高发部位；其故障往往具有渐进性、隐蔽性和关联性的特点，一旦发生重大故障，不仅会导致巨大的直接经济损失（如维修费用、停航损失），更可能引发严重的海上安全事故与环境污染事件；因此，实现对船用发动机的早期故障预警与精准诊断，具有重大的现实紧迫性。

2、目前对船舶柴油机进行故障监测的方法主要有以下几种：

3、人工经验检测法，主要依靠工作人员日常机舱巡检；该方法主观性极强，完全依托运维人员从业经验与操作水平，判断标准不统一；无法实现全天候连续监测，容易出现故障漏检、误判问题，难以满足现代船舶柴油机安全稳定运行的预警需求；

4、振动信号监测法，通过实时采集机械运行振动信号，结合时域、频域分析手段提取故障特征参数，以此诊断轴承磨损、气门故障、连杆松动、缸体异常冲击等典型问题；但船舶机舱内设备密集，各种干扰严重，极易掩盖微弱故障特征信号，导致监测信噪比偏低；柴油机属于变工况运行设备，转速、负荷频繁变化会造成振动频谱偏移，固定诊断阈值适用性差；同时不同故障往往会产生相似振动特征，故障定位与溯源难度大，轻微早期故障特征易被背景信号覆盖，诊断精准度受限；

5、油液理化监测法，以柴油机润滑油、燃油为检测载体，通过定期抽取油液样本，分析油液粘度、水分、酸度变化以及金属磨粒成分、形态、含量，以此判定活塞、缸套、轴承等摩擦副部件的磨损程度与润滑系统老化状态；该方法以离线周期性采样为主，无法实时预警突发故障；监测范围存在局限性，仅能有效诊断摩擦磨损类问题，对非磨损类故障无法精准识别；船舶恶劣工况易造成油液污染、燃油稀释、添加剂失效，进一步干扰检测结果，增加误判概率；

6、运行性能参数监测法，依托船舶自动化控制系统，实时采集发动机热工与运行参数，通过设置安全阈值，对参数异常波动进行报警提示；但柴油机各类运行参数相互耦合关联，单一参数异常无法直接判定故障类型，多故障并发时极易出现信号混淆；设备长期在极端环境工作，温度、压力类传感器易发生零点漂移、性能老化，造成监测数据失真；多数早期故障仅会引发参数微弱变化，难以突破报警阈值，无法实现早期预警，长期运行下误报警、无效报警问题突出。

技术实现思路

1、本发明提供一种基于lstm-iforest算法的船舶柴油机故障监测方法，以克服现有技术连续监测性能差、因诊断精准度受限导致增加误判概率、单一数据异常无法判定故障类型、因早期故障的参数微弱变化导致无法进行早期预警的问题。

2、为了实现上述目的，本发明的技术方案是：

3、一种基于lstm-iforest算法的船舶柴油机故障监测方法，包括：

4、s1、构建船用双燃料增压发动机仿真模型并进行校准；设置多个负荷工况，并采集校准后船用双燃料增压发动机仿真模型在各负荷工况下的正常运行数据和故障运行数据；

5、s2、根据正常运行数据和故障运行数据，通过预处理操作，得到正常运行的三维时序样本数据集和故障运行的三维时序样本数据集；

6、s3、构建基于lstm-iforest算法的故障监测模型；将正常运行的三维时序样本数据集作为训练集，将故障运行的三维时序样本数据集作为测试集；以对基于lstm-iforest算法的故障监测模型进行训练，得到训练好的基于lstm-iforest算法的故障监测模型；

7、s4、获取待检测的船用双燃料增压发动机运行数据并进行预处理，得到待检测的三维时序样本数据集；将待检测的三维时序样本数据集输入到训练好的基于lstm-iforest算法的故障监测模型，得到故障标签，并根据故障标签发出故障预警。

8、进一步的，所述基于lstm-iforest算法的故障监测模型包括lstm时序自编码器、动态自适应阈值模块、特征增强型孤立森林网络和联合判断模块；

9、所述lstm时序自编码器，用于根据三维时序样本数据集，得到重构误差序列；

10、所述动态自适应阈值模块，用于根据重构误差序列，得到自适应阈值；

11、所述特征增强型孤立森林网络，用于根据三维时序样本数据集、重构误差序列和自适应阈值，通过时序窗口，得到8类增强统计特征；根据8类增强统计特征，通过孤立森林算法，得到异常判别标签；

12、所述联合判断模块，用于根据重构误差序列、自适应阈值和异常判别标签，得到故障标签。

13、进一步的，所述lstm时序自编码器包括编码器、中间层和解码器；

14、所述编码器，用于根据三维时序样本数据集，依次通过第一lstm层和第二lstm层，得到时序深层特征；根据时序深层特征，通过16神经元全连接层，得到一维隐状态向量；

15、所述中间层，用于根据一维隐状态向量，通过重复向量层，得到时序维度向量；

16、所述解码器，用于根据时序维度向量，依次通过第三lstm层和第四lstm层，得到重构时序特征；根据重构时序特征，通过时间分布全连接层，得到重构误差序列。

17、进一步的，所述动态自适应阈值模块包括z-score算法子模块、ewma指数加权均值算法子模块、iqr四分位数算法子模块和阈值选择策略子模块；

18、所述z-score算法子模块，用于根据重构误差序列，采用z-score算法，得到第一阈值；

19、所述ewma指数加权均值算法子模块，用于根据重构误差序列，采用ewma指数加权均值算法，得到第二阈值；

20、所述iqr四分位数算法子模块，用于根据重构误差序列，采用iqr四分位数算法，得到第三阈值；

21、所述阈值选择策略子模块，根据第一阈值、第二阈值和第三阈值，获取三个阈值中的最小值并施加上下限约束，得到自适应阈值。

22、进一步的，所述8类增强统计特征包括三维时序样本数据集中热力学参数的均值、三维时序样本数据集中热力学参数的标准差、三维时序样本数据集中热力学参数的最大值、三维时序样本数据集中热力学参数的最小值、三维时序样本数据集中热力学参数的偏度、三维时序样本数据集中热力学参数的峰度、重构误差以及重构误差与自适应阈值的比值。

23、进一步的，所述故障运行数据包括单缸供油量减少故障、增压器效率降低故障、喷油提前角滞后故障、空冷器效率降低故障和排气阀间隙扩大故障。

24、有益效果：本发明一种基于lstm-iforest算法的船舶柴油机故障监测方法，通过基于lstm-iforest算法构建的故障监测模型，仅利用正常运行数据进行无监督训练，无需大量带标注的故障样本，有效克服了实际工程中故障类型多样、标签稀缺的难题，降低了模型部署门槛，具有良好的泛化性和可推广性；

25、通过lstm网络能够有效捕捉时序数据中的长期依赖关系，提取高层次的时序特征；通过iforest算法在高维空间中具有优异的异常敏感度；二者结合，既能抑制正常工况波动带来的虚警，又能快速定位异常模式，显著提升了故障监测的准确率和实时性。