使用多变量机器学习对海船柴油机进行主动故障预测

为何船用发动机与智能预测至关重要

我们购买的大多数商品——从手机到食品——都是通过由大型柴油机驱动的船舶跨洋运输。当这些发动机之一意外故障时，可能导致交付中断、数百万美元的紧急维修费用，并在浪费燃料的同时排放更多污染物。本文研究了一种将多种传感器与机器学习结合的方法，如何监测发动机的重要“生命体征”，并在真正故障发生前数小时或数天向船员发出预警，帮助船舶更安全、更经济、更清洁地运行。

从等到坏了再修到在坏之前修好

传统的船舶维护常常要么等到出现故障才处理，要么按固定计划保养，而这些计划可能太早也可能太晚。作者主张采用不同的思路：主动维护，基于实时数据提前发现问题迹象。更好的发动机保养不仅能避免延误，还能在航运业面临降低气候足迹的压力时减少燃料消耗和排放。全球服役的商业船舶超过10万艘，即便在可靠性和效率上取得微小改进，也能对全球贸易和温室气体排放产生重大影响。

为真实船舶构建小规模替代装置

为安全且系统地检验他们的想法，研究团队在实验室中搭建了一台四缸柴油机，作为船用主机的替代样机。他们在每个汽缸上安装了温度传感器，在进出冷却水处装了温度计，在机体上安装了三轴振动传感器，并配备了用于跟踪转速、电压、电流和功率的仪表。随后他们有意引入了逼真的故障：进气、排气、冷却水和润滑油系统的部分阻塞，以及低油位，并在不同严重程度下施加这些故障。在发动机经历升温、正常负载、故障工况和冷却的过程中，采集了超过21,000条数据记录，形成了一部关于健康发动机如何逐步转入不同故障状态的详尽“纪录片”。

教算法预测并识别故障

工作的核心是一个由两部分组成的机器学习系统。首先，基于一种称为ConvLSTM的神经网络的预测模型被训练，用以预测所有13路测量信号——温度、振动、转速和电力输出——在接下来的若干步中的演变。该模型并非将每个数字孤立地看待，而是学习某一测量值的变化如何随时间波及到其他测量值。与决策树、标准神经网络和基础循环网络等更传统方法相比，ConvLSTM在预测精度上明显更好，使一个关键误差指标约降低15%，并在大多数测试中超越竞争模型。

将预测转化为明确的故障警报

系统的第二部分将这些预测的发动机信号作为输入，回答一个更简单的问题：这种模式代表哪种状态？在这里，作者使用了随机森林分类器，它将许多小的决策“树”的判断结合起来。该分类器在相同的多通道数据上训练，能够区分包括正常负载和冷却在内的13种不同运行和故障模式，以及若干级别的进气、水路和油路问题。在测试中，该分类器正确识别出正确工况的频率超过82%。大多数错误发生在同一故障类型的相邻严重程度之间——例如中度与高度进气阻塞之间——而不是将健康状态误判为严重故障，这对于实际应用是令人鼓舞的。

这对海上船舶意味着什么

将预测与分类两步合起来，就像一层智能早期预警机制。来自机舱的连续传感器读数输入到ConvLSTM，预测温度、振动和负载将朝哪个方向变化。随后随机森林将这些预测解读为具体的潜在故障及其可能的严重程度，给船员争取调整运行或安排检修的时间，避免损害发生。尽管本研究是在受控条件下对单台发动机进行的，还需更多工作来涵盖额外的故障类型和现实世界的变异性，但该研究指向了“智能船舶”的方向，使发动机能够在问题真正发生前有效地“提前示警”——从而节省开支、减少停机并降低不必要的燃料消耗和排放。

引用: Michel, M., Mehanna, A., Saleh, S.N. et al. Proactive fault prediction in marine diesel engines using multivariate machine learning. Sci Rep 16, 9678 (2026). https://doi.org/10.1038/s41598-026-40979-5

关键词: 海船柴油机, 预测性维护, 机器学习, 状态监测, 航运排放