楊雙齊

(武漢船舶職業(yè)技術(shù)學(xué)院 交通運(yùn)輸工程學(xué)院，湖北 武漢 430050)

0 引 言

在智能背景下，艦船輪機(jī)設(shè)備狀態(tài)監(jiān)測所需數(shù)據(jù)量劇增，艦船在不同工況下進(jìn)行多發(fā)故障信號監(jiān)測的難度加大，傳統(tǒng)故障監(jiān)測方法已無法滿足新的需求[1]。

在艦船輪機(jī)設(shè)備故障診斷領(lǐng)域，國內(nèi)外學(xué)者研究了各種機(jī)器學(xué)習(xí)算法的應(yīng)用。余永華等[2]通過隨機(jī)森林算法，構(gòu)建船用柴油機(jī)氣缸故障檢測模型，實(shí)現(xiàn)船舶發(fā)動機(jī)健康狀態(tài)的實(shí)時(shí)監(jiān)控。彭道剛等[3]將采集到的故障信號進(jìn)行變分模態(tài)分解，提取故障信號特征，通過貝葉斯算法優(yōu)化超參數(shù)后，構(gòu)建輕量型梯度提升機(jī)模型進(jìn)行故障檢測。但它們在故障信號的檢測過程中依然存在運(yùn)算量大、缺少故障數(shù)據(jù)、模型訓(xùn)練復(fù)雜、檢測效率低，準(zhǔn)確度低等問題。

為了減少采集故障信號對艦船輪機(jī)設(shè)備的傷害，可以引進(jìn)異常數(shù)據(jù)檢測技術(shù)，只需要采集正常狀態(tài)的信號樣本，并與過去的故障樣本進(jìn)行對比，即可檢測異常數(shù)據(jù)[4]。因此，本文提出基于機(jī)器學(xué)習(xí)的艦船輪機(jī)設(shè)備多發(fā)故障信號監(jiān)測方法，結(jié)合EMD 經(jīng)驗(yàn)?zāi)B(tài)分解、孤立森林算法以及決策二叉樹支持向量機(jī)，實(shí)現(xiàn)了精確、高效、穩(wěn)定的故障信號監(jiān)測。

1 艦船輪機(jī)設(shè)備多發(fā)故障信號監(jiān)測

1.1 采集艦船輪機(jī)設(shè)備振動信號

振動和聲音傳感器是艦船輪機(jī)設(shè)備信號采集的主要裝置，能夠采集各種輪機(jī)設(shè)備的振動信號和噪聲信號。在現(xiàn)實(shí)應(yīng)用當(dāng)中，為了增強(qiáng)信號采集的質(zhì)量和效果，需要根據(jù)艦船所處的不同工況，選擇相應(yīng)的傳感器類型，如表1 所示。艦船在錨泊和靠岸的時(shí)候可以使用聲音傳感器和振動傳感器同時(shí)進(jìn)行信號采集，因?yàn)榇藭r(shí)艦船受到的沖擊振動波很小，不會給傳感器帶來太大的干擾，而且選擇多路信號源可以提高故障信號監(jiān)測的準(zhǔn)確度。艦船在巡航和戰(zhàn)斗工況下，輪機(jī)設(shè)備會產(chǎn)生較大的振蕩，干擾振動傳感器的信號采集，使數(shù)據(jù)采集精度大幅度下降。因此這2 個(gè)階段適合聲音傳感器的信號采集，聲音傳感器在采集過程中無需進(jìn)行實(shí)際接觸，所以可以避免大部分振蕩產(chǎn)生的影響，保證信號采集的精度。為了合理地設(shè)計(jì)傳感器的測量點(diǎn)位，提高信號采集的質(zhì)量和精度，需要根據(jù)艦船不同輪機(jī)裝備的結(jié)構(gòu)機(jī)理和屬性設(shè)置傳感器的放置位置，這樣可以使得到的數(shù)據(jù)信號具有更顯著的特點(diǎn)。

表1 艦船不同工況對應(yīng)的傳感器類型Tab.1 Sensor types corresponding to different operating conditions of ships

1.2 振動信號特征提取

在進(jìn)行特征提取之前，需要將采集到的振動噪聲信號進(jìn)行小波變換降噪[5]，濾除多余的噪聲。本文通過EMD 經(jīng)驗(yàn)?zāi)B(tài)分解法進(jìn)行降噪后信號特征提取，該方法屬于平穩(wěn)化處理，它可以將非平穩(wěn)數(shù)據(jù)進(jìn)行拆分，劃分為若干個(gè)IMF 函數(shù)。EMD 屬于時(shí)頻分析法，可以準(zhǔn)確地分析時(shí)間變化的頻率和變化中的信號，同時(shí)定位時(shí)間和頻率，并通過時(shí)間和頻率的數(shù)據(jù)將信號的特性進(jìn)行聯(lián)合表征，十分適用于分析艦船輪機(jī)設(shè)備振動噪聲這類非平穩(wěn)信號。

采集的艦船輪機(jī)設(shè)備振動信號在進(jìn)行降噪后，通過EMD 分解能夠獲取一定量的子信號，這些子信號的中心頻率都是降序排列，也就是IMF 分量。提取數(shù)據(jù)的特征參數(shù)，可以使獲取的IMF 分量特征分布更加顯著，從而賦予數(shù)據(jù)更多的物理意義，有利于故障信號的識別。設(shè)將艦船輪機(jī)設(shè)備振動信號X(t)進(jìn)行EMD 經(jīng)驗(yàn)?zāi)B(tài)分解，其公式為：

式中：m為分解級數(shù)；imfi(t)為各級IMF 函數(shù)用，i=1,2, …,m；e(t)為剩余信號項(xiàng)。

為了獲取艦船輪機(jī)設(shè)備振動信號的解析信號，需要對IMF 分量實(shí)行Hilbert 變換，處理之后的解析信號可以表示為：

因?yàn)镋MD 的計(jì)算過程屬于自適應(yīng)濾波，因此各級對應(yīng)的瞬時(shí)頻率不同，會根據(jù)信號的不同而變化。這些分量的頻率和幅度與數(shù)據(jù)的特征關(guān)聯(lián)，因此這些IMF 分量及其解析信號都可以作為振動信號分類的特征。

在提取艦船輪機(jī)設(shè)備振動信號的子信號特征時(shí)必須確定符合條件的特征指標(biāo)，包括時(shí)域信息、頻域信息、幅域信息以及能量特征信息等，根據(jù)這些特征指標(biāo)可以獲取對應(yīng)的故障信號特征參數(shù)，從而反應(yīng)艦船輪機(jī)設(shè)備的健康狀況。同時(shí)在選取特征方面，需要經(jīng)過詳細(xì)的對比，最終篩選出最優(yōu)特征，因?yàn)樘卣鬟x擇對識別分類結(jié)果的影響很大，所以正確的特征選取可以提高故障信號識別分類的精度。

1.3 基于孤立森林算法的異常信號檢測

進(jìn)行去噪和特征提取后，需要檢測其中的異常信號作為故障信號的分類和判斷依據(jù)，本文通過I forest孤立森林算法進(jìn)行異常信號檢測。該算法屬于集成學(xué)習(xí)和劃分孤立的異常檢測算法，由若干二叉樹構(gòu)成，因?yàn)楫惓?shù)據(jù)的特征比正常數(shù)據(jù)要突出很多，所以通過二叉樹進(jìn)行異常數(shù)據(jù)切分后，即可篩選出異常值，從而判定異常信號。孤立森林模型在使用二叉樹切分?jǐn)?shù)據(jù)時(shí)，其特異程度取決于該數(shù)據(jù)點(diǎn)在二叉樹中延伸的距離，距離正常數(shù)據(jù)越遠(yuǎn)，就說明該數(shù)據(jù)越異常，這里需要引入平均路徑長度和隔離樹2 個(gè)概念，整體計(jì)算過程如下：

1）在由艦船輪機(jī)設(shè)備振動信號特征構(gòu)建的訓(xùn)練集中選取若干子樣本組成二叉樹模型。

2）通過隔離樹傳遞測試樣本，進(jìn)行艦船輪機(jī)設(shè)備振動信號特征異常分?jǐn)?shù)的計(jì)算。

在進(jìn)行模型訓(xùn)練時(shí)，子空間孤立點(diǎn)檢測與I forest算法有著很大的關(guān)聯(lián)性。假設(shè)變量為d，在該變量分布的n個(gè)實(shí)例當(dāng)中，選擇1 個(gè)艦船輪機(jī)設(shè)備振動信號特征數(shù)據(jù)樣本，構(gòu)建一顆二叉樹。將一批樣本從整體數(shù)據(jù)當(dāng)中分離出來，設(shè)置一個(gè)任意艦船輪機(jī)設(shè)備振動信號特征的初始點(diǎn)，取一個(gè)隨機(jī)參考值，分為左、右2 個(gè)路線，進(jìn)行分類時(shí)，將小于參考值的樣本歸入左路，將大于參考值的樣本歸入右路，直至完成分類。

1.4 決策二叉樹支持向量機(jī)故障信號分類模型

艦船輪機(jī)設(shè)備故障信號種類多，不同故障會產(chǎn)生不同異常信號，因此通過決策二叉樹支持向量機(jī)的分類模型進(jìn)行艦船輪機(jī)設(shè)備異常信號的分類。該方法結(jié)合了支持向量機(jī)二分類的特性，可以將復(fù)雜的多分類問題簡化為連續(xù)的二分類問題，詳細(xì)的分類過程如圖1所示?？梢钥闯觯挟惓Ｐ盘柕念悇e都在二叉樹的根節(jié)點(diǎn)體現(xiàn)出來，然后按照順序?qū)y試數(shù)據(jù)集進(jìn)行分類，直至到達(dá)最終的葉子節(jié)點(diǎn)，對應(yīng)類別是測試數(shù)據(jù)集所屬的故障信號類別。

圖1 決策二叉樹支持向量機(jī)分類樹狀圖Fig.1 Decision binary tree support vector machine classification tree

1.5 艦船輪機(jī)設(shè)備多發(fā)故障信號監(jiān)測流程

本文方法根據(jù)艦船不同的工況采集輪機(jī)設(shè)備的振動信號，通過小波變換進(jìn)行降噪處理后，采用EMD 經(jīng)驗(yàn)?zāi)B(tài)分解法提取振動信號特征，使用孤立森林算法進(jìn)行異常信號檢測，通過決策二叉樹支持向量機(jī)故障信號分類模型識別故障信號，實(shí)現(xiàn)艦船輪機(jī)設(shè)備多發(fā)故障信號監(jiān)測，流程如圖2 所示。

圖2 多發(fā)故障信號監(jiān)測流程Fig.2 Monitoring process for multiple fault signals

2 仿真實(shí)驗(yàn)

2.1 數(shù)據(jù)集

在巡航工況下，采集艦船柴油發(fā)電機(jī)組運(yùn)行中的振動信號，采樣頻率設(shè)置為45.8 kHz，只需要采集正常的振動信號即可，然后收集艦船過去采集的多發(fā)故障信號數(shù)據(jù)，以壓縮機(jī)故障、冷卻器故障和噴油嘴故障3 種信號為例，將正常信號與故障信號進(jìn)行對比，如圖3 所示。可知，故障信號的幅值與正常信號的幅值相差并不明顯，只是略微有些區(qū)別，肉眼難以分辨，因此為了更好地分析信號特征還需要對采集到的信號進(jìn)行降噪處理和特征提取。實(shí)驗(yàn)將采集到的柴油發(fā)電機(jī)組振動信號進(jìn)行分段提取，按照15 s 左右的長度截取，選用300 個(gè)正常工況下的振動信號樣本作為訓(xùn)練集，再選擇200 個(gè)多發(fā)故障信號樣本，同300 個(gè)正常信號樣本共同組成500 個(gè)綜合信號樣本測試集。

圖3 正常振動噪聲信號與故障信號對比Fig.3 Comparison of normal vibration noise signal and fault signal

2.2 可行性實(shí)驗(yàn)

將采集到的船舶柴油機(jī)發(fā)電機(jī)組振動噪聲信號樣本進(jìn)行小波降噪后，通過EMD 經(jīng)驗(yàn)?zāi)B(tài)分解，獲取一定量的子信號，分解效果如圖4 所示?？梢钥闯?，振動信號按照中心頻率呈降序排列，在經(jīng)驗(yàn)?zāi)B(tài)分解后形成了3 個(gè)IMF 分量，每個(gè)分量所含有的特征參數(shù)都不同，將這些分量特征進(jìn)行提取，獲取正常信號特征參數(shù)。故障信號樣本按照相同的方法進(jìn)行特征提取，獲取故障樣本特征參數(shù)。故障信號監(jiān)測結(jié)果表2 所示?？梢钥闯?，故障信號類型檢測準(zhǔn)確率在96%～100%，說明本文方法具有很好的故障信號監(jiān)測效果，可以及時(shí)準(zhǔn)確的發(fā)現(xiàn)艦船輪機(jī)設(shè)備的故障情況，有利于工作人員的維護(hù)和檢修，保證船舶的航行安全。

圖4 振動噪聲信號EMD 分解結(jié)果Fig.4 EMD decomposition results of vibration noise signal

表2 故障信號監(jiān)測結(jié)果Tab.2 Fault signal monitoring results

2.3 異常信號檢測效果對比

為了驗(yàn)證本文方法使用的孤立森林算法在異常信號檢測方面的性能，實(shí)驗(yàn)將本文方法與單分類支持向量機(jī)(OS)和魯棒性協(xié)方差估計(jì)(RC)2 種傳統(tǒng)異常檢測方法進(jìn)行對比實(shí)驗(yàn)，并通過故障信號檢測率(FDR)與故障信號虛報(bào)率(FAR)2 個(gè)指標(biāo)進(jìn)行分析，實(shí)驗(yàn)結(jié)果如圖5 所示?？梢钥闯?，在3 種異常檢測算法當(dāng)中，本文方法故障信號檢測率最高，故障信號虛報(bào)率最低，說明本文方法可快速檢測出艦船輪機(jī)設(shè)備產(chǎn)生的異常信號，效果優(yōu)異，可以降低多發(fā)故障信號分類和識別難度，提高監(jiān)測效率。

圖5 不同異常檢測算法效果對比Fig.5 Comparison of the effects of different anomaly detection algorithms

3 結(jié) 語

本文將采集的艦船輪機(jī)設(shè)備振動信號進(jìn)行小波降噪后，通過EMD 分解提取信號特征，利用孤立森林檢測異常信號，使用決策二叉樹支持向量機(jī)模型識別故障信號類型，實(shí)現(xiàn)艦船輪機(jī)設(shè)備多發(fā)故障信號監(jiān)測，實(shí)驗(yàn)表明：

1）本文方法可以有效地提取艦船輪機(jī)設(shè)備振動信號特征，故障信號檢出率很高，可以及時(shí)準(zhǔn)確地發(fā)現(xiàn)艦船輪機(jī)設(shè)備的故障情況。

2）本文方法可以快速準(zhǔn)確地檢測出艦船輪機(jī)設(shè)備在運(yùn)行過程中產(chǎn)生的異常信號，降低故障信號分類和識別的難度，提高故障信號監(jiān)測效率。

3）本文方法在各種船舶工況下都可以準(zhǔn)確的對多發(fā)故障信號進(jìn)行監(jiān)測，而且適應(yīng)性和穩(wěn)定性都很高，具有廣泛的實(shí)用價(jià)值。