近日，我院机械工程专业博士研究生于钰隆在水下防喷器控制系统故障诊断方法研究方面取得重要进展，相关研究成果以题为《Enhanced kernel slow feature analysis for fault diagnosis of subsea blowout preventer control systems》的论文发表在发表在《Ocean Engineering》。《Ocean Engineering》是海洋工程领域的国际顶级期刊，目前影响因子为6.3。论文第一作者为博士研究生于钰隆，通讯作者为蔡宝平教授，中国石油大学（华东）为第一署名单位和唯一通讯单位。该研究得到了国家自然科学基金、工信部高技术船舶科研等项目的联合资助。
论文首页
水下防喷器控制系统是保障深水钻井井控安全的核心系统，其故障诊断技术对海上油气安全生产具有重要意义。然而，现有故障诊断方法通常依赖完整传感器数据，在深海长期服役和远距离信号传输条件下，数据丢失等问题容易造成模型输入不完备，进而导致诊断精度下降甚至模型失效。针对这一问题，论文提出基于增强核慢特征分析的不完备数据故障诊断方法，构建了数据补全、特征增强与智能识别相结合的诊断框架。该方法通过改进核慢特征分析实现缺失传感器数据补全与故障特征增强，使不同传感器缺失率下的输入特征保持稳定。同时，将多源时序数据转换为具有时空结构的数值矩阵，并结合深度神经网络提取故障判别特征，实现复杂故障模式的准确识别。以南海深水防喷器液控系统为例进行验证，结果表明，所提方法能够在传感器数据缺失条件下保持较好的诊断性能，有效提升了不完备数据场景下故障识别的准确性与可靠性，为深海油气装备的智能监测与安全运维提供了方法支撑。
论文链接：https://doi.org/10.1016/j.oceaneng.2026.126144
