《Ocean Engineering》：A data-driven dynamic Bayesian network for health monitoring and maintenance decision support of marine diesel engines
编辑推荐：
本研究提出了一种数据驱动的动态贝叶斯网络（Dynamic Bayesian Network, DBN）框架，用于大型低速二冲程（Low-Speed Two-Stroke, LS2S）船用柴油主机的健康监测与维护决策支持。该框架将多个相互关联的运行参数及其时间相
本研究提出了一种数据驱动的动态贝叶斯网络（Dynamic Bayesian Network, DBN）框架，用于大型低速二冲程（Low-Speed Two-Stroke, LS2S）船用柴油主机的健康监测与维护决策支持。该框架将多个相互关联的运行参数及其时间相关性整合于统一概率建模环境中，以动态评估主机运行健康状态。研究人员利用劳氏船级社（Lloyd's Register）数据库获取的运行数据，并将其纳入DBN模型，以实现考虑不确定性的机器状态推断和维护导向的健康评估。与现有方法相比，该框架具备以下优势：首先，所开发的DBN模型能够通过引入运行参数间的时间依赖性进行动态概率推理；其次，多个相互关联的退化相关因素被整合到统一健康评估框架中，从而提升机器状态认知的全面性；第三，该方法通过概率健康评估与动态运行状态推断支持维护决策。案例研究结果表明，该模型能够在两日前提前预测5号气缸退化至AMBER状态；灵敏度分析显示，总碱值（Total Base Number, TBN）与铁含量是对目标节点（主机健康）影响程度最高的参数。该框架为基于状态的维护（Condition-Based Maintenance, CBM）及未来智能海事维护系统提供了实践支撑，并对海事工程领域概率数字孪生（Probabilistic Digital Twin）应用具有潜在参考价值。
**论文解读：基于数据驱动动态贝叶斯网络的船用柴油机健康监测与维护决策支持框架**
**研究背景与问题提出**
大型低速二冲程（Low-Speed Two-Stroke, LS2S）船用柴油主机作为远洋船舶的核心动力装置，在全球商船队中占据主导地位。推进系统的可靠运行对航运安全、运营连续性与经济效率至关重要。然而，海事事故分析数据显示，机械故障约占英国籍100总吨（Gross Tonnage, GT）以上商船海事事故的24%；瑞典保赔协会（The Swedish Club）报告指出，机械相关索赔约占保险理赔总额的47%，其中主机损坏索赔平均单笔约65万美元。上述统计凸显了提升船用推进系统可靠性、健康监测与维护管理水平的迫切性。
尽管发动机设计、控制技术与运营管理持续进步，大型二冲程船用柴油主机仍在高度动态和不确定的海事环境中运行。运行条件变化、燃油品质波动、负荷剖面差异及海况变化均使机械状态评估与维护计划制定趋于复杂。劳氏船级社（Lloyd's Register）燃油检测业务部门FOBAS（Fuel Oil Bunker Analysis & Advisory Service）的运营数据显示，2019年11月至2020年6月期间，柴油机气缸部件损坏案例比例从15%上升至31%，且均与船舶大型二冲程主机相关。调查表明，多种运行与退化相关因素间的复杂交互是导致发动机故障的主要原因。
传统海事维护策略依赖固定间隔或计划性维护，难以充分反映实际运行条件下的机械状态与退化行为，可能导致过早维护或突发故障风险增加。近年来，智能海事系统、传感技术与数字数据采集的发展推动了维护策略向基于状态维护（Condition-Based Maintenance, CBM）与预测性维护转型。现代船用发动机配备的先进监测系统可连续采集大量运行数据，为概率推理与智能维护决策提供了数据基础。
在诸多机械健康管理方法中，贝叶斯网络（Bayesian Network, BN）与动态贝叶斯网络（Dynamic Bayesian Network, DBN）凭借其在不确定性建模、因果关系表达与时变状态更新方面的优势受到广泛关注。相较于静态或确定性方法，DBN能够随着新运行信息持续更新机械健康状态，特别适用于海事应用中受不确定性和时变环境影响显著的发动机性能与退化行为建模。然而，现有研究仍存在若干局限：多数研究仅关注有限数量的运行参数，未能全面表征发动机健康指标间的复杂关联；大量既有方法采用静态建模框架，难以充分捕捉机械退化的时间演化与运行不确定性；诸多研究侧重故障检测与分类，对维护导向的健康评估与智能维护决策支持有限。因此，亟需一种能够感知不确定性并动态自适应、且在真实运行条件下支持智能海事维护应用的健康监测框架。
**研究内容与方法概述**
为弥补上述研究缺口，研究人员提出了一种新颖的数据驱动DBN框架，用于大型低速二冲程船用柴油主机的健康监测与维护决策支持。该框架在统一概率建模环境中整合了多个相互关联的运行变量与时间特征，以动态评估主机运行健康状态。案例数据来源于FEAP（FOBAS Engine Assessment Programme）2017项目注册的一艘Handymax型散货船，该船配备六缸MAN B&W 6S50MC-C型主机，驱动定距螺旋桨。
在模型构建过程中，研究人员首先在既有BN模型基础上扩展了输入运行参数体系，共识别出15个父节点参数，涵盖扫气空气品质、燃油品质、燃烧性能、发动机维护状态及气缸滑油供给等维度。考虑到船端正午报文的日常记录惯例，选取24小时作为时间片（time slice）间隔以构建DBN模型。
转移概率表（Transition Probability Table, TPT）的构建是模型开发的核心挑战。由于多项运行参数变化呈现随机特性，且从现有数据中直接估计转移概率并不总是可行，研究人员采用泊松分布（Poisson distribution）概率模型结合专家判断的方法建立TPT。研究团队咨询了六位在LS2S发动机操作、设计与维护领域具有丰富经验的主题专家，专家通过分类评分系统依据教育水平、专业经验与组织责任被赋予不同权重，采用加权聚合方法综合专家判断得出各参数的平均偏差率λ值。基于泊松分布推导的四组概率条件（即状态保持或转换的概率公式），为每个时变父节点构建了TPT。
**研究结果**
**DBN模型构建与时序扩展**
研究人员将扩展后的BN结构（包含现有的连接关系与单时间片条件概率表（Conditional Probability Table, CPT））与时变父节点的TPT集成，将模型扩展至多时间片。在DBN中，灰色方框表示的父节点承载时间维度，黄色方框表示的子节点与叶节点概率在不同时间片中作为正常后验概率更新。该模型利用Netica软件构建。
**五日期案例研究**
案例研究模拟了六缸发动机为期五天的运行，以六个时间片表示。模型输出显示：大部分气缸运行于满意的GREEN区域，但4号与6号气缸落入AMBER区域需引起关注；5号气缸被预测在两天运行后进入AMBER区域，2号气缸虽仍处于GREEN区域但趋势表明若持续运行可能过渡至AMBER区域；1号与3号气缸运行状态最为满意，但1号气缸自第0天起斜率较3号气缸更陡，表明其运行条件退化速度可能更快。上述结果验证了DBN作为发动机操作人员快速诊断工具的有效性，可帮助评估并预测发动机性能，为在即将开始的航次中维持所有气缸处于GREEN区域提供充裕时间。
**灵敏度分析**
研究人员遵循两条公理对DBN开展灵敏度分析。公理1通过扩展时间片评估每个父节点的性能变化，结果显示水雾捕捉器性能、粘度与排气温度是变异性最高的参数，各时间片平均偏差分别为3.6%、3.2%与2.9%；灰分含量、CCAI（Calculated Carbon Aromaticity Index，计算碳芳香性指数）、工作单完成度与资产可用性在研究周期内保持恒定。公理2通过单独将每个父节点设为最大满意状态并保持其他节点先验概率固定，评估各父节点对不同时间片目标节点的影响程度。结果表明，总碱值（TBN）对目标节点即发动机健康的影响程度最高，铁含量为第二影响力参数，两者共同指向气缸滑油（Cylinder Lube Oil, CLO）供给率可能为DBN中最关键的中介节点。影响力较低的参数如平均指示压力（Mean Indicated Pressure, MIP）偏差与排气温度偏差随时间趋于改善，而最具影响力的TBN则呈现轻微退化趋势。
**极端输入场景测试**
研究人员将全部父节点设为平衡先验概率分布时，发动机健康概率在后续时间片中呈现轻微改善；当父节点设为100%满意或100%不满意时，三条曲线在测试周期内均呈近似线性趋势。全部满意场景的曲线斜率（0.9）大于全部不满意场景（0.5）和平衡先验场景（0.125），符合机械系统在实际应用中的预期行为：系统从理想状态退化除非采取纠正措施，而从极端不良状态逐步恢复亦属合理。
**交通灯分级评估系统**
为支持维护决策，研究人员基于五日期模拟中发动机满意健康概率的极值范围（18.1%至74.4%），建立了三色分区评估系统：GREEN区域（概率高于55.6%）表示发动机处于满意运行水平，建议继续采用标准最佳实践；AMBER区域（概率介于37%至55.6%）表示发动机满意水平有所下降，需谨慎关注并进一步调查以识别需改善的参数；RED区域（概率低于37%）表示发动机运行于不满意水平，需立即采取行动调查并改善状况，因持续在RED区域运行可能导致机械故障。上述定量阈值可通过船端发动机数据分析进一步微调。
**讨论与结论**
研究结果表明，DBN模型能够通过考虑多个相互关联的参数及其时间特征，有效支持船用柴油主机的运行健康评估。与静态评估方法相比，该模型能够更准确地表征发动机状况随时间的变化，并通过识别未来运行中具有较高运行风险的气缸，为维护相关决策提供支持。
讨论部分指出，模型可靠性依赖输入数据的质量与完整性，错误或不一致的运行数据可能影响评估结果；此外，模型在高度瞬态运行条件下（如恶劣天气或应急运行场景）可能可靠性降低。与船载监测和控制系统的集成可增强框架的鲁棒性与实际可实施性。尽管模型纳入了多种运行指标，若干参数因避免模型过度复杂而被排除，包括大修后运行小时数、涡轮增压器性能、滑油状况、振动测量、海况信息与扭矩测量等，未来研究应考虑将这些因素纳入DBN框架。
在应用层面，研究人员提出将包含BN模型的软件安装于机舱备用操作面板（通常为个人计算机），通过接收发动机数据的直接馈送结合需人工输入的参数数据，实时生成发动机健康评估及改善LS2S运行评分的实用行动建议。该模型并非旨在替代或抵触任何集成发动机控制系统，而是为船端工程师提供补充信息与支持，以维持LS2S发动机的最佳运行健康状态。若模型输出与发动机当前运行状况不一致，建议开展额外调查以揭示表面不一致的根本原因。
研究结论总结如下：本文提出了一种基于DBN的大型LS2S船用柴油主机健康评估方法。所提出的模型通过引入发动机运行参数之间的时间关系扩展了传统BN方法的能力。模型利用运行数据结合专家判断开发，以表征发动机状况随时间的动态行为。TPT的构建是模型开发中的主要挑战，敏感性分析与案例研究验证了模型的功能性与适用性。与静态评估方法相比，所提出的模型能够改进对发动机状况随时间变化的表征，并通过识别未来运行中具有较高运行风险的气缸支持维护相关决策。研究人员指出，未来研究可探讨将该框架应用于替代燃料（如生物燃料、甲醇和氨）发动机的可行性。
