摘要
摘要
柴油机是大型船舶的动力来源，承担着推动船舶航行的重要任务。以船舶
柴油机为代表的大型主机装备系统复杂，对大型装备的故障预测与健康管理技
术（PrognosticsHealthManagement，PHM）提出了迫切需求。本文以船舶柴油
机作为研究对象，针对该装备PHM技术中的热流固耦合数据处理、系统健康状
态表征、系统故障状态预测三个部分展开深入研究。课题的主要研究内容如下：
在数据处理方面，针对船用柴油发动机故障指征关系繁杂、热工参数耦合
关系难以捕捉的问题，引入图论分析各个运行参数之间的耦合规律。船舶柴油
机内部传感器所收集到的各种参数信号之间具有某种联系，而这种联系与图结
构中节点之间的联系具有相似之处。采用图结构表达信号之间的关系，可为传
统数据结构样本构造出空间特征。在构造图的边结构时，通过建立柴油机整机
系统性能模型获得具有较强解释性的参数关联结果，将整机热工耦合参数构建
为有向图；设置图的节点特征时，基于PHM理论与随机森林方法对数据进行筛
选与处理，可降低数据特征复杂度，提高数据的可靠性及有效性。最后进行热
工参数的图形化数据构建，从而直观表示参数耦合关系。
在特征提取方面，传统神经网络在进行特征提取时会忽略特征之间的复杂
关系，导致构建的健康指标不够全面。为克服传统特征提取方式的不足，本文
采用图卷积网络（GraphConvolutionalNeuralNetwork，GCN）捕捉样本的空间
特征，获得表征船用柴油机系统状态的健康指标。与传统图卷积模型使用纯数
学手段构造邻接矩阵的方式不同，本文将机理模型构建的邻接矩阵作为模型输
入，将热工参数的耦合关系作为输入的一部分，提升算法的特征提取能力。
在故障预测方面，针对船舶柴油机在强噪声环境下的故障预测需求，构建
残差收缩图注意力网络（DRSN-GAT），通过引入残差收缩结构对噪声进行自适
应过滤，增强模型对噪声的抗干扰能力；为解决系统故障演化趋势不明显的问
题，DRSN-GAT方法将注意力结构与图结合，通过学习注意力互相关系数来提
取节点邻域特征，提升模型故障预测性能。上述两种改进可以实现注意力机制
和软阈值两个层面的结构优化。使用DRSN-GAT对系统中具有显著健康状况指
征的指标特征进行回归预测，对该特征的时序状态进行适当延拓并判别延拓指
标是否处于故障状态，实现系统的故障预测，最后通过实验证明DRSN-GAT方
法在强噪声条件下的故障预测效果。
关键词：船舶柴油机；故障预测；PHM；图神经网络；特征提取
-I-
Abstract
Abstract
Dieselenginesarethesourceofpowerforlargeshipsandbeartheimportanttask
ofdrivingshipnavigation.Thecomplexsystemoflarge-scaleequipment,represented
bymarinedieselengines,posesanurgentneedforPrognosticsHealthManagement
(PHM)technologyforlarge-scaleequipment.Thisarticletakesthemarinedieselengine
astheresearchobject,andconductsin-depthresearchonthreepartsoftheequipments
PHMtechnology:heatfluidsolidcouplingdataprocessing,systemhealthstatus
characterization,andsystemfaultstatusprediction.Themainresearchcontentofthe
projectisasfo