艦船電機控制系統中的不穩定數據挖掘方法研究

李瑋瑤，李圣普

(平頂山學院 計算機科學與技術學院，河南 平頂山467000)

0 引 言

艦船電機控制系統是保障艦船穩定可靠運行的核心部分，艦船電機長期處于高溫、高鹽等惡劣的工作環境下，導致艦船控制系統故障頻發，工作狀態不穩定。對艦船電機控制系統中的不穩定數據進行有效挖掘是實現故障診斷和穩定控制的基礎，研究艦船電機控制系統的不穩定數據挖掘方法具有重要意義［1］。

傳統方法中，對艦船電機控制系統的不穩定數據挖掘方法主要可以分為基于時域分析的不穩定數據挖掘法、基于頻域分析的不穩定數據挖掘法、基于統計分析的不穩定數據挖掘法、基于信息論分析的不穩定數據挖掘法、模式識別方法以及人工智能方法等，結合故障信號處理和特征提取算法［2］，把人工神經網絡和專家系統識別方法引入到艦船電機控制系統的不穩定數據挖掘應用領域中，取得了較好的應用和研究成果。其中，文獻［3］提出一種基于Hilbert 譜提取艦船電機控制系統的異常數據挖掘算法，實現故障診斷和穩定性控制，但是該算法具有計算量大、計算開銷復雜的問題;文獻［4］提出一種基于艦船電機控制系統的狀態信息特征時間尺度分解的數據挖掘算法，實現對艦船電機控制系統的不穩定數據的挖掘，提取電機控制系統故障信號的故障特征，為艦船電機控制系統的模式識別和故障分類識別提供數據基礎。但該算法需要進行多層分解，計算復雜，應用價值不好。文獻［5］提出的艦船電機控制系統不穩定數據挖掘方法采用正態相關狀態特征提取方法，隨著不穩定數據的耦合性增強，正態相關狀態特征不能完全反應艦船電機控制系統的不穩定狀態，挖掘性能不好［6－8］。針對上述問題，本文提出一種基于功率譜密度估計的艦船電機控制系統中的不穩定數據挖掘方法。

1 信號處理模型構建及時頻域描述分析

1.1 信號模型構建

采用數據挖掘算法［9］，進行艦船電機控制系統狀態識別和故障診斷的系統運行流程如圖1 所示。

圖1 基于不穩定數據挖掘的艦船電機控制系統狀態識別Fig.1 Ship motor control system based on data mining unstable state recognition

可以看出，艦船電機控制系統狀態識別和故障診斷的第一步是信號的檢測采集，采用信號處理算法實現對艦船電機控制系統狀態識別。能否有效提取具有區分不穩定運行專題類別的特征決定是能否有效進行故障診斷識別的關鍵。本文對艦船電機控制系統故障診斷采用輻射噪聲信號為采集對象，艦船電機控制系統的輻射噪聲包括電機控制系統進氣、排氣、振動等運行過程中產生的噪聲，以此為原始數據進行不穩定信息數據挖掘，實現狀態識別。在此，首先進行信號模型構建，假設艦船電機控制系統輻射噪聲原始數據信息表達式為:

其中:

式中:a(t)和θ(t)分別為艦船電機控制系統輻射噪聲的原始數據的包絡和信號頻譜相位信息;a(t)和θ(t)都是艦船電機控制系統噪聲信號的時間序列函數，得到艦船電機控制系統不穩定信息的信號解析表達式為z(t)，它是x(t)與1/t 的卷積，為:

其中，f 為數據采集頻率，τ 為數據采集時間延遲，把電機控制系統故障信號的時域和頻域結合在一起，通過時間加窗分析保留或放大信號在此段時間窗內的時頻分量。以此為基礎，描述艦船不穩定數據信號的各頻率分量的時頻變換關系，通過構建窗函數的長度與頻譜圖，得到一個能反映艦船電機控制系統的非平穩信號特征的時頻聯合分布函數WTf(a，τ):

其中，x(t)為不穩定數據信息可調窗口平方可積函數;ψ(t)為基小波函數，2 個參數a 和τ 有關。不斷改變中心頻率，通過在時間軸上連續滑動窗口，通過時頻加窗，使用時間尺度函數對數據進行分段處理，使得信號分段平穩，使用窄時域窗，得到艦船電機控制系統中的不穩定數據信號x(t)的短時傅里葉變換為:

式中:x(τ)為極值點的時間間隔;f 為頻域特征;t 為局部振蕩時間。

通過短時傅里葉變換和能量密度譜處理，實現對艦船電機控制系統的不穩定數據的信號模型構建，以此為基礎進行特征提取和數據挖掘。

1.2 時頻域描述

在上述信號模型構建的基礎上，對艦船電機控制系統的不穩定數據進行時頻分析和時頻域描述，電機控制系統故障信號在本文中反映為時間的函數，采用小波分析方法建立一組相對穩定的短時信號模型進行艦船電機控制系統的不穩定數據的數據挖掘，這一過程描述如圖2 所示。

圖2 艦船電機控制系統中的不穩定數據相對穩定的短時信號模型Fig.2 Ships in the motor control system is not stable data relatively stable short-term signal model

對于艦船電機控制系統，輻射的不穩定狀態噪聲數據信號具有非穩態和非線性特性，任意原始的電機控制系統故障信號x(t)，得到電機控制系統不穩定數據信號的能量密度譜為:

其中，STFT(. )為取瞬時頻率，采用極值尺度參數定義固有模態函數(Intrinsic mode function，IMF)進行經驗模態分解(Empirical mode decomposition，EMD)，使得加窗保留了時間窗內的時頻關系，揭示了電機控制系統輻射噪聲信號的內部特征，艦船電機控制系統的瞬時頻率實信號的表達式具有如下形式:

通過時頻域描述，得到復信號的表達式為:

受外部噪聲干擾的情況下，電機控制系統不穩定數據信號在本文中反映為時間的函數，電機感應尺度平移平面上平移向量為:

其中，P 為電機控制系統的輸入功率;x(τ)為雙曲調頻幅度，電機系統在t0時刻電流誤差出現急劇變化，為了使電流矢量返回外邊界圓，實現對電機控制系統的不穩定數據挖掘，按照Hilbert 相位求導，艦船電機控制的不穩定數據在整個電機狀態運行模態中零點數與極值點個數相等，由此得到瞬時頻率的估計為:

其中，i 為采樣時間序列;ai為幅值;p 為不穩定數據的中位數，通過短時傅里葉變換和能量密度譜處理，進行特征提取，實現數據挖掘。

2 功率譜密度特征提取和不穩定數據挖掘

2.1 功率譜密度特征提取

艦船電機控制系統不穩定數據具有非平穩時變特性，湮沒在色噪聲背景中，難以實現有效的數據挖掘，當前方法采用正態相關狀態特征提取方法，隨著不穩定數據的耦合性增強，正態相關狀態特征不能完全反應艦船電機控制系統的不穩定狀態，挖掘性能不好。為了克服傳統方法的弊端，提出一種基于功率譜密度估計的艦船電機控制系統中的不穩定數據挖掘方法。假設待挖掘的艦船電機控制系統不穩定數據的相關噪聲分布p(ek| vk)的方差和均值服從分布如下:

采用固有模態函數變換分析艦船電機控制系統不穩定數據的極限幅頻特性，得到瞬時頻率的估計為:

其中，算子R(·)為取復數的實部;a(t)為取傅氏譜在頻域內的功率譜。在構成的多個窄帶信號中分析艦船電機控制系統不穩定數據的頻譜特征，得到離散時間艦船電機控制系統不穩定數據序列的頻譜畸變部分估計為:

上式可見，要求a(t)的變化應該足夠緩慢以使其傅氏譜與cosθ(t)的傅氏譜在頻域不相交，考慮一種簡單的功率譜密度匹配濾波算法，對干擾信息進行數據濾波，得到濾波器的傳遞函數:

其中，相應的幅值和相位函數的頻率參數為a，帶寬參數為r，當a 變化時，構成的正交項與信號實際的正交項相交，功率譜密度估計值傳遞給采樣頻率，實現功率譜密度特征提取。

2.2 不穩定數據挖掘

通過上述功率譜密度特征提取結果，進行艦船電機控制系統不穩定數據的頻譜檢測，得到的艦船電機控制系統不穩定數據信號頻譜特征形式為:

其中，ζ(n)為噪聲;Φk為不穩定數據信息去干擾處理后相位信息;ωk為特征偏轉，假設艦船電機控制系統數據傳輸通信信道為連續系統，艦船電機控制系統不穩定數據的頻域模型表示為:

式中，h(. )為艦船電機控制系統不穩定數據時間窗口函數;ωn為測量誤差。不穩定數據信息庫數據集X={x1，x2，…，xn}，n 為數據集X 的數目，艦船電機控制系統不穩定數據時間序列的延遲時間互信息為:

其中，τ 為采樣時間延遲;pi為相應的幅值信息量;pj為正交項Qx(t)的傅氏譜，基于功率譜密度估計，實現對艦船電機控制系統中的不穩定數據的經驗模態分解和多分量幅度調制，實現對艦船電機控制系統的不穩定該數據的有效挖掘。艦船電機控制系統不穩定數據挖掘流程如圖3 所示。

圖3 艦船電機控制系統不穩定數據挖掘流程Fig.3 The data mining process for the control system of ship motor

3 仿真實驗與結果分析

為了測試本文算法在實現艦船電機控制系統不穩定數據挖掘和艦船電機的故障診斷及穩定性控制中的性能，進行仿真實驗。實驗建立在某大型艦船電機控制系統平臺上，使用本實驗室研制的TED2012 電機控制系統的噪聲數據采集儀器進行原始數據采集，在艦船電機的缸蓋處進行信號采集，得到艦船電機控制系統的運行狀態信息原始數據采樣結果如圖4 所示。

根據圖3 給出的原始數據作為測試樣本數據集，進行艦船電機控制系統的不穩定數據的挖掘仿真，假設不穩定數據挖掘歸一化初始頻率分別為:f11=0.05，f12= 0.15，艦船電機控制系統不穩定數據去干擾濾波的歸一化終止頻率分別為:f21= 0.3，f22=0.5，艦船電機工作環境噪聲為高斯白噪聲，不穩定數據的采樣點數N = 256。在艦船電機控制系統不穩定數據挖掘參數設計中，取A = 200 ×200 m2，N =600，800 和1000 時，進行功率譜密度估計和特征提取，得到上述3 個信道下的不穩定數據功率譜密度特征提取結果如圖5 所示。

圖4 艦船電機控制系統的運行狀態信息原始數據采樣Fig.4 Ships motor control system running status information of the original data sampling

采用本文算法，能有效實現對艦船電機控制系統不穩定數據功率譜密度特征提取，數據挖掘精度較高，為了定量分析本文算法在進行艦船電機控制系統不穩定數據挖掘的性能，采用不同算法，在不同信噪比SNR 下，通過艦船電機控制系統不穩定數據的挖掘，以對不穩定數據的準確挖掘檢測概率為測試指標，通過20 000 次蒙特卡羅實驗，得到仿真結果如圖5 所示，采用本文算法有效提高了對艦船電機控制系統不穩定數據的準確挖掘和檢測概率，精度較高，抗干擾能力較強。

圖5 艦船電機控制系統不穩定數據功率譜密度特征提取結果Fig.5 Ships motor control system unstable power spectral density data feature extraction results

圖6 數據挖掘性能對比Fig.6 Performance contrast data mining

4 結 語

本文提出一種基于功率譜密度估計的艦船電機控制系統中的不穩定數據挖掘方法。首先對艦船電機控制系統中的不穩定數據進行信息與信號模型構建，在信號模型構建的基礎上，對艦船電機控制系統中的不穩定數據進行時域和頻域分析與描述，在時頻域中進行功率譜密度特征提取，實現對艦船電機控制系統中的不穩定數據的經驗模態分解和多分量幅度調制，提高功率譜密度特征對艦船電機控制系統中的不穩定數據的表征能力，提高數據挖掘性能，仿真結果表明，采用該算法能有效提高艦船電機控制系統不穩定數據挖掘精度，準確挖掘和檢測概率較高，為實現對艦船電機控制系統的運行狀態監測和故障診斷分析奠定基礎。

［1］陳杰，陳冉，陳家偉，等．變速風力發電機組的模糊－單神經元PID 控制［J］．中國電機工程學報，2011，31(27):88 －94．

［2］張小冰．變頻器優化控制方法研究與仿真［J］．計算機仿真，2011，28(11):409 －412．

［3］齊昕，周曉敏，馬祥華，等．感應電機預測控制改進算法［J］．電機與控制學報，2013，17(3):62 －69．

［4］宋鈺，何小利，何先波，等．基于云計算神經網絡調度算法研究［J］．計算機仿真，2009，4:78 －79．

［5］王鋒，孫翠華．汽車電機控制系統故障征兆挖掘技術的研究與仿真［J］．計算機仿真，2013，30(10):229 －232．

［6］楊俊，周丙寅，張毅，等．基于遞歸圖分析的壓縮機故障診斷方法研究［J］．計算機與數字工程，2013，41(6):984 －986．

［7］尹剛，張英堂，李志寧，等．基于MSPCA 的缸蓋振動信號特征增強方法研究［J］．振動與沖擊，2013，32(6):143 －147．

［8］邢長征，劉劍．基于近鄰傳播與密度相融合的進化數據流聚類算法［J］．計算機應用，2015，35(7):1927 －1932．

［9］付主木，曹晶，王曉紅．具有末端落角約束的空地導彈滑模變結構制導律設計［J］．信息與控制，2015，44(3):291 －297，302．