基于小波神經網絡的船舶電氣故障診斷

朱哲華

（中國船級社廣州分社，廣東 廣州 510235）

0 引言

船舶電氣系統主要作用是完成能源的轉換和供應，并向船舶上各個設備分配電能，保證船舶的正常航行[1]。船舶電氣系統結構復雜程度較高，并且具有明顯的集成性。電氣系統一旦發生故障，無法及時確定故障類別，影響故障檢修效率，容易發生大規模停電事故，直接影響船舶的安全運行[2-4]。因此，精準實現船舶電氣故障診斷，是保證船舶安全運行的基礎。趙歡等[5]為實現船舶電氣故障診斷，主要結合紅外技術和神經網絡，通過提取紅外圖像紋理特征，完成故障診斷；但是該方法在應用過程中，電氣系統內部復雜程度較高，診斷結果會存在一定偏差。謝慶等[6]為實現電氣設備故障診斷。以設備的紅外圖像為基礎，將多尺度模型引入生成對抗網絡中，通過提取多尺度特征，完成故障診斷。但是該方法在應用過程中，無法有效進行噪聲處理，會降低診斷精度。

小波神經網絡將小波分析引入BP 神經網絡中，利用小波元替代神經網絡的神經元，并且采用小波函數作為隱含層節點的傳遞函數，使神經網絡具有降噪能力，去除信號噪聲，提升神經網絡的容錯性。因此，為實現船舶電氣故障診斷，研究小波神經網絡的電氣故障診斷分類模型。

1 船舶電氣故障診斷分類

1.1 故障診斷分類器結構

神經網絡分類器作為一種人工神經網絡算法，也可將其稱為神經網絡模型，其能夠通過數據模式學習，完成目標分類診斷，其主要是依據多層神經元之間的連接和權重完成目標分配，并且該分類器能夠依據網絡層數和神經元之間的關聯，有效完成復雜非線性問題的處理。船舶電氣系統設備復雜程度較高，且具有顯著的集成性；電氣系統運行過程中，產生的設備振動信號包含大量噪聲，同時各個設備的振動信號之間存在一定混合和干擾。因此，本文為實現船舶電氣系統故障的可靠診斷，將小波分析方法引入神經網絡模型中，采用小波函數替換網絡模型隱含層的Sigmoid 函數，以此結合小波函數的時頻處理能力和神經網絡的學習能力，提升故障診斷精度。小波神經網絡模型結構如圖1 所示。小波神經網絡模型整體分為3 個層，依次分別是輸入層、隱含層和輸出層。將采集的船舶電氣系統運行信號經由輸入層輸入至模型中，通過隱含層小波分析方法的閾值降噪以及神經網絡的學習能力完成信號的處理和學習，最后經由輸出層輸出故障的分類診斷結果。

小波神經網絡模型的輸入層節點數量用M表示，隱含層節點數量用K表示，輸出層節點數量用N表示，選擇的小波函數為Morlet 母小波函數，用 ψ(x)表示，其表達式為：

式中，x表示輸入參數。

輸出層的激勵函數采用Sigmoid 函數，用 η(u)表示，其表達式為：

小波神經網絡模型的輸入向量和輸出向量分別用X、Y表示，X=(X1,X2,...,XM)、Y=(Y1,Y2,...,YN)；期望輸出結果用Q=(Q1,Q2,...,QN)表示，輸出層誤差用ε(N)表示。如果輸入層的輸入向量為Xi，輸出層的第l個輸出結果用Yl表示，wij和wjl均表示模型中節點的連接權重，前者對應輸入層和隱含層，后者對應隱含層和輸出層，則模型公式為：

式中：a、b分別表示隱含層的伸縮和平移2 種因子。

依據上述公式即可完成小波神經網絡的船舶電氣系統故障分類診斷模型設計，依據該模型可進行故障診斷。

1.2 基于小波閾值的信號降噪

將電氣系統運行信號輸入模型中，模型在進行故障診斷時，利用小波分析進行信號降噪，獲取包含特征信息的信號分量。結合船舶電氣系統的運行特性，選擇小波分析中的自適應軟閾值降噪方法，該方法能夠更好保證電氣設備信號重構的逼近效果，同時避免信號特征缺失[7]。自適應軟閾值方法是設定自適應閾值ξ，并將絕對值大于ξ的小波系數減去ξ，同時將小于ξ的小波系數歸0。自適應閾值處理后的小波系數用表示，其計算公式為：

式中，μ表示噪聲標準差。

依據峭度和相關系數選擇的分量實樹和虛樹2 種小波包技術，完成自適應軟閾值降噪，并結合雙樹小波包進行信號重構，獲取包含船舶電氣系統運行特征信息的降噪后信號分量si，依據該分量進行故障分類診斷。

1.3 電氣故障分類診斷

完成信號處理后，通過神經網絡進行電氣故障分類診斷。以BP 神經網絡為主，將其作為分類器。該網絡的權值通常是人為設置，會影響網絡的收斂速度，降低電氣故障診斷可靠性。因此，采用思維進化算法（mind evolutionary algorithm，MEA）對BP 神經網絡的初始權值進行優化，形成改進BP 神經網絡，以此完成電氣故障診斷。電氣故障分類診斷詳細步驟如下：

步驟1結構種群初始化處理。在MEA 中進行種群初始化，確定種群初始數量r、優勝子群體數量m、臨時子群體數量p，在此基礎上，計算子群體大小，其計算公式為：

步驟2初始權值和閾值映射。設置BP 神經網絡的M、K以及N，以此確定MEA 中各個個體的編碼長度H，其計算公式為：

步驟3最優個體選擇。在子群體中構建得分函數用表示，其計算公式為：

式中：T和y2均表示輸出結果，前者對應期望結果，后者對應每次迭代后結果；χ(.)表示均方誤差計算函數。

依據上述公式獲取所有的得分結果，確定各個子種群的得分結果，采用對比和替換的方式對2 種子群進行處理，最終獲取其中值最高的個體。

步驟4解碼。以步驟3 最終的獲取結果為基礎，參考解碼規則進行解碼處理，將處理結果作為BP 神經網絡的初始權值和閾值，依據該權值和閾值完成網絡訓練，再利用式（3）實現船舶電氣故障分類診斷，并輸出診斷結果。

2 實驗結果分析

為驗證本文方法的船舶電氣系統故障診斷效果，以某貨船為例，展開相關測試。該貨船總質量為644.65 t，船長為42 m，主要用于運輸建筑材料。獲取該船舶運行28 d 的電氣系統運行信號，將該信號作為測試數據，采用本文方法進行該船舶故障診斷。該船常見故障包含操作機構脫扣卡滯、電路過熱以及絕緣體受潮3 種故障。

為驗證本文方法的電氣系統運行信號降噪效果，選擇能量比 φ 和標準差 σ作為評價指標，2 個指標的取值均在0～1，φ的值越小，表示降噪效果越佳；σ的值越大表示降噪效果越好。2 種指標的計算公式分別為：

依據上述公式計算本文方法在不同噪聲大小時，對于信號的降噪效果，測試結果如表1 所示。可知：采用本文方法進行信號降噪后，能夠有效完成信號中噪聲的處理，φ的結果均在0.15 以下；σ的結果均在0.922 以上。因此，本文方法的降噪效果良好，能夠有效完成信號中噪聲處理，為故障診斷提供可靠信號依據。

表1 船舶電氣系統運行信號降噪結果Tab.1 Noise reduction results of ship electrical system operation signals

為驗證本文方法的電氣故障診斷效果，依據降噪后的信號進行故障診斷，取3 種故障診斷結果，如圖2～圖4 所示。可知，本文方法具有較好的故障診斷能力，能夠精準完成不同類別故障診斷，為船舶電氣系統的運行提供保障。

圖2 操作機構脫扣卡滯故障診斷結果Fig.2 Diagnosis results of operating mechanism tripping and jamming fault

圖3 電路過熱故障診斷結果Fig.3 Diagnosis results of circuit overheating fault

圖4 絕緣體受潮故障診斷Fig.4 Diagnosis of insulator moisture fault

3 結語

船舶安全航行的核心是電氣系統的正常、穩定運行，因此需精準掌握電氣系統的運行狀態、可靠識別電氣故障。因此，本文研究小波神經網絡的船舶電氣系統故障診斷，并對其應用效果展開相關測試。測試結果表明：本文方法能夠有效處理信號中的噪聲，并且精準識別不同類別的船舶電氣故障，可靠掌握電氣系統的運行狀態，保證船舶的安全航行。