賈哲宇，溫華兵，朱軍超，趙震宇

(江蘇科技大學(xué) 能源與動(dòng)力學(xué)院，江蘇 鎮(zhèn)江 212003)

0 引 言

船舶的安全航行離不開柴油機(jī)等動(dòng)力系統(tǒng)機(jī)器的穩(wěn)定工作。而渦輪增壓器作為柴油機(jī)中長期在高熱、高速環(huán)境中運(yùn)行的機(jī)械系統(tǒng)，工作環(huán)境惡劣、持續(xù)動(dòng)力工作時(shí)間長，發(fā)生故障的可能性較大。一旦發(fā)生嚴(yán)重故障，會(huì)影響到整個(gè)柴油機(jī)動(dòng)力裝置的正常運(yùn)行，造成重大事故，導(dǎo)致浪費(fèi)大量人力財(cái)力，甚至危及人員安全。為了確保渦輪增壓器正常工作，對(duì)增壓器的故障診斷方法進(jìn)行研究很有必要。

神經(jīng)網(wǎng)絡(luò)在渦輪增壓器模塊的故障診斷近年來逐步受到關(guān)注。姚榮榮[1]提出了基于BP-GA 的故障診斷方法；魏偉達(dá)[2]提出了基于多變量灰色預(yù)測(cè)模型，引入神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化預(yù)測(cè)模型，基于RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷；Yi Wei[3]提出了基于單類支持向量機(jī)（OSVM）、親和傳播（AP）和高斯混合模型（GMM）的無監(jiān)督機(jī)器學(xué)習(xí)算法OAGFD 進(jìn)行故障診斷；孔祥鑫[4]提出了振動(dòng)分析法對(duì)增壓器蝸殼轉(zhuǎn)動(dòng)失效進(jìn)行診斷。實(shí)際應(yīng)用中，由于柴油機(jī)渦輪增壓器的樣本數(shù)據(jù)較大且類別較多，很多故障識(shí)別方法分類時(shí)存在各自的局限性。隨機(jī)森林（random forest, RF）秉承了Bagging 方法的思想，適合處理高維度大數(shù)據(jù)，方便進(jìn)行并行訓(xùn)練，能夠有效提高故障分類準(zhǔn)確率[5]。張鵬[6]研究了基于深度森林的無線傳感器網(wǎng)絡(luò)故障分類方法；尹際雄[7]研究了基于隨機(jī)森林的齒輪箱故障診斷方法；張利宏[8]研究了基于會(huì)議制隨機(jī)森林的電機(jī)滾動(dòng)軸承故障診斷方法。

隨機(jī)森林方法已經(jīng)應(yīng)用到多個(gè)領(lǐng)域且有較好的效果。因此，本文將隨機(jī)森林模型應(yīng)用到渦輪增壓器故障診斷，對(duì)柴油機(jī)渦輪增壓器的幾種常見故障進(jìn)行分析，并驗(yàn)證該方法應(yīng)用在渦輪增壓器故障診斷的有效性。

1 隨機(jī)森林

融合Breimans 的“Bootstrap aggregating”思想與Ho 的“random subspace”，由Leo Breiman 與Adele Cutler 創(chuàng)造出的隨機(jī)森林方法，是一種具有多個(gè)決策樹的集成學(xué)習(xí)方法。由于使用隨機(jī)的方式生成決策樹，也稱為隨機(jī)決策樹。隨機(jī)森林之中的決策樹與決策樹沒有相關(guān)性。

隨機(jī)森林的工作原理是生成一些各自獨(dú)立學(xué)習(xí)和預(yù)測(cè)的分類器，最后將這些結(jié)果結(jié)合起來進(jìn)行預(yù)測(cè)，這比單個(gè)分類器或模型預(yù)測(cè)的結(jié)果更好。隨機(jī)森林的基本元素是決策樹，每棵樹都作為一個(gè)分類模型，生成的最終結(jié)果就是各個(gè)樹分類結(jié)果的投票總數(shù)。

圖1 為隨機(jī)森林算法的基本流程。隨機(jī)森林的表現(xiàn)由隨機(jī)抽樣與特征選擇2 個(gè)階段起關(guān)鍵作用。確保每棵樹彼此獨(dú)立，隨機(jī)森林不會(huì)簡(jiǎn)單進(jìn)入局部過度嚴(yán)格，并且能穩(wěn)定噪聲干擾。

圖1 隨機(jī)森林算法基本流程Fig.1 Basic flow of random forest algorithm

隨機(jī)森林可以分析復(fù)雜交互的經(jīng)典特征，具有非常強(qiáng)大的能力，可以穩(wěn)定噪聲數(shù)據(jù)，并具有更快的學(xué)習(xí)速度。該變量可用作為高階原始數(shù)據(jù)選項(xiàng)的工具。近年來，被廣泛應(yīng)用于不同的分類、預(yù)測(cè)等問題中。

取CART 方法并使用Gini系數(shù)最小的原則對(duì)各節(jié)點(diǎn)分散，故障分類流程為：

步驟1假設(shè)隨機(jī)森林是由一系列的C1(x)，C2(x)，…，Ck(x)的決策樹所構(gòu)成的，則該隨機(jī)森林的邊緣函數(shù)可以表示為

其中：I(·)為示性函數(shù)，X為輸入特征向量，Y為分類正確向量；j為分類錯(cuò)誤向量；avk(·)為對(duì)其取平均值，avk(I(Ck(X)=Y))是模型正確分類數(shù)，(I(Ck(X)=j))是模型錯(cuò)誤分類最大值。

步驟2邊緣函數(shù)表明正確的分類結(jié)果優(yōu)于錯(cuò)誤的最大分類結(jié)果。分類的結(jié)果隨邊緣函數(shù)的增大而更優(yōu)。

利用bagging 方法從原始樣本集里隨機(jī)選擇N個(gè)步驟，并選擇數(shù)據(jù)作為訓(xùn)練樣本集。

然后，建立樣本訓(xùn)練的決策樹，在節(jié)點(diǎn)中隨機(jī)選取d參數(shù)，并利用基尼系數(shù)選擇最優(yōu)樹決策點(diǎn)參數(shù)?；嵯禂?shù)表示為

其中，樣本集S中每個(gè)類別的概率表示為Pi。若將樣本集S分為2 個(gè)子集S1和S2，則Gini系數(shù)為

步驟3按照順序重復(fù)步驟1、步驟2 創(chuàng)造多個(gè)決策樹對(duì)測(cè)試集x分類，結(jié)果從眾多決策樹里的投票多少?zèng)Q定，其中確定類別的公式為

其中：majority表示投票數(shù)量最多；Ci(x)表示第i棵決策樹；Ntree為決策樹的總數(shù)[9]。

2 柴油機(jī)模型仿真

因?yàn)楝F(xiàn)實(shí)環(huán)境中利用實(shí)驗(yàn)得到渦輪增壓器的故障數(shù)據(jù)非常困難，所以選擇AVL Boost 軟件模擬渦輪增壓器的各類故障。柴油機(jī)主要參數(shù)如表1 所示。

表1 柴油機(jī)主要參數(shù)Tab.1 Main parameters of diesel engine

基于AVL Boost 平臺(tái)創(chuàng)建柴油機(jī)仿真模型，模型如圖2 所示。

圖2 柴油機(jī)仿真模型Fig.2 Diesel engine simulation model

利用構(gòu)建的柴油機(jī)性能仿真數(shù)值模型，模擬計(jì)算柴油機(jī)額定工況下運(yùn)行的主要性能參數(shù)。設(shè)置仿真模型的參數(shù)，如表2 所示。

表2 仿真模型主要參數(shù)Tab.2 Main parameters of simulation model

通過對(duì)比額定功率、燃油消耗率及最高爆發(fā)壓力等參數(shù)修正模型，使模型滿足精度要求，對(duì)比結(jié)果如表3 所示。

表3 額定工況下實(shí)際值與模擬值的對(duì)比Tab.3 Comparison between actual value and simulated value under rated working condition

額定工況下，建立的柴油機(jī)整機(jī)模型模擬計(jì)算的額定功率、燃油消耗率及最高爆發(fā)壓力與實(shí)際數(shù)據(jù)偏差均在1%以內(nèi)，故認(rèn)為此模型能夠達(dá)到模擬計(jì)算精度要求。據(jù)此進(jìn)行模擬實(shí)驗(yàn)獲取關(guān)聯(lián)的數(shù)據(jù)。

分別設(shè)置溫度降低（F1）、壓氣機(jī)故障（壓氣機(jī)效率降低）（F2）、中冷器氣側(cè)堵塞（中冷器壓降過高）（F3）、中冷器水側(cè)堵塞（中冷器效率降低）（F4）、曲軸箱竄氣（F5）、渦輪噴嘴環(huán)臟堵（F6）、排氣管臟堵（F7）、噴油延遲（F8）、渦輪前排氣管堵塞（F9）、進(jìn)氣道漏氣（F10）以及排氣道漏氣（F11）這11 種故障狀況。篩選壓氣機(jī)出口溫度（S1）、氣缸排氣溫度（S2）、渦輪后排氣溫度（S3）、渦輪前排氣壓力（S4）、渦輪增壓器轉(zhuǎn)速（S5）以及增壓壓力（S6）這6 種熱力學(xué)參數(shù)作為故障診斷的特征參數(shù)。根據(jù)故障仿真實(shí)驗(yàn)，獲得規(guī)模為1 007×6 的柴油機(jī)渦輪增壓器故障數(shù)據(jù)集。建立柴油機(jī)渦輪增壓器的故障樹如圖3 所示。

圖3 渦輪增壓器故障樹Fig.3 Turbocharger fault tree

3 基于隨機(jī)森林的渦輪增壓器故障診斷

數(shù)值實(shí)驗(yàn)的流程如圖4 所示。將故障原始數(shù)據(jù)按比例分為711×6 的訓(xùn)練集和規(guī)模為296×15 的測(cè)試集，用測(cè)試集數(shù)據(jù)檢測(cè)該模型的功能。

圖4 故障診斷流程Fig.4 Fault diagnosis process

3.1 故障診斷結(jié)果及分析

仿真獲得的數(shù)據(jù)樣本集包括105 組環(huán)境溫度降低、86 組壓氣機(jī)故障、97 組中冷器氣側(cè)堵塞、99 組中冷器水側(cè)堵塞、93 組曲軸箱竄氣、93 組渦輪噴嘴環(huán)臟堵、90 組排氣管臟堵、93 組噴油延遲、83 組渦輪前排氣管堵塞、84 組進(jìn)氣道漏氣、84 組排氣道漏氣，總共1 007 組。

使用隨機(jī)森林函數(shù)創(chuàng)建一個(gè)分類器。在構(gòu)建隨機(jī)森林分類器時(shí)，利用隨機(jī)森林函數(shù)的功能對(duì)測(cè)試數(shù)據(jù)進(jìn)行模擬。根據(jù)隨機(jī)森林分類的結(jié)果分析，診斷準(zhǔn)確率如表4 所示。

表4 隨機(jī)森林方法故障診斷準(zhǔn)確率表Tab.4 Table of fault diagnosis accuracy of random forest method

3.2 與決策樹方法對(duì)比

為了驗(yàn)證隨機(jī)森林方法能夠有效提高故障診斷率，將整理后的數(shù)據(jù)集提供給決策樹方法進(jìn)行故障診斷。表5 為決策樹算法的診斷準(zhǔn)確率，圖5 所示為兩種分類算法各故障診斷率的對(duì)比?？梢园l(fā)現(xiàn)，決策樹誤診斷51 個(gè)，綜合準(zhǔn)確率為82.77%。遠(yuǎn)低于隨機(jī)森林的95.24%診斷率。因?yàn)闆Q策樹方法是單個(gè)分類器，但隨機(jī)森林方法利用bootstrap 重抽樣方法將各種單一分類器組合，其中的訓(xùn)練數(shù)據(jù)選擇各不一樣，選擇組合分類器的方法把各種分類器的處理結(jié)果結(jié)合，獲得一個(gè)森林的處理結(jié)果。因此，與決策樹方法相比，隨機(jī)森林能夠更準(zhǔn)確識(shí)別柴油機(jī)渦輪增壓器故障。

表5 決策樹方法故障診斷準(zhǔn)確率表Tab.5 Table of fault diagnosis accuracy of decision tree method

圖5 隨機(jī)森林方法與決策樹方法診斷率對(duì)比圖Fig.5 Comparison of diagnosis rate between random forest method and decision tree method

3.3 決策樹棵數(shù)對(duì)診斷率的影響

結(jié)合隨機(jī)森林的原理，決策樹數(shù)量大小和集中特征數(shù)量有可能影響隨機(jī)森林的效果，因此，首先保持集中特征數(shù)量值m（m=，M為總特征數(shù)量）不變?yōu)?，對(duì)隨機(jī)森林中決策樹的棵數(shù)選擇多種值，從0～300 每5 個(gè)取一次，使用隨機(jī)森林方法對(duì)故障樣本進(jìn)行故障診斷，隨機(jī)森林決策樹棵數(shù)對(duì)分類的作用如圖6所示。

圖6 隨機(jī)森林決策樹棵數(shù)對(duì)分類的作用圖Fig.6 Effect diagram of random forest decision tree number on classification

可知，決策樹過少對(duì)故障診斷的影響較大，但取值超過50 后，隨機(jī)森林的診斷正確率并無明顯變化，基本在95.5%小幅波動(dòng)。

3.4 集中特征數(shù)量對(duì)診斷率的影響

首先保持隨機(jī)森林中決策樹的棵數(shù)不變?yōu)?00，對(duì)集中特征數(shù)量值m進(jìn)行多次取值，從1～6 每1 個(gè)取一次，使用隨機(jī)森林方法對(duì)故障樣本進(jìn)行故障診斷，隨機(jī)森林集中特征數(shù)量對(duì)分類的作用如圖7所示。

圖7 隨機(jī)森林集中特征數(shù)量對(duì)分類的作用圖Fig.7 Effect diagram of feature number in random forest concentration on classification

可知，集中特征數(shù)量取值為2 時(shí)，隨機(jī)森林的準(zhǔn)確率最高，因此設(shè)置隨機(jī)森林的集中特征數(shù)量為2。

綜合2 種參數(shù)的影響規(guī)律，將隨機(jī)森林的決策樹棵樹設(shè)置為150 棵，集中特征數(shù)量設(shè)置為2，得到柴油機(jī)渦輪增壓器故障96.28%的診斷率。

4 結(jié) 語

本文提出基于隨機(jī)森林的故障診斷方法對(duì)柴油機(jī)渦輪增壓器進(jìn)行分析?；贏VL Boost 構(gòu)建仿真模型，選擇該模型獲得的柴油機(jī)各種工況狀態(tài)中的數(shù)據(jù)，當(dāng)做訓(xùn)練樣本進(jìn)行故障診斷，結(jié)果表明：

1）相比于決策樹分類器這種單一分類器，隨機(jī)森林方法準(zhǔn)確率明顯更高，證明其能夠更準(zhǔn)確識(shí)別柴油機(jī)渦輪增壓器的故障，對(duì)提高柴油機(jī)渦輪增壓器故障診斷的準(zhǔn)確率有一定意義。

2）隨機(jī)森林對(duì)柴油機(jī)渦輪增壓器故障診斷的精度較高，在仿真模型的數(shù)據(jù)集上將隨機(jī)森林的決策樹數(shù)量設(shè)置高于50 棵，集中特征數(shù)量為2 時(shí)，能夠達(dá)到更高的準(zhǔn)確度。