基于機器學習的艦船機電裝備故障診斷

吉 哲，張松濤，代春明

應用研究

基于機器學習的艦船機電裝備故障診斷

吉 哲，張松濤，代春明

（海軍士官學校二系，安徽蚌埠 233012）

隨著信息技術的發展，以機器學習、模式識別為代表的人工智能技術在故障診斷領域逐步得到應用。通過對振動噪聲信號的采集，利用時頻分析技術對信號進行分解，并提取故障特征參數，再利用機器學習或模式識別技術對信號進行判別分類，可以實現艦船機電裝備的智能診斷。為了驗證該方法，選擇經驗模態分解方法進行信號分解，采用支持向量機進行診斷分類。通過實驗表明，該方法有著較高的診斷精度，故障診斷率達到了96.7%，可以對艦船機電裝備常見故障進行準確的智能診斷。

機器學習 機電裝備 經驗模態分解 支持向量機 故障診斷

0 引言

艦船機電裝備長期在高溫、高鹽、高濕的惡劣環境中使用，長時間的運行，加之誤差及操作人員失誤等因素，極易出現故障。為了維護其安全運行，避免重大事故，應及時識別運行過程中產生和演變的故障。目前，根據機艙各類監控系統提供的數據參數進行故障診斷主要憑借的是維護人員的工作經驗，主觀性較大，對人員素質要求較高，難以滿足應急保障的需要。故障檢查要求停機甚至進行拆卸，影響了裝備的使用效率。研究并應用具有不停機、不解體特點的機電裝備故障智能診斷系統是維護裝備正常運行的重要手段，大大縮短了裝備故障診斷、定位及維修的時間，是艦船遂行使命任務的重要保證，具有重大意義。

本文利用艦船機電裝備的振動噪聲信號建立智能故障診斷系統流程，并通過實驗驗證了經驗模態分解對信號準確的分析能力和支持向量機在非線性、高維度下的精準判別能力，通過訓練樣本對系統進行訓練，再通過測試樣本驗證系統的準確性。

1 機電裝備振動噪聲信號特征提取

1.1 振動噪聲信號采集

機械設備在運行過程中會不可避免地產生振動和噪聲，它是機械運行的一種屬性，包含著大量反映機械工作狀態的診斷信息。艦船機電裝備信號采集主要由振動和聲音傳感器組成，負責采集機電裝備的振動和噪聲信號。實際使用時，應根據艦船的不同工況，分別選用不同類型的傳感器，具體見表1所示。

表1 艦船不同工況下設置傳感器情況

艦船在靠岸工況、錨泊工況下受到的沖擊振動較小，不影響振動和聲音傳感器正常工作，因此選用振動和聲音傳感器雙通道進行信號采集，使用多路信號源旨在提高裝備的故障診斷精度。艦船在巡航工況、戰斗工況下由于受到水流、側風等因素的影響，會對裝備造成一定程度的振動，給振動傳感器的信號采集帶來了干擾，從而影響了數據采集的精度。而聲音信號的采集是一種非接觸的采集方式，適用于顛簸振動的場合，因此此時主要以聲音傳感器的信號為診斷依據。

1.2 振動噪聲信號特征提取

由于艙室內部自身噪聲以及其他設備噪聲的影響，信號采集過程中不可避免的會混入噪聲，尤其是高頻噪聲，干擾了信號自身特征，將淹沒有用信息，影響了故障診斷的精度。因此，首先需要將采集到的振動噪聲信號進行去噪處理。在信號處理時，針對時域、頻域分析具有局限性的問題，為了精準地描述隨時間變化的頻率，需要一種能研究變化中信號的方法。目前，時頻分析方法可以滿足這一要求，如小波分解，該方法已在信號處理的各個領域得到廣泛應用。艦船主機、副機等機電裝備的振動噪聲信號是典型的非平穩非線性信號。時頻分析方法通過時間和頻率信息聯合表征信號的特征，可以同時對時間和頻率定位，非常適用于非平穩信號的分析。

將經過去噪處理后的振動噪聲信號進行EMD分解，可以得到中心頻率呈降序排列的若干子信號，即IMF分量。但是得到的IMF分量特征分布不明顯，需要將數據進行特征參數提取，從而得到更具有物理意義的數據，以便于進行故障識別。因此，需要選擇合適的幅域信息、時域信息、頻域信息及能量信息等特征指標，對子信號進行特征提取，得到相應的故障診斷特征參數，裝備的狀態信息在特征參數中得到體現。特征的選擇會對識別分類工作產生很大影響，所以在特征選取上需要進行對比選擇最優特征。

能量作為一種常用的特征，它表示物體做功的本領，表達式為：

2 機電裝備故障診斷

2.1 故障判別方法

2.2 故障診斷流程

首先采集艦船機電裝備在不同工況下的振動噪聲信號，并進行分類存儲；再通過濾波的方式對信號進行基本去噪處理，主要是去除信號中的高頻噪聲，提高信號的信噪比；接著對振動噪聲信號進行信號分解，選用經驗模態分解的方法，得到若干個IMF分量，分別計算各個IMF分量的能量，并以此作為信號的特征參數；最后采用支持向量機對各類信號樣本進行分類，從而實現裝備的智能故障診斷。故障診斷的總體步驟如圖1所示。

3 實驗結果

實驗的研究對象是船用6135D型柴油發電機組。以艦船巡航工況為例，此時只設置聲音傳感器，在柴油發電機組氣缸上方50 cm處采集噪聲信號，共采集四種類型的噪聲信號，分別是正常信號和三種故障信號。三種故障信號分別為噴油嘴故障、氣門間隙故障和供油提前角故障。圖2是正常噪聲信號時序圖，圖3是氣門間隙故障噪聲信號時序圖，僅從時序圖上難以區分信號的種類，需要進一步的分析和判斷。

圖1 故障診斷總體步驟示意圖

圖2 正常噪聲信號時序圖

圖3 氣門間隙故障噪聲信號時序圖

實驗提取10 s左右長度的柴油發電機組噪聲信號，每種類型的信號選取100個樣本進行分類實驗，在對噪聲信號進行采樣的程序中設置采樣頻率為44.1 kHz，通過對正常信號和三個故障信號進行采樣得到400組樣本。將經過去噪后的6135D型柴油機發電機組噪聲信號進行EMD分解，得到若干子信號。正常狀態的信號分解結果如圖4所示。每個信號樣本被分解成了11個IMF分量，每一個IMF分量的中心頻率呈降序排列。

圖4 正常狀態噪聲信號EMD分解結果

表2 故障診斷結果

從表中可以看出，四種信號類型中正常狀態和氣門間隙故障狀態均全部判別正確，噴油嘴故障狀態和供油提前角故障狀態也具有較高的故障診斷率，總體達到了96.7%的診斷精度，驗證了該方法在機電裝備故障診斷中的有效性和先進性，可以有效協助維護人員對艦船柴油發電機組進行維護檢修。

4 結論

艦船機電裝備在使用過程中難免會出現故障，為了能夠及時準確的找到故障部位，保證動力或電能的不間斷傳輸，需要建立一個完整、高效的故障診斷系統。本文將經驗模態分解引入機電裝備故障診斷領域，并通過支持向量機的模式識別方法，建立了一套故障智能診斷系統，使機器學習技術在艦船機電裝備故障診斷中發揮重要作用，具有一定的應用價值。

[1] 蔡振雄, 李玩幽, 李寒林. 利用振動噪聲信號診斷柴油機故障研究的現狀與發展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] 曾榮, 曾銳利,丁雷. 發動機聲信號與振動信號故障特征提取對比分析[J]. 軍事交通學院學報, 2018(08): 40-45.

[3] Huang N E, ZhengS,Steven R L, etl. The empirical mode decomposition and the hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceding of the Royal Society Lond,1998, 454(8): 903-995.

[4] Tan J, Min J, Wu X. Diesel engine fault diagnosis and denoising disposal of the vibration signals based on EMD method[C]//Digital Manufacturing and Automation (ICDMA), 2013 Fourth International Conference on. IEEE, 2013: 488-491.

[5] Wu J D, Liu C H. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J]. Expert systems with applications, 2009, 36(3): 4278-4286.

[6] 蔣波濤, 張博, 黃新波. 基于支持向量機的電機故障診斷方法綜述[J]. 微電機, 2018, 51(07): 64-67+73.

[7] 賀立敏, 王峴昕, 韓冰. 基于隨機森林和支持向量機的船舶柴油機故障診斷[J]. 中國航海, 2017(2).

Application of artificial intelligence technology in fault diagnosis of marine electromechanical equipment

Ji Zhe, Zhang Songtao, Dai Chunming

(Naval Petty Officer Academy, Bengbu 233012, China)

TP18

A

1003-4862(2022)02-0001-04

2021-07-13

吉哲（1983-），男，副教授。研究方向：艦艇電氣技術、機器學習。E-mail: jizhe@mail.ustc.edu.cn