随着国家排放标准越来越严格和国六柴油机的上市,柴油机空气系统的结构越来越复杂,同时可以从柴油机监测并获取的参数量越来越多,柴油机本身容易发生各种故障,如何准确地对柴油机进行健康状态的评估,合理进行预测性维护成为越来越多的学者关注的问题。而近年来飞速发展的深度学习和车联网技术为这一问题提供了行之有效的解决方法。本文基于柴油机实时监测数据运用深度学习方法对于柴油机空气系统的健康状态评估和预测方法进行了研究。本文首先对柴油机监测实验和数据进行了分析,并结合柴油机空气系统和故障类型进行了参数初步筛选,接着用相关性分析的方法对于初步筛选的参数进一步筛选,得到最终的特征参数。为解决特征参数变化区间较大的情况下,不利于特征提取且模型复杂,从而导致健康状态评估不准确的问题,对柴油机进行工况区间的划分,并通过参数分析验证其合理性。为实现对空气系统健康状态进行评估,将空气系统健康状态划分为5个等级,也即健康状态、其他系统故障状态、临近故障状态、故障待确认状态和故障状态。继而搭建基于CNN分类的健康状态评估模型。为了扩充输入特征维度,使健康状态评估更加准确,将原始数据按照划分的工况重组为3×8×8的三维CNN输入样本。对于不同卷积层卷积核数目、不同激活函数下的空气系统健康状态评估结果进行了比较分析,最终在5个健康状态等级的测试集分类准确率分别达到100%、100%、96.2%、97.2%、99.3%。为解决空气系统难以进行预测性维护的问题,构建基于每小时故障率的初步健康值,并使用自编码器模型对于健康值进行加权修正,经过对多种重构误差计算方法选取,选定JS散度作为自编码器模型重构误差计算方法。采用滑动窗口平均法对于健康值进行平滑处理;接下来通过搭建LSTM网络模型对于所构建的健康值进行了单步预测和多步预测。其中单步预测基于历史10小时健康值预测未来若干小时健康值,均方根误差随着预测跨度的增大而逐渐增大。多步预测基于历史10小时预测未来3小时健康值,预测结果均方根误差为0.0108。最后,针对发动机系统特点和商用车队管理需求,设计了基于Web端的发动机健康管理系统界面,可以实现对于车队车辆实时监测运行数据、故障统计分析、健康状态评估和故障诊断等多种功能。