基于GNN信息融合的船舶柴油机健康状态监测方法

岳坤; 姚玉南; 刘爱华; 张祺恺; 邓煌; 刘洪庆

doi:10.16236/j.cnki.nrjxb.202604039

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于GNN信息融合的船舶柴油机健康状态监测方法

第二十八届中国科协年会学术论文 | 更新时间：2026-07-27

- 基于GNN信息融合的船舶柴油机健康状态监测方法
- 基于GNN信息融合的船舶柴油机健康状态监测方法
- 内燃机学报 2026年44卷第4期页码：366-375
- 作者机构：
  
  1. 武汉理工大学船海与能源动力工程学院
  2. 武汉理工大学三亚科教创新园
- 作者简介：
- 基金信息：
  
  国家重点研发计划资助项目(2022YFB2602303);交通运输部专项基金资助项目(2021-ZD1-023)
- DOI：10.16236/j.cnki.nrjxb.202604039
  中图分类号： TP274;TP183;U672
- 纸质出版：2026
- 稿件说明：
移动端阅览
岳坤, 姚玉南, 刘爱华, 等. 基于GNN信息融合的船舶柴油机健康状态监测方法[J]. 内燃机学报, 2026,44(4):366-375.

岳坤, 姚玉南, 刘爱华, et al. 基于GNN信息融合的船舶柴油机健康状态监测方法[J]. 2026, 44(4): 366-375.
岳坤, 姚玉南, 刘爱华, 等. 基于GNN信息融合的船舶柴油机健康状态监测方法[J]. 内燃机学报, 2026,44(4):366-375. DOI： 10.16236/j.cnki.nrjxb.202604039.

岳坤, 姚玉南, 刘爱华, et al. 基于GNN信息融合的船舶柴油机健康状态监测方法[J]. 2026, 44(4): 366-375. DOI： 10.16236/j.cnki.nrjxb.202604039.

摘要

针对船舶柴油机故障特征提取单一和常规算法健康评估准确率不高的问题，提出了一种基于改进图神经网络（GNN）的信息融合采样归纳式算法—dual-graph SAGE．首先，采用样本概率相似性原理，提取船舶柴油机振动信号、润滑油特征与柴油机运行状态，并建立联系；然后，采用特征工程筛选重要指标，通过信息融合图采样式学习深入挖掘潜在信息，构建融合邻接矩阵，同时引用跳跃知识网络（JK-net），避免数据过载；最后，利用交叉熵损失函数使模型准确性得到了进一步的验证．结果表明：笔者所提算法能够将特征进行深入融合，通过船舶柴油机的健康状态识别因子H

得到监测状态．模型监测准确率达到98.54%，多项评价指标均高于99.60%．与随机森林（RF）、极限学习机（ELM）和卷积神经网络（CNN）等常规数据驱动相比较，笔者方法能够有效提高船舶柴油机健康状态监测的准确率，具有一定的工程应用价值．

Abstract

关键词

Keywords

references

卫芬.旋转机械多传感器信息融合智能故障诊断关键技术研究[D].哈尔滨工业大学,2018(01).

Olivier Janssens,Viktor Slavkovikj,Bram Vervisch,Kurt Stockman,Mia Loccufier,Steven Verstockt,Rik Van de Walle,Sofie Van Hoecke.Convolutional Neural Network Based Fault Detection for Rotating Machinery[J].Journal of Sound and Vibration,2016.

Dong Wang.K -nearest neighbors based methods for identification of different gear crack levels under different motor speeds and loads: Revisited[J].Mechanical Systems and Signal Processing,2016.

Fannia Pacheco,José Valente de Oliveira,René-Vinicio Sánchez,Mariela Cerrada,Diego Cabrera,Chuan Li,Grover Zurita,Mariano Artés.A statistical comparison of neuroclassifiers and feature selection methods for gearbox fault diagnosis under realistic conditions[J].Neurocomputing,2016.

韩崇昭,朱洪艳,段战胜.多源信息融合[M].清华大学出版社,2021.

张玉宏,杨铁军.从深度学习到图神经网络[M].电子工业出版社,2023.

尚前明,王瑞涵,陈辉,唐新飞.多信息融合技术在船舶柴油机故障诊断中的应用[J].中国航海,2018(03).

岳应娟,王旭,蔡艳平.内燃机变分模态Rihaczek谱纹理特征识别诊断[J].仪器仪表学报,2017(10).

牛晓晓,王贺春,李旭,胡松,王银燕.基于神经网络的柴油机性能预测模型优化[J].内燃机学报,2018(06).

韩敏,李锦冰,许美玲,韩冰.具有工作状态转换的EIIKF船舶柴油机故障预测[J].自动化学报,2019(05).

蒋佳炜,胡以怀,方云虎,李方玉.船舶动力装置智能故障诊断技术的应用与展望[J].中国舰船研究,2020(01).

陈冬梅,赵思恒,魏承印,陈亚杰.船舶柴油机状态监测及预测性维护研究及应用[J].中国机械工程,2022(10).

陈智君,吴萌萌,王忠俊,袁强,余永华.基于多级DSN的船舶柴油机故障在线诊断[J].内燃机学报,2022(04).

王瑞涵,陈辉,管聪,黄梦卓.基于图卷积网络的非均衡数据船舶柴油机故障诊断[J].中国舰船研究,2022(05).

白雲杰,贾希胜,梁庆海,白永生.基于深度学习的柴油机气门健康状态评估[J].科学技术与工程,2022(10).

石大亮,张毅然,湛日景,林赫,邱爱华,刘佳彬.基于关联规则分类的船用柴油机故障诊断[J].内燃机学报,2023(04).

刘丹,王瑞虎,吕伟,秦岭,林水春.基于IPSO-LSTM的新能源汽车锂电池健康状态监测[J].中国安全科学学报,2023(09).

仝磊,陈越,王直,秦琪.基于D-S证据理论的柴油机故障诊断[J].科学技术与工程,2010(15).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

复合氧化还原体系协同脱除船舶柴油机SO2和NO的研究

基于船舶排气工况下DOC＋SCR后处理系统催化作用

大语言模型与贝叶斯优化协同的重型卡车节能巡航控制

融合虚拟感知与自学习智能体的柴油机NOx排放控制

基于多时间尺度学习的柴油机进/排气系统自抗扰控制