【作者】

石泽宇; 魏承印; 陈启科; 王忠巍

【单位】

哈尔滨工程大学; 中国船舶集团有限公司第七一一研究所

【摘要】

船用柴油机常处于变工况运行状态，监测数据存在分布偏移问题，导致固定工况训练的诊断模型跨工况泛化能力大幅下降，现有迁移学习方法存在参数微调开销大的弊端。针对该问题，本研究面向船用柴油机跨工况故障诊断，提出一种基于低秩适应（Low-Rank Adaptation，LoRA）的轻量化微调框架。该框架构建融合多尺度膨胀卷积与多头自注意力的层次化骨干网络，在源域工况下完成预训练，以捕获时序监测信号从局部瞬态到全局依赖的全面表征；在目标工况适配阶段，冻结预训练主体参数，仅在网络关键权重矩阵中注入低秩可训练增量模块，实现模型高效的工况迁移。为探索最优适配效能，本文进一步提出全局低秩微调（Full-LoRA）和模块定向低秩微调（Module-LoRA）两种低秩微调策略。以8V396船用柴油机滑油系统为对象，设计涵盖高负荷转低负荷、低负荷转高负荷的六组跨工况迁移任务开展试验验证。实验结果表明：Module-LoRA策略在参数增长率仅4.79%的条件下，平均跨工况诊断平均准确率达到99.44%；其参数效率比分别为全量微调和Full-LoRA的23.4倍和2.38倍，实现了诊断精度与模型轻量化部署的最优平衡。该方法可有效改善变工况下的特征分布偏移问题，以极低的参数与硬件开销实现船用柴油机高精度故障诊断，可为船用动力装备智能运维提供可靠的技术参考。

【关键词】

船用柴油机;故障诊断;低秩适应;迁移学习

【论文集名称】

车辆动力

【会议名称】

2026国际交通能源与动力大会

【会议时间】

2026-8-20至2026-8-23

【下载次数】

2

返回