《Journal of Marine Science and Engineering》:Machine Learning-Based Discrimination of Pre- and Post-Cleaning Marine Turbocharger Recordings Using Rotational-Speed Signals
编辑推荐:
摘要:在实际船舶运行条件下监测船用涡轮增压器状态因运行工况的可变性和有限的标注维护数据而变得复杂。本研究评估了均值中心化的角度域转速波动能否区分在一次涡轮增压器清洁事件前后采集的六段记录。主要评价采用了穷举配对完整记录留出法,即在每次划分中,一段清洁前和一段清
摘要:在实际船舶运行条件下监测船用涡轮增压器状态因运行工况的可变性和有限的标注维护数据而变得复杂。本研究评估了均值中心化的角度域转速波动能否区分在一次涡轮增压器清洁事件前后采集的六段记录。主要评价采用了穷举配对完整记录留出法,即在每次划分中,一段清洁前和一段清洁后的记录被排除在预处理、特征排序和模型拟合之外。二次净化分块验证则评估了在模型开发过程中已出现的记录内的时间片段。在主要的记录级评价中,中心化随机森林正确分类了六个共识记录得分中的五个,并实现了0.889的记录级受试者工作特征曲线下面积(AUC)。在该数据集中,所有八个分类器均达到了相同的记录级准确率。在二次窗口级分析中,随机森林达到了99.48%的平均平衡准确率、99.45%的合并准确率和宏平均F1分数(macro-F1),以及1.000的AUC。然而,两个采集组在不同日期记录,其转速范围不重叠。一个仅基于平均转速的控制实验完美分离了窗口组,表明残差特征的结果不能独立于运行工况进行解释。因此,研究结果证明了事件内的采集组判别,而非可操作的清洁状态诊断。未来的验证需要在匹配的运行条件下进行,包括重复的清洁事件、重叠的负荷与转速范围、更多的热力学变量,以及独立的船舶级别测试。
一、研究背景、现存问题与研究意义
在现代航运中,船舶柴油机及其辅助系统的运行状态直接影响推进可靠性、燃油经济性、排放性能和航行安全。随着船上传感与自动化技术的普及,维护策略正逐步从定期检修转向基于状态的维护和预测与健康管理。涡轮增压器作为回收废气能量、提高进气密度、改善燃烧效率的关键部件,其状态监测至关重要。涡轮叶片、压气机叶轮及流道上的沉积物会引入额外气动损失,改变可测量的运行行为。然而,在实际船舶运行中,评估清洁效果面临严峻挑战:测量信号不仅受清洁状态影响,还受到发动机负荷、运行转速、环境条件及采集日期的共同干扰。因此,区分清洁前后的记录需要一种能够解释这些混杂因素的严谨方法。
现有的大多数数据驱动诊断研究依赖于受控试验台架、模拟故障条件、多运行变量或重复维护事件,而针对仅有单一转速通道且标注维护记录极少的受限船载场景关注不足。本研究正是在此背景下展开,旨在探索能否仅利用均值中心化的角度域转速波动,区分一次清洁事件前后的船载涡轮增压器记录,从而为实际条件下的状态监测提供可行性评估与严格的方法论框架。
二、关键技术方法
研究人员采用了一套完整的信号处理与机器学习工作流程,具体包括:
- 1.
数据来源:数据由Alpha Diagnostics Ltd.(瑞士赖纳赫)提供,来自一台安装在MaK 9M43C发动机(额定功率9000 kW,转速500 rpm)上的ABB/Accelleron TPL A30涡轮增压器,共包含6段角度域转速记录(3段清洁后记为A1-A3,3段清洁前记为B1-B3)。
- 2.
信号预处理与窗口构建:将每段记录划分为固定长度(360个角度样本,步长40个样本)的重叠窗口,并对每个窗口应用Hampel滤波器去除孤立异常值,随后进行均值中心化处理以消除绝对转速水平的影响。
- 3.
特征提取:从每个中心化窗口中提取15个时域波动特征(如标准差、四分位距、偏度、峰度、自相关函数等)和13个谱域特征(如相对能量带、谱质心、谱熵等),并构建了基于10转非重叠子窗口的多尺度特征集。
- 4.
机器学习模型与验证策略:比较了八种经典分类器,包括L2正则化逻辑回归、线性与径向基函数支持向量机、k近邻、随机森林、极端随机树、梯度提升和多层感知器。采用穷举配对完整记录留出法作为主要评价,即每次留出一段清洁前和一段清洁后记录用于测试,其余四段用于训练;同时采用二次净化分块十折交叉验证评估已知记录内部时间片段的性能。
- 5.
敏感性分析:进行了窗口长度、特征表示、滤波方式、高斯噪声扰动、训练集特征重要性排序等一系列对比实验,并特别设置了基于平均转速的决策树对照实验以检验运行工况的混淆效应。
三、研究结果
3.1 信号与运行特性
六段记录包含4490至5461个角度样本,每段贡献104至128个窗口。清洁后记录的平均转速约为6737至8074 rpm,清洁前记录均超过8147 rpm。所有731个窗口重叠率达88.9%,被视为嵌套于六段采集记录内的技术子样本。两组记录的窗口平均转速范围完全不重叠,相差24.42 rpm。
3.2 完整记录分类
穷举配对留出法产生了六个共识记录得分。基于中心化15特征集的随机森林正确分类了六段记录中的五段,平衡准确率为0.833,AUC为0.889,唯一错误是A2。所有九对留出的清洁前/后记录的得分边际均为正值。作为运行工况对照,深度为1的平均转速分类器也正确标记了五段记录,但其AUC为0.778且存在三个平局边际。这表明残差特征在移除直接平均转速后仍保留了判别结构。
3.3 二次窗口级分类器性能
随机森林取得了最高的窗口级分类性能,平均平衡准确率为99.48%(标准差0.91%),仅731个折叠外预测中有4个错误。所有348个清洁后窗口和383个清洁前窗口中的379个被正确分类,合并准确率和macro-F1均为99.45%,合并AUC为1.000。梯度提升排名第二,平均平衡准确率为98.03%。其余六种分类器的平均值范围为76.86%至85.46%。
3.4 窗口长度与特征表示
随机森林在40至1080个样本的窗口长度范围内均保持了高分类性能,平均平衡准确率介于97.88%至99.62%之间。在特征表示方面,15个时域描述符达到99.48%的平均平衡准确率,显著优于谱域描述符的80.28%;多尺度特征集在所有折叠中达到100.00%。研究保留了时域特征集作为参考,因其在保持近完美性能的同时更具简洁性和可解释性。
3.5 滤波、噪声与特征贡献
Hampel滤波未改变领先集成模型的结果。向验证数据添加高斯噪声后,分类性能下降:当噪声标准差为训练数据波动标准差的2%时,随机森林平衡准确率降至84.58%。训练集特征重要性分析显示,局部差异和波动幅度描述符是主要的预测家族。事后七描述符集(包含MAD、IQR、偏度、峰度、波峰因子、差分MAD和ACF滞后1)将所有成对Spearman相关系数降至0.40以下,并在记录级取得了与全模型相同的预测结果。
3.6 记录级判别的稳健性
加性偏移测试确认直接速度水平已被移除,但未能排除速度依赖的波动动态。中心化和相对均值表示均正确分类了五段记录,而纯形状表示仅正确分类四段。所有八种分类器在本数据集上均达到了相同的记录级准确率(正确分类五段)。
四、讨论与结论
讨论部分总结:研究明确指出,其主要局限性在于清洁条件、采集日期和运行转速三者完全混淆。所有清洁前记录于2023年9月17日采集,清洁后记录于同月21日采集,且转速范围不重叠。因此,即使残差波动特征取得了高分类性能,也无法归因于清洁效果本身,而只能证明在现有六段单事件数据集中实现了采集组间的判别。研究强调,完整记录留出法是比窗口级验证更强的测试,但所有记录仍嵌套于同一维护事件,无法推广到其他事件或船舶。未来研究必须采用匹配条件的设计,包括多艘船舶、多个涡轮增压器安装、多次独立清洁事件、重叠的负荷与转速范围,并补充热力学变量,同时进行事件级和船舶级的独立外部验证。
研究结论翻译:本研究评估了均值中心化的角度域转速波动能否区分船用涡轮增压器清洁事件前后的记录。利用来自一艘船舶、一个涡轮增压器和一次清洁事件的六段记录,提出的工作流程将转速信号分割为重叠窗口,提取统计波动描述符,并在主要完整记录留出法和二次净化分块十折交叉验证下比较了八种传统分类器。中心化随机森林正确分类了六段完整记录中的五段,AUC为0.889,所有九对留出组的得分边际均为正值。本数据集上所有八种分类器均达到相同的记录级准确率。加性偏移测试确认中心化表示不直接编码绝对平均转速,但并未确立与运行工况的独立性。事后七描述符集给出了与全模型相同的六个预测标签。二次窗口级99.48%的平衡准确率反映了已知记录内部的一致性,而非事件级的诊断准确性。由于转速范围和采集日期与清洁前后标签对齐,清洁、采集日期和运行工况的相对效应无法分离。因此,结论仅限于在本六段单事件数据集中实现采集组之间的判别。未来的验证应采用匹配条件的多层次设计,涉及多艘船舶、多个涡轮增压器安装、多次独立清洁事件、跨重叠发动机负荷与涡轮增压器转速范围的重复清洁前后采集、更多运行变量、独立的事件级训练/测试划分,以及在未见过的船舶、航次或涡轮增压器安装上的最终外部验证。