【作者】

王博; 王克; 姚崇

【单位】

哈尔滨市哈尔滨工程大学动力与能源工程学院; 哈尔滨工程大学烟台研究院

【摘要】

船用发动机由于它们长期在复杂的海洋环境中运行，暴露于高盐雾和复杂的操作条件下，未被发现的异常可能导致故障升级，对人身安全和财产构成重大风险。因此，准确的异常检测对于确保其安全稳定运行至关重要。船舶发动机的实际数据通常具有长时间序列的特点，并且由于其复杂的运行环境，传感器不可避免地引入了固有的噪声。针对船舶发动机的异常检测需求，提出了一种集潜变量建模和时间序列分析于一体的无监督异常检测模型(ETVG)。该方法可以有效地识别跨多个操作条件的异常状态，而不依赖于标记数据。通过在模型结构中加入去噪自编码器（DAE）机制，有效地降低了原始测量信号中的噪声干扰。此外，将Transformer模块与潜在变量建模相结合，使模型能够在潜在空间中学习到更多的判别特征。最后，利用高斯混合模型（GMM）对船舶发动机的状态转移模式进行建模，从而实现异常状态的识别和预测。利用一台天然气发动机的运行数据，我们对所提出的方法进行了对比和消融试验。结果表明，该方法具有优异的性能，准确率高达99.06%，误报率仅为0.75%，优于基准方法。

【关键词】

船用天然气发动机;无监督学习;异常检测

【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