基于冗余數據分析的船舶主機控制系統傳感器偶發性故障檢測

李志，閆明勝，韓寶宏，魏慕恒，朱慧敏，李奇鐘*

（1. 神華中海航運（天津）有限公司，天津 300000; 2. 震兌工業智能科技有限公司，深圳 518101）

0 引言

近年來，伴隨著船舶主機控制系統日益復雜化和精密化的發展趨勢，構成控制系統的復雜電子電路和設備儀器的老化逐漸成為控制系統故障的重要誘因，而構成控制系統終端的眾多傳感器，受到包括振動、電磁干擾等惡劣的工作環境的影響，其老化速度往往明顯高于線纜和其他對精度要求不甚嚴格的機電設備，而故障傳感器返回的錯誤讀數又會進一步導致控制系統做出錯誤決策，最終可能產生嚴重的安全事故，造成重大損失。而及時有效檢測出微小故障對于降低系統損傷、減少事故發生具有重要意義[1]。

當傳感器發生老化時，其故障往往表現出偶發性的特點，即故障持續時間有限，沒有外部補償故障仍可自行消失。也正因如此，偶發性故障在前期往往難以排查，而長期的風險累積又會導致嚴重后果。工業上通常根據經驗對易損件進行定期更換，但難以在成本和安全性之間尋求平衡。

考慮到船舶控制系統通常會在同一設備上布置多個同類型傳感器，其傳回的數據之間往往具有較大的相關性和冗余度，如果其中某些傳感器的讀數和總體數據規律發生明顯偏離，且這種偏離現象以一定頻率重復出現，則認為發生了偶發性故障?；谶@種思路，本文提出了一種能夠對船舶主機控制系統的傳感器偶發性故障進行準確檢測的方法和系統。

1 DPCA檢測模型

自Mehra[2]第一次系統探討故障診斷技術以來，各種數據驅動的故障識別和診斷方法層出不窮，許多基于神經網絡的方法在具體場景都收到了良好效果[3-5]，但是為了達到理想的檢測效果，往往需要用到深層的神經網絡，算法往往實時性較差，需要對網絡進行優化，而優化又會導致算法失去可移植性[6]。綜合考慮算法的實時性和通用性，我們選擇使用傳統的多元統計分析方法對高維的冗余數據進行分析。

主流的多元統計分析故障診斷方法有主成分分析（Principal Component Analysis， PCA）、規范變量分析（Canonical Variable Analysis, CVA）、Fisher判別分析（Fisher Discriminant Analysis, FDA）、偏最小二乘法（Partial Least Squares, PLS）等[7]。其中尤以PCA最為常用，其結果的可解釋性較強，適用于需要對模型進行機理解釋的廣闊工業場景。

利用主成分分析（PCA）對多傳感器傳回的同類型數據進行降維，可以從冗余數據中提取出關鍵特征，表征數據的主要規律。在工業上，利用PCA方法對數據進行降維并利用聚類方法對故障類型進行歸納和診斷是一種通用的做法,可以大大降低故障檢測的復雜性[8]。PCA方法通常與某種聚類方法結合，前者提取故障特征，后者負責對故障進行分類，如與SVM結合對振動傳感器的故障進行診斷[9]、與KNN相結合用于檢測生化過程中的物質成分異常[10-11]、與模糊核聚類方法（KFCM）相結合，對船舶柴油機故障進行診斷[12]等。針對傳感器偶發性故障，單獨使用PCA用于提取特征用于后續檢測即可。

雖然基于主成分分析的過程監控方法得到了廣泛的應用，然而，該方法假設獨立采樣，即樣本之間不存在時序相關性。在實際中，由于工業過程的動態特性，過程數據往往很難嚴格滿足上述假設。對此，Ku等[13]提出，通過擴展主成分分析模型，通過將一部分時延樣本納入數據矩陣，可以構建動態主成分分析模型，對時序相關的動態過程數據進行建模。由于各傳感器數據之間存在延時，即存在明顯的時間相關性，所以用DPCA而不是PCA方法來判定，具有更好的準確性[14]。

我們首先采集船舶主機控制系統的傳感器在正常工況下的測量樣本x，k時刻的測量樣本記為x(k)，x(k)為m維列向量，m為傳感器個數，建模過程共采集N個時刻的N組測量樣本；對正常工況下的測量樣本進行時延處理構造為擴增測量矩陣：

（1）中，d是時延樣本長度，x(k)是時刻的測量樣本的轉置，k=1-d，2-d，3-d...N；將擴增測量矩陣X的各列歸一化為零均值單位方差，得到規范測量矩陣Xnorm。

對規范測量矩陣的協方差矩陣S進行特征值分解，表達式為：：

其中P是[m×（d+1）]×l階矩陣，為主成分矩陣，由的前l列構成，為非主成分矩陣，是的第j個對角元素表示對角元素為的對角矩陣，表示對角元素為的對角矩陣；

至此，我們獲得了冗余數據中的主成分特征，以及相應的統計量計算參數與閾值。對于待分析的在線測量樣本序列z，k時刻的測量樣本記為z（k），其兩種統計量的計算表達式為：

參數定義同（3）。

將在線計算出的平方預測誤差SPE和霍特林T2統計量與預設閾值進行比較，若SPE≤Jth，SPE且，則船舶主機控制系統傳感器無偶發性故障，否則發出預警。算法流程圖如圖1所示。

圖1 故障檢測流程

2 實驗與結果分析

2.1 數據來源及實驗流程

我們采集了本公司經營的一條二十萬噸級貨運船出廠后一年內的航行數據。由于船上的設備均為全新，我們取第一周的數據作為正常樣本，將后半年航行的數據作為測試樣本，用于檢測是否存在控制系統傳感器偶發性故障。其中船主機氣缸安裝有十六個同型號的不同位點的溫度傳感器（依次稱為傳感器1，傳感器2， ，傳感器16），用于記錄排氣溫度。圖2展示了其中任意選取的三個位點在出廠后第一個星期內記錄的溫度值。

圖2 三個傳感器記錄的正常工作數據

為了提升算法的準確性，我們將所有傳感器的數據均進行去均值和方差歸一化的預處理，然后用DPCA檢測模型進行處理，分別取延時d為0-100的所有整數，其中d=0意味著沒有任何時延，即PCA方法。而經過反復試驗，d=100是一個遠超出系統最大延時的邊界，這一點從2.2中的結果中可以看出。

2.2 結果與分析

由于存在一個客觀最大時延dmax，所以當d≥dmax時，繼續增大時延不會對準確率有進一步的提升。我們以d=100時找到的所有異常作為基準，對其他各情況的準確率進行計算，得到準確率關于d的變化情況如圖3所示。圖4則展示了d=100時傳感器1的一段數據在經DPCA處理后，得到的SPE和霍特林T2統計量及相應閾值的情況。從圖中可以看出，SPE和霍特林T2統計量檢測到的異常并不完全重合，實際應用中我們取二者的交集作為結果，這是考慮到偶發性故障尚不明顯時并不會對船舶的航行安全造成明顯影響，為了減少虛警而采用了較為保守的故障檢測原則。

圖3 檢測準確率關于時延的變化關系

圖4 利用基于DPCA的故障檢測方法檢測到240秒時刻前后有偶發故障發生

由圖3可以估計，客觀最大時延dmax≈23，隨著d的增加，算法的用時也在逐漸增加，在單核CPU的前提下，其運行時間和檢測準確率見表1。同時，我們也可以從算法理論層面進行對比，分別將d取值為（0,10,23,100）的情況下，16維中的前十維的特征貢獻比例如圖5所示。從圖5中可以看出，考慮了時延之后，特征的貢獻比例更加向前幾維集中，這也意味著算法能更加有效地反映冗余數據的核心信息，有利于對數據的后續處理。

圖5 不同時延下前十維的特征貢獻比例

表1 不同模型下的檢測準確率和程序運行時間

3 結論

（1）DPCA方法適用于從冗余的船舶主機控制系統傳感器數據中提取有用的數據特征，識別異常數據，并據此排查出傳感器的偶發性故障。

（2）和傳統的PCA方法相比，由于DPCA考慮了多源數據之間時延關系，能夠更好地完成數據對齊和特征提取的工作，而PCA方法更容易受到噪聲和時延影響，難以反映數據的真實信息。

（3）實例分析表明，基于DPCA的冗余傳感器數據處理方法，為船舶主機控制系統傳感器偶發性故障檢測提供了新思路，當延時達到與客觀最大延時相近時，檢測準確度高，具有較為廣闊的應用場景。