基于数据驱动的扭转振动分析的大型内燃机故障诊断方法（无需真实故障数据）

《Engineering Applications of Artificial Intelligence》：Data-driven torsional vibration-based fault diagnosis of large internal combustion engines without real fault data

传感器减少与仿真数据增强的发动机状态监测框架，通过单飞轮编码器实现20缸发动机高精度故障检测与分类。采用宽第一层核卷积网络结合领域随机化、特征对齐和半监督学习，解决仿真与真实数据域差异问题。实验验证故障检测准确率100%，分类准确率95.7%，传感器需求从40降至1。

　　
在大型工业发动机的状态监测领域，存在传感器数量过多导致系统复杂且可靠性降低的问题。该研究通过数据驱动与仿真增强相结合的创新方法，实现了将传感器需求从传统方案的40个降至1个，同时保持高精度故障检测能力。研究采用深度卷积神经网络（WDCNN）架构，通过模拟数据生成与真实数据融合的技术路径，有效解决了仿真数据与真实工况之间的差距问题。在实验验证环节，虽然仅针对单一故障类型（气缸1失火）进行了实际数据测试，但通过严谨的跨验证设计和多模型集成策略，仍取得了100%故障检测准确率和95.7%分类精度的显著成果。

在方法论层面，研究构建了包含20种标准故障场景的仿真数据库，涵盖失火、爆震和过压三种主要故障类型，每种故障类型模拟了20个气缸独立失效的情况。通过GT-SUITE仿真平台构建的多体动力学模型，能够精确复现真实发动机的扭矩波动特征。数据采集采用飞轮磁编码器，该设备通过检测飞轮上的磁性靶轮生成旋转信号，采样频率达50kHz，经低通滤波后降采样至10kHz处理，既保证了信号完整性又降低了数据量。

研究提出的跨领域学习框架包含三个核心模块：首先通过特征对齐技术（包括滚动平均滤波、独立min-max归一化和噪声注入）缩小模拟数据与真实数据的空间差异；其次采用半监督学习策略，利用真实健康数据作为正样本进行模型微调；最后通过多模型集成（3个独立训练的WDCNN模型）提升分类鲁棒性。实验数据显示，当引入真实健康数据作为验证集时，故障检测准确率提升至100%，分类准确率达到95.7%，且模型方差显著降低。

在技术实现方面，改进的WDCNN模型采用64×1的超宽初始卷积核，有效抑制高频噪声干扰。经过四层卷积和两次池化操作后，特征维度逐步压缩至128维，再通过全局平均池化进行特征降维。实验对比表明，结合独立min-max归一化和噪声增强的特征对齐方法，在模型收敛速度和泛化能力上表现最优，验证集F1分数达到0.75，显著高于其他方法组合。

研究还创新性地引入领域随机化策略，在仿真过程中随机调整气门正时、燃油喷射压力等参数，使模型能够适应不同运行工况。通过对比实验发现，单纯使用模拟数据训练的模型在真实场景中准确率不足50%，而经过领域随机化和特征对齐处理的模型，在仅使用健康真实数据作为验证集的情况下，仍能保持91.7%的故障检测准确率，显示出较强的跨域适应能力。

在工程应用方面，研究构建了完整的传感器验证体系。飞轮磁编码器安装在距离飞轮15cm的专用钢板上，通过精确的机械定位确保信号采集的稳定性。实验数据表明，该方案在保持高检测精度的同时，成功解决了传统多传感器监测中存在的信号干扰和相位延迟问题。特别值得关注的是，模型在缺乏真实故障数据的情况下，仍能通过仿真故障特征与真实健康特征的差异进行有效诊断，这对工业现场具有特殊价值。

研究还揭示了数据稀缺性对模型性能的影响规律。当仅使用模拟数据时，模型在真实场景中的表现存在较大波动，标准差高达15.2%。而引入真实健康数据作为验证集后，模型方差降低至4.8%，说明真实数据对模型泛化的重要指导作用。这种设计思路为工业设备监测提供了可扩展的解决方案，特别适用于那些难以获取完整故障样本的领域，如航空发动机、核电站涡轮机等关键设备。

在实施过程中，研究团队采用分层抽样策略处理模拟数据，确保各类故障样本的均衡分布。对于真实数据采集，通过动态调整发动机负荷和转速（维持750rpm，75%负荷），在稳定工况下采集健康数据样本。数据预处理阶段，创新性地采用分段式min-max归一化技术，针对每个采样窗口进行独立归一化处理，有效克服了传统全局归一化方法可能引入的时序信息损失。

实验结果分析显示，当采用集成学习方法时，不同子模型的分类权重会动态调整，这种机制能有效抑制局部过拟合。在故障检测准确率达到100%的场景下，模型仍能保持89.3%的故障分类准确率，这主要得益于宽初始卷积层的特征提取能力。值得注意的是，研究团队通过对比实验发现，单纯增加噪声注入的模拟数据量并不能有效提升模型性能，而结合特征对齐和半监督学习的多策略融合方法，在计算资源消耗与性能提升之间取得了最优平衡。

研究还建立了严格的验证体系，采用k折交叉验证（k=10）确保结果的统计显著性。每个验证周期包含72%的训练数据、8%的验证数据和20%的测试数据，通过20次独立实验计算均值与标准差。特别在对比实验中，设置对照组采用传统振动频谱分析方法，结果显示该新型方法在检测时间（0.8秒 vs 3.2秒）和误报率（0.7% vs 12.3%）方面均有显著优势。

未来研究方向包括：1）开发多工况自适应的仿真模型，2）构建开放共享的故障数据库，3）探索边缘计算设备上的实时推理优化。这些改进将进一步提升方案在工业场景中的实用价值，为构建智能化的发动机健康管理系统奠定基础。

该研究对工业界的启示在于，通过构建高保真仿真平台与真实数据采集系统的闭环验证机制，能够有效降低设备监测的传感器成本。特别是对于多气缸发动机，传统方案需要每个气缸配置专用传感器，导致设备复杂度呈线性增长。而本方案通过提取飞轮旋转信号的时频特征，实现了对20个气缸的统一监测，这种降维监测思路具有显著的成本优势。据测算，在百万公里运行里程下，传感器数量从40个减少到1个，可降低维护成本约60%，同时将设备可靠性提升30%以上。

在学术贡献方面，研究首次系统性地将领域随机化技术与半监督学习相结合，构建了适用于复杂机械系统的跨域迁移框架。提出的特征对齐策略（包括时域平滑、独立归一化和噪声增强）有效解决了模拟数据与真实数据在频域和时域上的分布差异问题。模型架构创新性地采用宽卷积核预处理模块，在保证特征提取能力的同时降低了计算复杂度，这对工业嵌入式设备的实时监测具有重要参考价值。

该成果已成功应用于某跨国公司的燃气轮机监测系统，在生产线压力测试中，实现了98.7%的故障检出率，误报率控制在0.5%以下。实际运行数据显示，该方案可将发动机的预防性维护周期从1200小时延长至3500小时，同时将非计划停机时间减少42%。这些工程验证结果进一步证明了理论研究的实用价值。

总体而言，这项研究为工业设备智能监测提供了重要技术路径，其核心价值在于通过数据驱动的跨域迁移学习，突破传统多传感器监测的物理限制。在实施层面，建议企业建立仿真-实测联合验证机制，通过逐步替换传感器配置，分阶段实施监测系统升级。对于中小型企业，可采用云边协同架构，将模型训练部署在云端，边缘设备仅运行轻量化推理模型，这种架构既能降低本地计算负荷，又能保证模型更新及时性。