陈智君 ，吴萌萌，王忠俊，袁 强，余永华

(1. 武汉理工大学 船海与能源动力工程学院，湖北 武汉 430063； 2. 高性能船舶技术教育部重点实验室(武汉理工大学)，湖北 武汉 430063)

随着信号处理技术的提升和完善，学者们逐渐将人工智能技术融入到船舶柴油机故障诊断中，船舶柴油机的智能诊断可节省工作人员工作量，提高工作效率，防患于未然[1-2]．柴油机缸盖振动信号具有丰富的冲击信息，且容易通过传感器获取，因而通过研究缸盖振动信号来诊断柴油机故障是可行的[3]．但柴油机激励源很多，通过其形成的振动信号非常容易互相耦合、互相干扰，导致故障特征不易提取，使得基于振动信号的柴油机状态监测难以准确有效．

基于此，学者们将人工神经网络[4-5]、随机森林[6-7]和支持向量机(SVM)[8-10]等浅层学习算法应用到柴油机故障诊断过程中．但是这些浅层学习算法都需要预先提取得到特征值，为了取得较好的模型准确率，需要对特征值的提取进行深入分析．深度学习的不断发展为故障诊断技术提供了新的解决方案，深度学习算法可以通过逐层的非线性转换，将预先构建的特征向量从高维空间映射到一个更加清晰的低维空间，使分类或预测过程更加简单[11-12]．常见的深度学习模型主要有深度堆栈网络(DSN)[13-14]、深度置信网络(DBN)和深度卷积网络(CNN)[15-16]等．

为了提高柴油机多工况下燃烧室部件故障识别准确率，笔者基于柴油机缸盖振动信号，综合运用DSN算法和多级诊断……