本發明屬于發動機故障診斷，具體涉及一種基于仿真域到真實域遷移學習的船用發動機滑油系統故障診斷方法及系統。

背景技術：

1、發動機因其高效的能源利用和良好的經濟性，廣泛應用于交通運輸、工業生產以及發電等多個領域。然而，隨著發動機長時間的運行，其內部滑油系統易出現多種故障，如滑油過濾器堵塞、滑油不足等，這些故障不僅會導致發動機性能顯著下降，還可能引發嚴重的安全隱患，甚至造成設備損壞或人員傷害。因此，如何高效、精準地對發動機滑油系統進行故障診斷，已成為保障發動機安全運行、延長設備使用壽命以及提高維護效率的關鍵技術之一。近年來，隨著數據驅動方法和人工智能技術的快速發展，基于機器學習和深度學習的智能算法在發動機故障診斷領域得到了廣泛應用。傳統的數據驅動故障診斷模型主要依賴于對發動機歷史故障數據的特征提取，通過構建分類模型實現對不同故障狀態的識別。然而，這類方法存在以下不足，過度依賴實測數據，發動機實測故障數據的獲取通常需要大量的實際故障實驗，而這些實驗不僅成本高昂，還可能對設備造成不可逆的損傷。綜上所述，傳統數據驅動的故障診斷方法雖然在一定程度上提升了故障識別能力，但其對實測數據的高度依賴顯著限制了實際應用的可行性。不僅導致高昂的實驗成本，還可能對設備造成損傷，亟需一種能夠降低對實測數據依賴的高效、經濟的故障診斷方法。

2、文獻1《基于1dcnn-gwo-svm的柴油機噴油系統故障診斷方法研究》(車用發動機，2024)提出了一種結合一維卷積神經網絡(1dcnn)、灰狼優化算法(gwo)和支持向量機(svm)的柴油機噴油系統故障診斷方法。該方法利用1dcnn對柴油機振動加速度信號進行自學習特征提取，并基于提取的特征向量訓練支持向量機模型，同時采用gwo優化svm的超參數，以實現柴油機故障的精準診斷。文獻2《基于深度信念網絡的船舶柴油機智能故障診斷》(中國艦船研究，2020)提出了一種基于多層限制性玻爾茲曼機的發動機智能故障診斷方法，該方法利用多層限制性玻爾茲曼機實現對基于avlboost的仿真故障樣本數據的特征提取，達到了較高的診斷準確率。上述成果存在以下兩方面的局限性：(1)文獻1使用實驗采集的實際故障信號構建診斷模型雖然能夠實現較高的精度，但大規模獲取實測數據的成本和難度較高，限制了其實際推廣應用。(2)文獻2的模型使用avl?boost仿真平臺生成的仿真數據進行訓練和測試，但其對實際柴油機數據的適應性及診斷能力尚未得到充分驗證，可能面臨實際應用中的泛化性不足問題。

技術實現思路

1、為了解決現有技術中存在的問題，本發明提供一種基于仿真域到真實域遷移學習的船用發動機滑油系統故障診斷方法及系統，利用大量的孿生仿真數據和少量的實際數據進行模型訓練，代替了傳統的全部依賴實際數據的訓練模式，緩解了模型訓練中對實際數據的過度依賴問題。同時提出了一種結合密集連接神經網絡模型和綜合遷移學習策略的故障診斷方法，通過密集連接神經網絡的高效特征提取能力和遷移學習策略的域對齊機制，實現了從仿真域故障特征向真實域故障特征的遷移學習，從而解決了診斷模型構建成本高、泛化性能不足的問題。

2、為實現上述目的，本發明提供了如下方案：

3、一種基于仿真域到真實域遷移學習的船用發動機滑油系統故障診斷方法，所述方法包括：

4、基于構建的船用發動機滑油系統仿真模型，進行不同工況的故障模擬，獲得仿真故障信號響應；

5、基于發動機實驗平臺，獲取發動機滑油系統不同工況的真實域故障數據；

6、基于所述真實域故障數據及所述仿真故障響應信號，采用基于編碼器-解碼器的特征融合結構，獲得仿真域故障數據；

7、基于遷移學習策略，進行仿真域到真實域的跨域特征分布對齊，并基于所述仿真域故障數據以及所述真實域故障數據訓練神經網絡，獲得基于數據遷移與算法遷移雙重遷移學習的發動機滑油系統故障診斷模型；

8、基于所述發動機滑油故障診斷模型，對船用發動機滑油系統進行實時故障診斷，獲得診斷結果。

9、優選的，所述船用發動機滑油系統仿真模型包括壓力模型和溫度模型；構建所述船用發動機滑油系統仿真模型的方法包括：

10、采集發動機滑油系統數據；其中，所述發動機滑油系統數據包括管道數據、流體密度以及滑油泵特性曲線；

11、采用節點化建模策略，將發動機滑油系統分為滑油油底殼、滑油油泵、換熱器、濾清器、發動機機體五個計算節點；

12、基于所述發動機滑油系統數據，分別計算各個計算節點的壓力模型和溫度模型，并將所有計算節點按照邏輯關系連接獲得所述船用發動機滑油系統仿真模型。

13、優選的，基于構建的船用發動機滑油系統仿真模型，進行故障模擬的故障類型包括滑油過濾器堵塞f1、滑油冷卻器積垢f2、滑油不足f3、滑油泄漏f4和旁通閥泄漏f5五種故障模式。

14、優選的，所述仿真域故障數據包括滑油泵后溫度、滑油濾器濾前溫度、滑油濾器濾后溫度、滑油主油道溫度、滑油泵后壓力、滑油濾器濾前壓力、滑油濾器濾后壓力和滑油主油道壓力。

15、優選的，獲得仿真域故障數據的方法包括：

16、基于編碼器對所述真實域故障數據進行信號分解，獲得高頻噪聲；

17、基于所述高頻噪聲，獲得噪聲分布特征；其中，所述噪聲分布特征包括噪聲均值和噪聲標準差；

18、基于解碼器對所述噪聲分布特征進行重建，并將重建的噪聲分布特征與所述仿真故障信號響應融合，獲得孿生仿真數據；

19、基于所述孿生仿真數據，獲得所述仿真域故障數據。

20、優選的，進行仿真域到真實域的跨域特征分布對齊的方法包括：

21、利用所述仿真域故障數據以及所述真實域故障數據訓練特征提取器以及標簽分類器，獲得故障類型預測概率，并基于所述故障類型預測概率獲得綜合分類損失；

22、利用訓練的所述特征提取器對源域樣本以及目標域樣本進行特征提取，獲得特征表示，計算coral損失；其中，所述源域樣本包括所述仿真域故障數據；所述目標域樣本包括所述真實域故障數據；

23、基于判別器預測特征提取器提取的特征表示是否來自源域樣本，獲得領域判別損失；

24、基于所述綜合分類損失、所述coral損失以及所述領域判別損失，建立優化目標函數；

25、基于所述優化目標函數，實現仿真域到真實域的跨域特征分布對齊。

26、本發明還提供一種基于仿真域到真實域遷移學習的船用發動機滑油系統故障診斷系統，用于實現所述方法，所述系統包括：

27、故障模擬模塊，用于基于構建的船用發動機滑油系統仿真模型，進行不同工況的故障模擬，獲得仿真故障信號響應；

28、真實域數據獲取模塊，用于基于發動機實驗平臺，獲取發動機滑油系統不同工況的真實域故障數據；

29、仿真域數據獲取模塊，用于基于所述真實域故障數據及所述仿真故障響應信號，采用基于編碼器-解碼器的特征融合結構，獲得仿真域故障數據；

30、故障診斷模型構建模塊，用于基于遷移學習策略，進行仿真域到真實域的跨域特征分布對齊，并基于所述仿真域故障數據以及所述真實域故障數據訓練神經網絡，獲得基于數據遷移與算法遷移雙重遷移學習的發動機滑油系統故障診斷模型；

31、診斷結果獲取模塊，用于基于所述發動機滑油故障診斷模型，對船用發動機滑油系統進行實時故障診斷，獲得診斷結果。

32、優選的，所述故障模擬模塊包括仿真模型構建單元，用于構建所述船用發動機滑油系統仿真模型；其中，所述船用發動機滑油系統仿真模型包括壓力模型和溫度模型；構建所述船用發動機滑油系統仿真模型的過程包括：

33、采集發動機滑油系統數據；其中，所述發動機滑油系統數據包括管道數據、流體密度以及滑油泵特性曲線；

34、采用節點化建模策略，將發動機滑油系統分為滑油油底殼、滑油油泵、換熱器、濾清器、發動機機體五個計算節點；

35、基于所述發動機滑油系統數據，分別計算各個計算節點的壓力模型和溫度模型，并將所有計算節點按照邏輯關系連接獲得所述船用發動機滑油系統仿真模型。

36、與現有技術相比，本發明的有益效果為：

37、1.通過編碼器-解碼器結構，將仿真數據與實際數據的特征分布進行深度融合，生成信息分布差異較小的孿生仿真數據，為后續跨域故障診斷提供了可靠且全面的特征表示。

38、2.采用密集連接神經網絡模型對輸入數據進行高效特征提取，并結合遷移學習策略，縮小了仿真域與真實域之間的域傳輸誤差，實現了發動機從仿真域到真實域的精準跨域故障診斷。

39、3.通過生成高質量的孿生仿真數據，減少了診斷模型對實際測量數據的過度依賴。

40、4.本發明具備從負荷工況(m1、m2、m3)到負荷工況(m4、m5、m6)的跨工況故障診斷能力，其中，m1、m2、m3不限于本發明采用的70％、85％、100％負荷，m4、m5、m6不限于本發明采用的25％、50％和75％負荷，即本發明故障診斷模型的跨負荷工況的能力不僅限于從高負荷到一般負荷，本發明進一步擴展了模型的適用范圍，提升了其實用性和魯棒性。