一种船用发动机健康管理系统及其方法与流程

本发明涉及船舶动力系统状态监测与故障诊断，具体涉及一种船用发动机健康管理系统及其方法。

背景技术：

1、船用发动机作为船舶动力系统的核心部件，其运行状态直接关系到船舶的航行安全、运营效率和维护成本。随着船舶工业向大型化、智能化和绿色化方向快速发展，船用发动机的结构日益复杂，工作环境愈发严苛，对其运行可靠性、经济性和环保性提出了更高要求。因此，实现对船用发动机运行状态的实时监测、准确诊断与科学预测，对于保障船舶航行安全、降低运维成本、延长装备使用寿命具有重要的工程价值和现实意义。

2、然而，当前船用发动机故障诊断与健康管理仍面临诸多技术难题。

3、首先，传统故障诊断方法主要基于阈值判断和专家经验，难以处理发动机复杂工况下的多参数耦合和非线性关系。其次，现有的诊断系统对早期故障识别能力不足，往往在故障明显化后才能检测，从而错失最佳维护时机。在故障萌芽阶段，振动、温度、压力等监测信号中蕴含的微弱异常信息往往淹没在强背景噪声和正常工况波动之中，难以实现早期预警。再次，发动机健康状态评估缺乏量化指标，维护决策主要依靠固定周期或经验判断，导致过度维护或维护不足。最后，现有系统难以自适应发动机性能退化过程，无法准确预测剩余使用寿命。

4、综上所述，现有船用发动机故障诊断与健康管理技术仍存在诸多不足，难以满足现代船舶动力系统对运行可靠性、经济性和安全性的综合要求。

技术实现思路

1、本发明提供了一种船用发动机健康管理系统及其方法，以解决现有技术无法及时且准确地维护发动机，导致发动机运行可靠性低、维护成本高的问题。

2、第一方面，本发明提供了一种船用发动机健康管理系统，其包括数据支撑层、数据采集与处理层、特征提取与分析层和决策输出层。所述数据支撑层包括故障模式库、健康基线库和历史数据库，所述故障模式库用于存储典型故障类型及其对应的故障诊断阈值；所述健康基线库与所述数据采集与处理层信号连接，用于存储各运行参数的健康参考值；所述历史数据库用于存储不同健康评分和不同剩余使用寿命下的维护参考建议、发动机的历史维护案例及所述历史维护案例对应的历史运行参数数据。所述数据采集与处理层与所述数据支撑层信号连接，用于采集发动机当前运行参数数据，对所述当前运行参数数据进行标准化处理和异常值剔除处理，并根据发动机使用时间，基于所述当前运行参数数据计算并动态更新所述数据支撑层中的所述健康参考值和所述故障诊断阈值。所述特征提取与分析层包括多尺度特征提取模块、植物根茎优化诊断模块和健康状态评估模块，所述多尺度特征提取模块与所述数据采集与处理层信号连接，用于基于处理后的所述当前运行参数数据构建多维特征向量；所述植物根茎优化诊断模块与所述多尺度特征提取模块和所述故障模式库分别信号连接，用于根据所述多维特征向量，结合所述典型故障类型及其对应的故障诊断阈值，采用植物根茎优化算法计算并输出所述各典型故障类型的概率；所述健康状态评估模块与所述多尺度特征提取模块和所述植物根茎优化诊断模块分别信号连接，用于根据所述多维特征向量相对于所述各运行参数的健康参考值的平均偏离度计算健康评分及剩余使用寿命。所述决策输出层与所述历史数据库、所述植物根茎优化诊断模块和所述健康状态评估模块分别信号连接，用于根据所述各典型故障类型的概率确定最高概率故障类型，再根据所述最高概率故障类型、所述健康评分、所述剩余使用寿命和处理后的所述当前运行参数数据，结合所述维护参考建议、所述历史维护案例及其对应的历史运行参数数据，输出最终维护建议。

3、本发明提供的船用发动机健康管理系统，数据支撑层为后续的诊断、评估和决策提供参考；数据采集与处理层实时采集发动机当前运行参数并进行标准化处理和异常值剔除，以消除量纲影响和噪声干扰，为后续分析提供高质量的数据基础，同时动态更新各运行参数的健康参考值和典型故障类型对应的故障诊断阈值，使健康基准能够跟随发动机性能变化自适应调整；特征提取与分析层中，多尺度特征提取模块从多个维度提取发动机运行特征并构建多维特征向量，以全面表征发动机的运行状态；植物根茎优化诊断模块模拟植物根系主根深度探索、侧根局部扩展和纤维根广泛搜索三种协同生长机理，通过迭代寻优将最优个体位置参数与故障模式库中的故障诊断阈值进行比对，输出各典型故障类型的概率，可解决多参数耦合条件下故障特征难以准确识别的问题，实现精准诊断；健康状态评估模块以健康基线库中存储的健康参考值为基准，计算多维特征向量的平均偏离度并据此生成量化健康评分和剩余使用寿命，可实现对发动机健康状态的量化评估和未来趋势预测；决策输出层综合故障概率分布、健康评分和剩余使用寿命，并结合历史数据库中存储的维护参考建议、历史维护案例及其对应的历史运行参数数据，输出最终维护建议，以将诊断与评估结果转化为可执行的维护方案，形成从数据采集、故障诊断、健康评估到维护决策的全流程智能化管理。

4、本发明提供的船用发动机健康管理系统，通过数据采集与处理层与数据支撑层的配合，使健康参考值和故障诊断阈值能够随发动机运行状态动态更新，并通过故障模式库、健康基线库和历史数据库的分类存储与关联调用，为各分析模块提供准确的数据支撑，确保诊断、评估和决策各环节的数据来源的可靠性；通过植物根茎优化算法模拟植物根系三种协同生长机理进行迭代寻优，可以实现发动机多参数耦合故障的精准诊断与早期预警，有效克服传统阈值判断方法诊断不准、发现滞后的局限性；通过多尺度特征提取从多个维度精细化提取发动机运行特征，可以捕捉故障萌芽阶段淹没在背景噪声中的微弱异常信息，进一步提升诊断的灵敏度和可靠性；健康状态评估模块基于健康参考值计算量化健康评分并剩余使用寿命，可以为维护决策提供数据支撑，解决传统定期维护模式中过度维护与维护不足的问题；系统各层之间协同工作，可以形成从数据采集到维护决策的全流程智能化管理闭环，及时为运维人员提供准确的维护建议，使运维人员能够有针对性地、及时地维护发动机，避免过度维护与维护不足，从而有效降低维护成本、减少突发故障的发生，同时缩短故障响应与维修时间，显著提高维护效率和发动机运行的可靠性。

5、在一种可选的实施方式中，所述植物根茎优化诊断模块包括主根生长单元、侧根生长单元、纤维根生长单元、养分吸收单元、根系竞争单元和诊断输出单元。所述主根生长单元与所述根系竞争单元信号连接，用于获取所述根系竞争单元输出的当前种群数据和最优解，然后以当前种群中每个个体位置为起点，沿该个体位置指向所述最优解的个体位置的方向进行定向探索，移动步长距离随迭代次数增加按指数规律减小，在所述最优解的预设邻域范围内生成新候选解，构成第一候选解集合，并输出至所述养分吸收单元。所述侧根生长单元与所述根系竞争单元信号连接，用于获取所述根系竞争单元输出的当前种群数据，以当前种群中每个个体位置为中心，在预设固定邻域半径范围内采用随机方向归一化策略进行局部邻域探索，生成当前个体周边的新候选解，构成第二候选解集合，并输出至所述养分吸收单元。所述纤维根生长单元与所述根系竞争单元信号连接，用于获取所述根系竞争单元输出的当前种群数据，在由搜索边界所界定的求解空间内进行随机探索；其中，在迭代次数小于预设阈值时搜索范围覆盖整个所述求解空间，在迭代次数大于等于预设阈值时依据迭代次数自适应收缩所述搜索边界，生成在整个所述求解空间内探索的新候选解，构成第三候选解集合，并输出至所述养分吸收单元。所述养分吸收单元与所述多尺度特征提取模块、所述主根生长单元、所述侧根生长单元和所述纤维根生长单元分别信号连接，用于接收所述多维特征向量、所述第一候选解集合、所述第二候选解集合和所述第三候选解集合，计算各候选解所对应的故障特征参数与所述多维特征向量之间的距离，根据所述距离确定各候选解与所述多维特征向量的匹配程度，采用适应度值量化所述匹配程度，其中距离越小、匹配程度越高、适应度值越高，然后筛选出适应度值较高的优质候选解，同时按照预设比例保留部分适应度值最低的最差候选解，将筛选得到的优质候选解与保留的最差候选解融合整合，共同构成更新后的候选解集合，将所述更新后的候选解集合以及当前迭代适应度值最高的全局最优解输出至所述根系竞争单元。所述根系竞争单元与所述养分吸收单元、所述主根生长单元、所述侧根生长单元和所述纤维根生长单元分别信号连接，用于在首次迭代时在求解空间内随机生成初始种群作为所述当前种群数据并筛选出最优解，将所述最优解和所述当前种群数据分别输出至所述主根生长单元、所述侧根生长单元和所述纤维根生长单元；在后续迭代中接收所述养分吸收单元输出的所述更新后的候选解集合和所述最优解，并基于所述更新后的候选解集合更新得到新一代种群数据，在达到预设竞争周期时按照设定比例剔除适应度值最差的部分个体，并随机生成新个体补充入当前种群；在未达到竞争周期时直接将更新后的种群作为当前种群数据并分别反馈至所述主根生长单元、所述侧根生长单元和所述纤维根生长单元，以进行下一轮迭代，当迭代次数达到预设最大迭代次数时，向所述诊断输出单元输出最终代种群数据。所述诊断输出单元与所述根系竞争单元和所述决策输出层分别信号连接，用于在迭代终止后接收所述根系竞争单元输出的最终代种群数据，提取最终代种群中适应度值最高的最优候选解对应的故障特征参数，构建最优故障特征向量；将所述最优故障特征向量与故障模式库中存储的各典型故障类型的故障诊断阈值进行逐一比对匹配，计算得到各典型故障类型对应的匹配概率，并将各典型故障类型的对应概率结果输出至所述决策输出层。

6、通过主根生长单元的全域深度探索、侧根生长单元的局部精细搜索和纤维根生长单元的广域随机探索三者协同配合，使算法能够在全局搜索与局部搜索之间取得平衡，有效避免传统优化算法易陷入局部最优或收敛速度慢的问题；养分吸收单元通过按照设定比例保留最差解维持算法种群多样性，根系竞争单元通过剔除表现最差的个体并补充新个体使种群质量持续提升，二者共同保证了算法能够稳定收敛至全局最优；诊断输出单元在迭代终止时将最优个体的位置参数作为故障特征向量输出各典型故障类型的概率分布，可为运维人员提供量化、直观的诊断依据。

7、在一种可选的实施方式中，所述健康状态评估模块包括性能退化计算单元和寿命预测单元，所述性能退化单元与所述数据采集与处理层和所述植物根茎优化诊断模块分别信号连接，用于计算处理后的所述当前运行参数相对于所述各运行参数的健康参考值的平均偏离度，并根据所述平均偏离度估计性能退化速率；所述寿命预测单元与所述性能退化计算单元和所述决策输出层分别信号连接，用于根据所述性能退化速率计算所述健康评分和所述剩余使用寿命，再输出所述健康评分和所述剩余使用寿命至所述决策输出层。

8、在一种可选的实施方式中，该船用发动机健康管理系统还包括人机交互显示模块，所述人机交互显示模块与所述数据采集与处理层、所述数据支撑层、所述特征提取与分析层和所述决策输出层分别信号连接，用于显示采集的所述当前运行参数、所述健康评分、所述剩余使用寿命和所述维护建议，并将外部输入的指令传递至所述数据支撑层和所述特征提取与分析层。

9、运维人员能够通过人机交互显示模块直观查看发动机运行参数、健康评分趋势和维护建议，同时提供手动干预通道，运维人员可以通过向人机交互显示模块输入控制指令对数据支撑层和特征提取与分析层的参数进行调试和调整。

10、第二方面，本发明还提供了一种船用发动机健康管理方法，用于前述的船用发动机健康管理系统，其包括以下步骤：

11、s1：预设各运行参数的健康参考值、各典型故障类型对应的故障诊断阈值、发动机不同健康评分区间及不同剩余使用寿命区间对应的分级维护参考建议、发动机历史维护案例以及各历史维护案例对应的历史运行参数数据；

12、s2：实时采集发动机的当前运行参数数据，对所述当前运行参数进行标准化和异常值剔除处理；

13、s3：对处理后的所述当前运行参数进行多维度特征提取，融合各维度特征参数构建多维特征向量；

14、s4：确定算法搜索边界，采用融合主根精细化搜索、侧根局部邻域探索、纤维根自适应全局搜索的植物根茎协同优化算法进行迭代寻优，迭代过程中通过种群竞争淘汰机制及优劣个体保留策略维持种群多样性，迭代终止后筛选出与所述多维特征向量匹配度最高的最优个体，将该最优个体对应的参数集合构建为故障特征向量；将所述故障特征向量与预设典型故障类型的故障诊断阈值逐一比对匹配，量化计算得到各典型故障类型的概率；

15、s5：将预处理后的当前运行参数数据与对应的健康参考阈值进行差值计算，统计所有运行参数的相对偏差并求解平均偏离度；基于所述平均偏离度量化判定发动机实时健康状态，输出对应的健康评分，并结合所述相对偏差的变化趋势计算发动机实时性能退化速率；依据所述健康评分及所述性能退化速率，通过预设寿命拟合模型估算发动机当前剩余使用寿命；

16、s6：根据所述各典型故障类型的概率确定最高概率故障类型，再根据所述最高概率故障类型、所述健康评分、所述剩余使用寿命和所述处理后的当前运行参数数据，与所述维护参考建议、所述历史维护案例及其对应的所述历史运行参数数据进行匹配，输出对应的维护建议。

17、本发明提供的船用发动机健康管理方法，步骤s1通过预设健康参考值、故障诊断阈值、分级维护参考建议及历史维护案例，为后续诊断、评估和决策提供完整的数据支撑基础。其中，所述历史维护案例为发动机在过往运行过程中实际发生的维护记录，包含每次维护时的发动机运行参数数据、维护原因、维护操作内容及维护后的运行状态恢复情况，当当前运行参数与某一历史维护案例对应的历史运行参数数据相匹配时，系统可调用该案例对应的维护操作作为参考依据，使输出的维护建议更加贴合实际工况和过往经验。步骤s2对实时采集的运行参数进行标准化和异常值剔除，为后续分析提供高质量的数据基础；步骤s3对预处理后的当前运行参数进行多维度特征提取，融合各维度特征参数构建多维特征向量，以全面表征发动机的运行状态；步骤s4确定算法搜索边界，采用融合主根精细化搜索、侧根局部邻域探索、纤维根自适应全局搜索的植物根茎协同优化算法进行迭代寻优，通过种群竞争淘汰机制及优劣个体保留策略维持种群多样性，迭代终止后筛选出与多维特征向量匹配度最高的最优个体并构建故障特征向量，再与故障诊断阈值逐一比对匹配，量化计算得到各典型故障类型概率，可有效克服传统阈值判断方法难以处理多参数耦合和非线性关系的缺陷，实现多参数耦合条件下故障特征的精准识别与早期预警；步骤s5将预处理后的当前运行参数与对应的健康参考值进行差值计算，统计所有运行参数的相对偏差并求解平均偏离度，据此量化判定发动机实时健康状态并输出健康评分，同时结合相对偏差的变化趋势计算发动机实时性能退化速率，再依据健康评分及性能退化速率通过预设寿命拟合模型估算剩余使用寿命，为维护决策提供数据支撑；步骤s6根据故障概率分布确定最高概率故障类型，再根据最高概率故障类型、健康评分、剩余使用寿命及当前运行参数，与分级维护参考建议、历史维护案例及对应的历史运行参数数据进行综合匹配，输出对应的维护建议。本发明的方法可形成从数据采集、特征提取、故障诊断、健康评估到维护决策的完整智能化管理闭环，显著提高发动机运行可靠性和维护效率，并降低维护成本。

18、在一种可选的实施方式中，在所述步骤s2中，所述当前运行参数数据包括负载百分比、增压压力、输出功率、发动机转速、nox排放浓度、燃油消耗率、涡轮进口温度和压气机出口压力。

19、上述八种运行参数涵盖了发动机燃烧过程、进排气过程、燃油供给过程和涡轮增压过程的关键状态信息，可为后续的多尺度特征提取、故障诊断和健康评估提供全面的数据基础。负载百分比和输出功率反映了发动机的工况条件，增压压力和压气机出口压力表征了进气系统的状态，nox排放浓度和燃油消耗率体现了燃烧效率与排放性能，涡轮进口温度和发动机转速反映了涡轮增压器和曲柄连杆机构的运行状态，上述参数相互补充，使系统能够从多个维度全面感知发动机的运行状态，从而支撑后续步骤实现精准诊断和可靠评估。

20、在一种可选的实施方式中，在所述步骤s3中，所述多维度包括时域、频域和趋势维度；时域特征包括均值、标准差、偏度和峰度；频域特征通过快速傅里叶变换提取，包括频域均值和频域标准差；趋势特征包括线性回归趋势和参数实时变化率。

21、通过从时域、频域和趋势三个维度提取发动机运行特征，可以更加系统、完整地表征发动机的运行状态。时域特征中的均值反映信号的中心趋势，标准差表征信号的离散程度，偏度揭示信号分布的不对称性，峰度反映信号分布的尖峭程度，四个统计量相互补充，可以捕捉时域信号中蕴含的多种异常信息；频域特征通过快速傅里叶变换提取频域均值和频域标准差，可以将时域信号转换到频域进行分析，揭示振动、压力等信号中周期性分量和频谱结构的变化；趋势特征中的线性回归趋势反映参数的长期变化方向，实时变化率则捕捉参数的短期波动。三种维度的特征相互补充，使后续步骤能够获得更加全面的诊断依据，提升对早期微弱故障的识别能力。

22、在一种可选的实施方式中，所述步骤s4具体包括以下子步骤：

23、s41：确定搜索边界，在搜索边界所界定的求解空间内随机生成初始种群，将所述初始种群作为首次迭代的当前种群数据，并根据当前种群的适应度筛选得到初始最优解；

24、s42：以当前种群中每个个体位置为起点，沿该个体位置指向所述最优解的个体位置的方向进行定向探索，移动步长随迭代次数增加按指数规律减小，在所述最优解的预设邻域范围内生成新候选解，构成第一候选解集合；

25、s43：以当前种群中每个个体位置为起点，在预设固定邻域半径范围内采用随机方向归一化策略进行局部邻域探索，生成当前个体周边的新候选解，构成第二候选解集合；

26、s44：判断当前迭代次数是否小于预设迭代阈值，若是，则在所述求解空间内进行全域随机搜索，生成由在整个所述求解空间内随机探索产生的新候选解组成的第三候选解集合；若否，则依据当前迭代次数与预设最大迭代次数的比值确定收缩系数，将搜索边界向内收缩，在收缩后的求解空间内进行随机搜索，生成第三候选解集合；

27、s45：将所述第一候选解集合、所述第二候选解集合和所述第三候选解集合合并得到总候选解集合，逐一计算各候选解对应的故障特征参数与所述多维特征向量的匹配度并量化得到适应度值；为保证种群多样性，从所述总候选解集合中筛选部分适应度最高的优质候选解，并按照预设比例保留部分适应度最低的最差候选解，融合得到更新后的候选解集合，同时更新当前全局最优解；

28、s46：判断当前迭代是否达到预设竞争周期，若达到，则在更新后的候选解集合中按照设定淘汰比例剔除适应度值最低的个体，并随机生成新个体进行种群补充，得到新一代种群，并进入下一步骤；若未达到竞争周期，则直接将更新后的候选解集合作为新一代种群；将新一代种群更新为当前种群数据，并返回步骤s42进入下一轮迭代；

29、s47：提取最终代种群中适应度值最高的最优候选解，将其对应的故障特征参数构建为故障特征向量；将所述故障特征向量与预设典型故障类型的故障诊断阈值逐一比对匹配，量化计算并输出各典型故障类型对应的故障概率。

30、步骤s41在故障特征参数空间内随机生成初始种群，可以保证搜索起始位置的多样性，避免算法初始偏向某一区域；s42至s44分别模拟植物根系主根深度探索、侧根局部扩展和纤维根广泛搜索三种协同生长机理，主根生长以指数衰减步长向全局最优方向大步逼近，可以快速定位最优解区域，侧根生长在当前位置周围进行精细局部探索，可以提升解的精度，纤维根生长在迭代前期进行大范围随机搜索以保持解的多样性、后期自适应收缩边界以加速收敛，三种搜索策略相互配合，使算法能够在全局探索与局部开发之间取得平衡；s45按照设定比例保留最差解，可以维持种群多样性，防止算法过早陷入局部最优；s46剔除表现最差的个体并补充新个体，模拟优胜劣汰的自然竞争机制，使种群整体质量随着迭代次数增加而持续提升；s47将最优个体的位置参数作为故障特征向量输出各典型故障类型概率分布，使诊断结果以量化形式呈现。通过上述仿生搜索与竞争机制的配合，算法在复杂故障特征空间中兼具广阔的探索能力和精细的局部搜索能力，可提升故障诊断的准确性和可靠性。

31、在一种可选的实施方式中，在所述步骤s42中，所述移动步长的计算公式为：

32、d=(ul)×exp(t/t)×0.1；

33、式中，d为探索步长，u和l分别为搜索空间的上限和下限，t为当前迭代次数，t为预设最大迭代次数。

34、通过指数衰减的步长计算公式，使主根生长单元在迭代前期以较大步长向全局最优方向快速逼近，在迭代后期步长逐渐减小进行精细搜索，可实现全局探索与局部开发的平滑过渡，避免固定步长在最优解附近反复震荡难以收敛的问题，提升算法的收敛速度和搜索精度。

35、在一种可选的实施方式中，在所述步骤s45中，按照8％~12％的比例保留适应度值最低的最差解。

36、按照8%~12%的比例保留最差解，在算法迭代过程中以一定概率保留部分劣质个体，以模拟自然界中劣势个体仍有一定生存概率的生物学现象，从而维持种群多样性，防止算法因过早淘汰劣质解而陷入局部最优。若保留比例低于8%，则保留的劣质个体过少，种群多样性维持效果不足，算法容易过早收敛于局部最优；若保留比例高于12%，则保留的劣质个体过多，会拖慢收敛速度。8%~12%的概率区间能够在维持种群多样性与保证收敛速度之间取得良好平衡，增强算法在复杂故障特征空间中寻找全局最优解的能力。

37、在一种可选的实施方式中，在所述步骤s46中，所述预设竞争周期为15~45代，单次剔除种群内18％~22％的适应度值最低的个体。

38、上述步骤可使种群在迭代过程中能够定期汰劣补新，既可保证种群整体质量的持续提升，又可避免频繁淘汰导致的种群震荡。淘汰周期过短会使种群频繁动荡、难以稳定收敛，淘汰周期过长则劣质个体积累过多会拖累搜索效率；淘汰比例过低则种群更新效果不明显，淘汰比例过高则可能误淘汰尚未充分评估的潜在优质个体。15~45代的间隔与18%~22%的淘汰比例，可以在维持种群稳定性的同时保证足够的种群活力，使算法在复杂故障特征空间中具备持续进化能力。

39、在一种可选的实施方式中，在所述步骤s1中，所述典型故障类型包括燃油喷射系统故障、涡轮增压器故障、燃烧系统故障和冷却系统故障。

40、燃油喷射系统故障、涡轮增压器故障、燃烧系统故障和冷却系统故障涵盖了船用发动机最核心的子系统及其对应的主要故障模式，能够为诊断模块提供明确、典型的故障判定依据，有利于提升故障诊断的针对性和实用性。

41、在一种可选的实施方式中，在所述步骤s5中，基于所述平均偏离度的数据，采用线性回归方法估计性能退化速率，并按照以下公式计算剩余使用寿命：

42、rul=(100hs)/dr；

43、式中，rul表示剩余使用寿命，hs表示健康评分，dr表示性能退化速率。

44、线性回归方法通过拟合历史性能退化数据点的最优直线来表征整体退化趋势，将复杂的退化过程简化为斜率和截距两个参数，使运维人员能够直观理解性能退化的方向和速度，计算结果明确且易于验证。

45、在一种可选的实施方式中，在所述步骤s5之前，预先确定各典型故障类型与各发动机运行参数之间的关联权重；在所述步骤s5中，根据各典型故障类型与各运行参数之间的预设关联权重，结合所述步骤s4输出的各典型故障类型的概率计算各运行参数的修正系数，利用所述修正系数对各运行参数的初始偏离度进行加权校正，得到修正后的参数偏离度即性能退化指标，并依据所述修正后的性能退化指标重新统计所述平均偏离度，再计算所述健康评分和所述剩余使用寿命；

46、所述修正系数的计算公式为：

47、λi=σj(pj×wji)；

48、修正后的性能退化指标为：

49、d′i=di×(1+λi)；

50、式中，λi表示第i个运行参数的修正系数，pj表示第j种故障类型对应的故障概率，wji表示第j种故障类型与第i个运行参数的预设关联权重，di表示第i个运行参数未修正时的初始偏离度，d′i表示第i个运行参数修正后的偏离度。

51、根据各典型故障类型与各运行参数之间的预设关联权重，结合故障概率分布对各运行参数的初始偏离度进行加权修正，使健康评分不再仅基于参数偏离基线的绝对幅度，而是融合了故障类型的判定结果。当某一故障类型的概率较高时，与该故障关联度高的运行参数的偏离度被相应放大，从而在健康评分中能够更突出地反映当前的故障风险；反之，与当前诊断结果关联度低的参数偏离度则相对被抑制，可减少无关参数波动对健康评分的影响。由此，健康评估结果与诊断结果相互印证、协同工作，可提升健康评分的准确性，进而使剩余寿命预估结果更加可靠。

52、在一种可选的实施方式中，在所述步骤s5中，所述性能退化指标包括燃油效率指标、排放性能指标和功率稳定性指标；其中，所述燃油效率指标对应燃油消耗率、涡轮进口温度参数的修正偏离度，所述排放性能指标对应nox排放浓度参数的修正偏离度，所述功率稳定性指标对应负载百分比、输出功率、发动机转速、增压压力、压气机出口压力参数的修正偏离度。

53、燃油效率指标反映了燃烧系统和燃油供给系统的健康状况，排放性能指标直接关联燃烧充分性及后处理系统的状态，功率稳定性指标则体现了发动机整体动力输出的平稳性。三个指标维度不同、相互补充，能够比较全面地覆盖发动机的主要性能退化表征，使健康评估更加符合实际运维需求。

54、在一种可选的实施方式中，在所述步骤s2与所述步骤s3之间，还包括自适应学习步骤：选取固定时长的滑动时间窗口，以窗口内采集的当前运行参数作为样本数据，采用指数加权移动平均方法对运行参数时序数据进行平滑跟踪，以实时表征发动机渐进式性能退化过程；预设参数偏离允许范围，当监测到连续多个采样时刻的各运行参数偏离度，持续超出对应的预设偏离允许范围时，判定满足基准修正触发条件；触发修正条件后，根据发动机使用时间，基于当前滑动时间窗口内的运行参数数据，将各运行参数对应的健康参考值更新为当前滑动时间窗口内对应运行参数的指数加权移动平均值，将故障模式库中典型故障类型对应的故障诊断阈值同步更新为当前滑动时间窗口内对应运行参数的均值±n倍标准差，其中n为预设固定常数，调整幅度由当前参数与对应预设偏离允许范围的差值大小确定。

55、通过采用固定时长滑动时间窗口作为健康参考值与故障诊断阈值的更新周期，并依据发动机使用时间，基于当前滑动时间窗口内的运行参数数据进行重新计算与动态更新，使健康参考值和故障诊断阈值能够跟随发动机因长期运行而产生的性能漂移进行自适应调整；通过引入工况有效性判定，仅在发动机处于无故障稳态工况时才执行基准更新，并在识别出故障状态时跳过更新，可以有效防止异常数据或故障数据污染基准模型，确保健康参考值和故障诊断阈值始终反映发动机的真实健康状态而非故障状态，从而可以提升健康评分和故障诊断的长期准确性。同时，由于健康参考值和故障诊断阈值能够随实际运行参数数据进行动态调整，可提升该方法在不同工况下的鲁棒性。

56、在一种可选的实施方式中，在所述步骤s6中，综合所述各典型故障类型的概率、所述健康评分及所述剩余寿命划分故障等级，并根据所述故障等级输出对应的推荐操作序列、预估停机时间及适配当前故障类型的备件需求清单。

57、划分故障等级使运维人员能够根据故障等级快速判断问题的严重程度和响应优先级，避免判断困难或决策延迟。推荐操作序列可为运维人员提供明确的执行步骤，减少现场临时决策的时间和不确定性；预估停机时间便于合理安排作业窗口，避免因准备不足导致停机延误；备件需求清单使运维人员能够在作业前预先准备所需部件，避免因缺少备件而中断维护进程。推荐操作序列、预估停机时间和备件需求清单使维护建议具备清晰的执行路径，有利于提升维护效率。

58、在一种可选的实施方式中，所述健康评分的范围为0分~100分，所述故障等级由高到低依次划分为紧急故障、高级故障、中级故障和低级故障，其中，以所述健康评分作为基础划分依据，所述健康评分的范围与所述故障等级的对应关系为：所述紧急故障对应的健康评分范围为小于60分，所述高级故障对应的健康评分范围为大于等于60分且小于70分，所述中级故障对应的健康评分为大于等于70分且小于80分，所述低级故障对应的健康评分大于等于80分；当所述故障类型的概率分布中某一故障类型的概率超过预设阈值或所述剩余寿命预估结果低于预设寿命阈值时，将所述故障等级上调一级。

59、以健康评分作为基础划分依据建立四级故障等级，再根据故障概率分布和剩余寿命预估结果对故障等级进行动态上调修正。当某一故障类型的概率超过预设阈值或剩余寿命低于预设寿命阈值时，即使当前健康评分尚可，但故障已迫近或寿命即将耗尽，此时将故障等级上调一级，能够及时提醒运维人员提高响应优先级，避免因单一依赖健康评分而低估实际故障风险，使故障等级的判定更加全面和可靠。

60、本发明的有益效果：通过多尺度特征提取从多个维度精细化捕获早期微弱故障信号，并结合植物根茎优化算法模拟植物根系三种协同生长机理进行迭代寻优，可以实现多参数耦合故障的精准诊断与早期预警，有效克服传统阈值判断方法诊断不准、发现滞后的局限性；通过建立健康基线模型，量化健康评分并计算剩余使用寿命，可以量化发动机性能退化程度，为维护决策提供科学的数据支撑，解决传统定期维护模式中过度维护与维护不足的矛盾；通过综合故障概率分布、健康评分和剩余寿命预估结果进行综合判断并输出维护建议，可以实现从故障诊断到维护决策的全流程智能化管理，为运维人员提供准确的维护建议，使运维人员能够有针对性地、及时地维护发动机，避免过度维护与维护不足，从而有效降低维护成本、减少突发故障的发生，同时缩短故障响应与维修时间，显著提高维护效率和发动机运行的可靠性。此外，通过以固定时长滑动时间窗口为周期、依据发动机使用时间对健康参考值和故障诊断阈值进行动态更新，可以使系统能够跟随发动机长期性能退化过程进行自适应调整，可提升系统在不同工况下的鲁棒性。