余永華 ，賈海超，胡 嘉，胡 磊 ，楊建國(guó)

(1.武漢理工大學(xué) 船海與能源動(dòng)力工程學(xué)院，湖北 武漢 430063；2.武漢理工大學(xué) 船舶動(dòng)力工程技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430063)

船用柴油機(jī)噴油器工作環(huán)境惡劣，所用重油雜質(zhì)較多，噴嘴殘余燃油在高溫、高壓下易形成積碳，發(fā)生噴嘴堵塞故障，威脅柴油機(jī)安全運(yùn)行[1].聲發(fā)射頻率范圍寬、信噪比高，所含信息豐富，可以發(fā)現(xiàn)早期微弱故障，具有適應(yīng)范圍廣、準(zhǔn)確率高的優(yōu)點(diǎn)，因而得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，已在柴油機(jī)氣閥漏氣、軸瓦磨損及缸套-活塞環(huán)磨損的監(jiān)測(cè)診斷方面得到了廣泛應(yīng)用[2-4].

現(xiàn)有文獻(xiàn)的故障診斷判據(jù)往往是基于已有工況的特征參數(shù)獲得的，在相同工況下具有較好的適用性，從傳統(tǒng)機(jī)器學(xué)習(xí)的觀點(diǎn)來(lái)看，這正是因?yàn)橛?xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)服從獨(dú)立同分布規(guī)律，而發(fā)動(dòng)機(jī)實(shí)際運(yùn)行工況多變，在所有工況下采集充足的數(shù)據(jù)，既不現(xiàn)實(shí)也不可行[5-6]，因此，難以通過(guò)傳統(tǒng)的機(jī)器學(xué)習(xí)算法獲取發(fā)動(dòng)機(jī)的故障診斷模型.如何充分利用已有工況的數(shù)據(jù)，在變工況少量數(shù)據(jù)條件下，實(shí)現(xiàn)柴油機(jī)全工況下的高準(zhǔn)確度故障診斷和診斷方法的跨機(jī)型應(yīng)用，是柴油機(jī)故障診斷工程應(yīng)用的難題.

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)算法，能夠?qū)⒛硞€(gè)領(lǐng)域上學(xué)習(xí)到的知識(shí)遷移到不同但相似的領(lǐng)域中，實(shí)現(xiàn)已有知識(shí)的利用，在模式識(shí)別領(lǐng)域廣泛應(yīng)用.崔石玉等[7]將基于參數(shù)的遷移方法應(yīng)用到海水泵的故障診斷，賈鋒等[8]和Li等[9]將遷移學(xué)習(xí)應(yīng)用于軸承的故障診斷.Dai等[10]提出了一種基于實(shí)例的遷移學(xué)習(xí)算法TrAdaBoost，該方法可以實(shí)現(xiàn)利用少量標(biāo)簽數(shù)據(jù)和大量異分布輔助標(biāo)簽數(shù)據(jù)建立較高準(zhǔn)確率的故障診斷模型，該算法原理簡(jiǎn)單、易于實(shí)現(xiàn)[11]，在目標(biāo)數(shù)據(jù)集和輔助數(shù)據(jù)集具有相似性的時(shí)候可以取得很好效果.內(nèi)燃機(jī)結(jié)構(gòu)復(fù)雜，不同工況和不同機(jī)型的缸蓋聲發(fā)射信號(hào)均存在差異，但由于其激勵(lì)源相似又表現(xiàn)出一定的相似性，特別符合TrAdaBoost遷移學(xué)習(xí)算法的前提，目前在內(nèi)燃機(jī)故障診斷領(lǐng)域的研究較少.

因此，筆者針對(duì)噴油器噴孔堵塞故障，基于缸蓋聲發(fā)射信號(hào)，擬借鑒TrAdaBoost遷移學(xué)習(xí)的思想，提出一種提高柴油機(jī)故障診斷模型應(yīng)用于跨工況和跨機(jī)型時(shí)診斷精度的方法.

1 試驗(yàn)與測(cè)試

以TBD234V6型高速四沖程柴油機(jī)為研究對(duì)象，其主要技術(shù)參數(shù)如表1所示.該柴油機(jī)標(biāo)定功率為186kW，標(biāo)定轉(zhuǎn)速為1500r/min，供油提前角為20°CA BTDC，單噴油器4噴孔，噴孔直徑為0.45mm，以A1缸為故障模擬缸，聲發(fā)射傳感器布置在A1缸蓋表面靠近排氣閥處，如圖1所示.試驗(yàn)測(cè)量了上止點(diǎn)、缸壓和缸蓋聲發(fā)射信號(hào).選用軟島時(shí)代RS54A型聲發(fā)射傳感器，工作頻帶為100～900kHz，試驗(yàn)中聲發(fā)射采樣率為800kS/s，數(shù)據(jù)采集系統(tǒng)示意如圖2所示.

圖1 缸蓋表面?zhèn)鞲衅鞑贾肍ig.1 Sensors location on the cylinder head

圖2 數(shù)據(jù)采集系統(tǒng)示意Fig.2 Schematic diagram of data acquisition system

表1 TBD234V6型柴油機(jī)技術(shù)參數(shù)Tab.1 Technical parameters of TBD234V6 type diesel engine

表2為故障模擬方案，試驗(yàn)獲取了如表3所示兩個(gè)工況不同故障程度的數(shù)據(jù).在噴油器校驗(yàn)臺(tái)上，利用Photron-675K-C1高速相機(jī)記錄試驗(yàn)用噴油器的噴油效果，如圖3所示.

圖3 噴油器噴孔堵塞效果Fig.3 Nozzle blockage state

表2 故障模擬方案Tab.2 Fault simulation test programs

表3 故障模擬試驗(yàn)工況Tab.3 Working conditions of fault simulation

2 特征參數(shù)提取

2.1 聲發(fā)射信號(hào)分析

TBD234V6型柴油機(jī)A、B列氣缸夾角為60°，發(fā)火順序?yàn)锳1→B2→A3→B1→A2→B3，以60°～180°CA交替發(fā)火.圖4為1500r/min、50%負(fù)荷正常狀態(tài)下采集到的A1缸缸蓋聲發(fā)射信號(hào)時(shí)域波形，圖中橫坐標(biāo)的0°CA對(duì)應(yīng)A1缸的排氣上止點(diǎn)，縱坐標(biāo)為聲發(fā)射信號(hào)幅值，圖中標(biāo)注了對(duì)應(yīng)的聲發(fā)射信號(hào)激勵(lì)源.柴油機(jī)的配氣相位見(jiàn)圖5.可以發(fā)現(xiàn)，整周期的聲發(fā)射信號(hào)不僅受試驗(yàn)缸自身激勵(lì)，還受到了同側(cè)氣缸激勵(lì)的影響，但燃燒段的聲發(fā)射信號(hào)受其他缸影響較小，而噴油器噴孔堵塞故障主要影響燃燒段信號(hào)[12]，因此，截取340°～400°CA內(nèi)的信號(hào)進(jìn)行分析.

圖4 柴油機(jī)聲發(fā)射信號(hào)時(shí)域波形Fig.4 AE waveform of the diesel engine

圖5 柴油機(jī)配氣相位Fig.5 Valve timing diagram of the diesel engine

以1500r/min、50%負(fù)荷正常狀態(tài)和單缸斷油時(shí)測(cè)取的聲發(fā)射信號(hào)為例，結(jié)合缸內(nèi)壓力信號(hào)，分析聲發(fā)射信號(hào)特征.圖6a為A1缸斷油后的缸內(nèi)壓力與聲發(fā)射信號(hào)，此時(shí)缸內(nèi)只有壓縮過(guò)程沒(méi)有燃燒過(guò)程，噴油器也沒(méi)有任何動(dòng)作，因此，可推斷燃燒段聲發(fā)射信號(hào)主要受本缸內(nèi)燃燒以及噴油器動(dòng)作激勵(lì).

圖6 正常狀態(tài)與單缸斷油燃燒段聲發(fā)射與缸內(nèi)壓力信號(hào)Fig.6AE and cylinder pressure signals of combustion section under normal conditions and one cylinder fuel shut-off

圖6b為正常狀態(tài)缸蓋燃燒段的聲發(fā)射信號(hào)，其中包含3段明顯的衰減振蕩，有3個(gè)明顯的突變時(shí)刻，a點(diǎn)位于發(fā)火上止點(diǎn)前20°CA，若忽略供油與噴油時(shí)延，對(duì)應(yīng)于噴油始點(diǎn)；b點(diǎn)聲發(fā)射信號(hào)幅值急劇增加，對(duì)應(yīng)于第1個(gè)衰減振蕩始點(diǎn)；c點(diǎn)對(duì)應(yīng)于燃燒始點(diǎn)；d點(diǎn)對(duì)應(yīng)于第2個(gè)衰減振蕩的始點(diǎn)；e點(diǎn)對(duì)應(yīng)于缸內(nèi)爆壓點(diǎn)；f點(diǎn)對(duì)應(yīng)于第3個(gè)衰減振蕩始點(diǎn)；g點(diǎn)燃燒基本結(jié)束.參考文獻(xiàn)[13—14]關(guān)于缸蓋振動(dòng)信號(hào)的結(jié)論，第1個(gè)衰減振蕩大部分位于燃燒始點(diǎn)之前，可判斷是由噴油器針閥落座引起的，第2個(gè)衰減振蕩位于燃燒的速燃期，可判斷是由缸內(nèi)燃燒引起的，第3個(gè)衰減振蕩幅值較小，并且位于燃燒的后燃期，判斷是由后燃引起的.

綜上可知，確定了燃燒段聲發(fā)射信號(hào)的激勵(lì)源，這為后續(xù)的特征參數(shù)提取、故障診斷提供了機(jī)理性支撐.圖7為1500r/min、50%負(fù)荷正常狀態(tài)與堵3孔下的燃燒段聲發(fā)射信號(hào).當(dāng)故障發(fā)生時(shí)，第1個(gè)衰減振蕩提前，第2個(gè)衰減振蕩對(duì)應(yīng)燃燒的速燃期，出現(xiàn)了明顯的滯后，主要原因?yàn)槎驴缀?，噴入缸?nèi)的燃油變少，可燃混合氣變少，燃燒緩慢，圖8為正常狀態(tài)與堵3孔下的缸內(nèi)壓力信號(hào)，通過(guò)計(jì)算壓升率得到燃燒始點(diǎn)分別為356°,CA與357°,CA，堵孔后燃燒始點(diǎn)出現(xiàn)了1°,CA的延后，造成了與之對(duì)應(yīng)的聲發(fā)射信號(hào)出現(xiàn)延遲.第3個(gè)衰減振蕩幅值增大，主要原因是堵孔后造成燃燒不良和后燃現(xiàn)象，甚至可能出現(xiàn)二次噴射.

圖7 正常狀態(tài)與噴油器堵3孔聲發(fā)射信號(hào)Fig.7 AE signal under normal working condition and injector clogged three holes

圖8 正常狀態(tài)與堵3孔缸內(nèi)壓力信號(hào)Fig.8 Cylinder pressure signals under normal working condition and injector clogged three holes

為了進(jìn)一步說(shuō)明所提結(jié)論的可信性與通用性，利用文獻(xiàn)[15]在Z6170型柴油機(jī)上獲取的噴油器噴孔堵塞故障模擬試驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證.圖9為Z6170型柴油機(jī)在1000r/min、75%負(fù)荷正常狀態(tài)下的燃燒段聲發(fā)射和缸內(nèi)壓力信號(hào)，圖9中標(biāo)注字母含義與圖6b相同.圖10為正常狀態(tài)與堵2孔時(shí)燃燒段聲發(fā)射信號(hào)，可以看出，信號(hào)特征和故障對(duì)信號(hào)的影響規(guī)律與V型機(jī)相似.

圖9 Z6170正常狀態(tài)燃燒段聲發(fā)射與缸內(nèi)壓力信號(hào)Fig.9AE and cylinder pressure signals of combustion section under normal working condition of Z6170 diesel engine

圖10 Z6170正常狀態(tài)與堵2孔聲發(fā)射信號(hào)Fig.10AE signal of normal working condition and injector clogged two holes of Z6170 diesel engine

2.2 特征參數(shù)提取

聲發(fā)射各衰減振蕩蘊(yùn)含著豐富的狀態(tài)信息.根據(jù)燃燒段聲發(fā)射信號(hào)的特點(diǎn)，以50%負(fù)荷的信號(hào)為基準(zhǔn)，將燃燒段信號(hào)劃分為不同特征窗口范圍，窗口0對(duì)應(yīng)于噴油始點(diǎn)a至聲發(fā)射信號(hào)幅值第1個(gè)突變點(diǎn)b；窗口1對(duì)應(yīng)于信號(hào)的第1個(gè)幅值突變點(diǎn)b至第2個(gè)幅值突變點(diǎn)d；窗口2對(duì)應(yīng)于信號(hào)第2個(gè)幅值突變點(diǎn)d至第3個(gè)幅值突變點(diǎn)f，窗口3對(duì)應(yīng)于第3個(gè)幅值突變點(diǎn)f至燃燒基本結(jié)束，此范圍將作為基準(zhǔn)用在TBD234V6柴油機(jī)信號(hào)分析和特征參數(shù)提取中.

特征窗口劃分范圍如表4所示.從聲發(fā)射信號(hào)中提取特征參數(shù)16個(gè)見(jiàn)表5.

表4 特征窗口劃分Tab.4 Scope of the characteristic windows

表5 提取的特征參數(shù)Tab.5 Extracted feature parameters

2.3 基于KNN算法的故障診斷模型

常見(jiàn)的故障診斷流程包括數(shù)據(jù)采集、特征參數(shù)提取和故障識(shí)別模型的建立.KNN算法是使用K個(gè)最近鄰域點(diǎn)對(duì)未知樣本進(jìn)行判定，即計(jì)算測(cè)試樣本點(diǎn)與訓(xùn)練集樣本之間的距離，找出與測(cè)試樣本距離最小的K個(gè)點(diǎn)，根據(jù)這K個(gè)點(diǎn)屬于什么類別來(lái)判斷該樣本點(diǎn)屬于哪個(gè)類別.分類中距離度量的方法有歐氏距離或曼哈頓距離，該算法實(shí)現(xiàn)較為簡(jiǎn)單，已在故障診斷領(lǐng)域被廣泛使用[16].

以KNN算法為例建立TBD234V6柴油機(jī)故障診斷模型，按上節(jié)方法提取特征參數(shù).按照不同的負(fù)荷劃分訓(xùn)練集和測(cè)試集，選取TBD234V6型柴油機(jī)工況一(50%負(fù)荷，1500r/min)噴油器3種故障程度的特征數(shù)據(jù)作為訓(xùn)練集，以工況二(75%負(fù)荷，1500r/min)噴油器3種故障程度的特征數(shù)據(jù)為測(cè)試集，每個(gè)工況320個(gè)樣本，KNN算法鄰域點(diǎn)K＝5，歐式距離作為度量方式.得出模型總體識(shí)別率為55%，識(shí)別效果用混淆矩陣表示，如圖11所示.

圖11 KNN識(shí)別效果Fig.11 Recognition effect of KNN

由圖11可知，模型對(duì)各個(gè)類別的識(shí)別準(zhǔn)確率較低，主要原因是基于傳統(tǒng)機(jī)器學(xué)習(xí)的故障診斷方法要求訓(xùn)練集與測(cè)試集獨(dú)立同分布，而此次用于模型訓(xùn)練和測(cè)試的數(shù)據(jù)來(lái)自不同的負(fù)荷，雖然包含的故障程度相同，但由于聲發(fā)射響應(yīng)信號(hào)的非線性特征，數(shù)據(jù)分布有一定的差異，導(dǎo)致模型對(duì)測(cè)試集的識(shí)別效果并不理想，泛化能力較差.考慮柴油機(jī)的工作特性，難于采集所有工況的足夠樣本，遷移學(xué)習(xí)能夠充分利用已有的數(shù)據(jù)，實(shí)現(xiàn)不同領(lǐng)域間知識(shí)的遷移，可有效解決故障樣本不足問(wèn)題.

3 基于TrAdaBoost的故障診斷

3.1 TrAdaBoost算法原理

TrAdaBoost是一種基于實(shí)例的遷移學(xué)習(xí)算法，該算法針對(duì)訓(xùn)練集樣本數(shù)據(jù)較少不足以單獨(dú)訓(xùn)練模型，通過(guò)引入相似輔助訓(xùn)練數(shù)據(jù)構(gòu)建故障診斷模型.首先，將相似輔助訓(xùn)練集數(shù)據(jù)和少量目標(biāo)訓(xùn)練集數(shù)據(jù)組成聯(lián)合訓(xùn)練集，然后通過(guò)迭代加權(quán)改變各個(gè)類別的權(quán)重，最終提升模型在目標(biāo)測(cè)試集上的分類效果.算法步驟如下[17].

(1) 輔助訓(xùn)練集Ta(樣本數(shù)量為n)和目標(biāo)訓(xùn)練集Tb(樣本數(shù)量為m)組成聯(lián)合訓(xùn)練集T、測(cè)試集S及基分類器learner，N為迭代次數(shù).

(3) wt為迭代第t次后的樣本權(quán)值向量，t=1,2,…,N，對(duì)權(quán)值進(jìn)行歸一化Pt，即

調(diào)用learner，結(jié)合訓(xùn)練集T、Pt，根據(jù)合并后的訓(xùn)練數(shù)據(jù)T以及T上的權(quán)重分布Pt和測(cè)試集S，得到一個(gè)在S的分類器ht.計(jì)算目標(biāo)訓(xùn)練集Tb在分類器ht上的誤診率為

(4) 設(shè)置權(quán)值系數(shù)βt=εt/(1-εt)，則在迭代中保證：

(5) 更新訓(xùn)練權(quán)重，則

(6) 最終分類器為

由式(5)可知分類器輸出值僅包含0和1，僅適合單分類或二分類，因而選擇決策樹(shù)作為TrAdaBoost的基分類器learner.當(dāng)同分布訓(xùn)練數(shù)據(jù)太少而N過(guò)大時(shí)，TrAdaBoost容易出現(xiàn)過(guò)擬合，也會(huì)影響模型訓(xùn)練時(shí)間.

3.2 TrAdaBoost故障診斷效果

為驗(yàn)證方法的有效性，以TBD234V6型柴油機(jī)工況一(50%負(fù)荷，1500r/min)噴油器3種故障程度的特征數(shù)據(jù)為源域輔助數(shù)據(jù)，以工況二(75%負(fù)荷，1500r/min)噴油器3種故障程度的特征數(shù)據(jù)為目標(biāo)域數(shù)據(jù)，數(shù)據(jù)集劃分如表6、表7所示.其中源域輔助訓(xùn)練樣本總數(shù)量為320個(gè)(共有4種類別，每種數(shù)量為80個(gè)).訓(xùn)練集目標(biāo)域樣本數(shù)量分別設(shè)置為16、32(即每種類別數(shù)量Z分別為4、8).測(cè)試集中目標(biāo)域未標(biāo)記樣本共320個(gè).迭代次數(shù)N設(shè)置為10，鄰域點(diǎn)K＝5.將基于TrAdaBoost算法的故障診斷模型與KNN算法進(jìn)行對(duì)比，模型準(zhǔn)確率如表8所示.Z＝8時(shí)基于不同算法的模型識(shí)別效果用混淆矩陣表示，如圖12所示.

圖12 Z＝8時(shí)不同算法模型的識(shí)別效果Fig.12Recognition effect of different algorithm models when Z＝8

表6 數(shù)據(jù)集Tab.6 Data set

表7 訓(xùn)練集和測(cè)試集樣本Tab.7 Samples of training set and test set

表8 同機(jī)型跨工況遷移診斷準(zhǔn)確率對(duì)比Tab.8 Comparison of transfer diagnostic accuracy across operating conditions for the same type of diesel engine

表8中，一→二表示以工況一特征數(shù)據(jù)作為源域輔助訓(xùn)練數(shù)據(jù)，工況二特征數(shù)據(jù)作為目標(biāo)域數(shù)據(jù).由圖12可知，TrAdaBoost算法對(duì)故障的識(shí)別效果優(yōu)于KNN算法；由表8可知，當(dāng)目標(biāo)域訓(xùn)練樣本不足，即訓(xùn)練集中包含5%(樣本數(shù)量為16)的目標(biāo)域數(shù)據(jù)量下，與KNN算法相比，TrAdaBoost算法的準(zhǔn)確率有13%的提高，主要原因是TrAdaBoost利用輔助訓(xùn)練數(shù)據(jù)蘊(yùn)含的狀態(tài)信息，提高了對(duì)目標(biāo)域樣本的總體識(shí)別率；經(jīng)過(guò)綜合對(duì)比，TrAdaBoost算法的識(shí)別效果優(yōu)于KNN算法，實(shí)現(xiàn)了跨工況的特征遷移.

4 不同機(jī)型的驗(yàn)證

為進(jìn)一步驗(yàn)證在特征分布差異較大、不同機(jī)型數(shù)據(jù)集上的有效性，利用文獻(xiàn)[15]中Z6170型柴油機(jī)噴孔堵塞故障模擬試驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證.采取與TBD234V6相同的方法劃分窗口范圍、提取特征參數(shù)，劃分?jǐn)?shù)據(jù)集I(1000r/min，50%負(fù)荷)、II(1000r/min，75%負(fù)荷)，迭代次數(shù)N設(shè)置為10，鄰域點(diǎn)K＝7，分別定義遷移工況一→I、二→Ⅱ和I→Ⅱ，模型遷移結(jié)果如表9所示.

表9 不同機(jī)型/工況下遷移診斷準(zhǔn)確率對(duì)比Tab.9 Comparison of transfer diagnostic accuracy for different engine types and operating conditions

數(shù)據(jù)集本身的特征分布相似度會(huì)對(duì)診斷結(jié)果產(chǎn)生一定的影響，對(duì)來(lái)源于同一機(jī)型的數(shù)據(jù)集，特征分布會(huì)比較相似(I→Ⅱ、一→二)，最終的識(shí)別準(zhǔn)確率也越高；數(shù)據(jù)集一和I、二和Ⅱ數(shù)據(jù)集來(lái)自不同的機(jī)型，特征數(shù)據(jù)分布有一定的差異，模型準(zhǔn)確率稍低，但總體識(shí)別效果優(yōu)于傳統(tǒng)的KNN算法.綜合來(lái)看，在不同負(fù)荷和不同機(jī)型下模型都有較好的識(shí)別效果與泛化能力.

5 結(jié) 論

針對(duì)柴油機(jī)故障診斷判據(jù)在不同負(fù)荷和機(jī)型間適用性不足，模型準(zhǔn)確率低，提出了基于聲發(fā)射信號(hào)的特征參數(shù)，結(jié)合TrAdaBoost遷移學(xué)習(xí)故障診斷方法，對(duì)噴油器噴孔堵塞故障進(jìn)行診斷方法研究，在同機(jī)型不同工況和不同機(jī)型上進(jìn)行了驗(yàn)證，得到以下結(jié)論：

(1) 燃燒段聲發(fā)射信號(hào)主要受本缸噴油器動(dòng)作和缸內(nèi)燃燒激勵(lì)，包含3個(gè)衰減振蕩，其振蕩特征點(diǎn)與噴油器故障密切相關(guān).

(2) TrAdaBoost算法可以充分利用已有工況數(shù)據(jù)蘊(yùn)含的信息，即使當(dāng)訓(xùn)練集中只有5%的目標(biāo)域數(shù)據(jù)量，與KNN相比，仍有較好的準(zhǔn)確率，可提高診斷算法對(duì)同機(jī)型不同工況的魯棒性；經(jīng)過(guò)不同機(jī)型驗(yàn)證，基于聲發(fā)射信號(hào)結(jié)合TrAdaBoost算法的故障診斷方法，同樣適用于診斷算法的跨機(jī)型應(yīng)用.

本算法只在兩個(gè)機(jī)型少量工況點(diǎn)進(jìn)行了驗(yàn)證，數(shù)據(jù)量有限，即現(xiàn)有的輔助訓(xùn)練集不能包含所有故障狀態(tài)信息，難于直接應(yīng)用于工程實(shí)際.如果對(duì)某型柴油機(jī)進(jìn)行全壽命周期的實(shí)機(jī)測(cè)試，利用這些樣本輔助其他機(jī)型的故障診斷，特別是隨著通信技術(shù)和船聯(lián)網(wǎng)的發(fā)展，通過(guò)遷移學(xué)習(xí)使得艦(船)柴油機(jī)的運(yùn)行數(shù)據(jù)相互利用，進(jìn)一步提高故障診斷精度，尚有一定的借鑒意義.