基于機(jī)器學(xué)習(xí)的艦船機(jī)電裝備故障診斷

吉 哲，張松濤，代春明

應(yīng)用研究

基于機(jī)器學(xué)習(xí)的艦船機(jī)電裝備故障診斷

吉 哲，張松濤，代春明

（海軍士官學(xué)校二系，安徽蚌埠 233012）

隨著信息技術(shù)的發(fā)展，以機(jī)器學(xué)習(xí)、模式識別為代表的人工智能技術(shù)在故障診斷領(lǐng)域逐步得到應(yīng)用。通過對振動噪聲信號的采集，利用時頻分析技術(shù)對信號進(jìn)行分解，并提取故障特征參數(shù)，再利用機(jī)器學(xué)習(xí)或模式識別技術(shù)對信號進(jìn)行判別分類，可以實(shí)現(xiàn)艦船機(jī)電裝備的智能診斷。為了驗(yàn)證該方法，選擇經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行信號分解，采用支持向量機(jī)進(jìn)行診斷分類。通過實(shí)驗(yàn)表明，該方法有著較高的診斷精度，故障診斷率達(dá)到了96.7%，可以對艦船機(jī)電裝備常見故障進(jìn)行準(zhǔn)確的智能診斷。

機(jī)器學(xué)習(xí) 機(jī)電裝備 經(jīng)驗(yàn)?zāi)B(tài)分解 支持向量機(jī) 故障診斷

0 引言

艦船機(jī)電裝備長期在高溫、高鹽、高濕的惡劣環(huán)境中使用，長時間的運(yùn)行，加之誤差及操作人員失誤等因素，極易出現(xiàn)故障。為了維護(hù)其安全運(yùn)行，避免重大事故，應(yīng)及時識別運(yùn)行過程中產(chǎn)生和演變的故障。目前，根據(jù)機(jī)艙各類監(jiān)控系統(tǒng)提供的數(shù)據(jù)參數(shù)進(jìn)行故障診斷主要憑借的是維護(hù)人員的工作經(jīng)驗(yàn)，主觀性較大，對人員素質(zhì)要求較高，難以滿足應(yīng)急保障的需要。故障檢查要求停機(jī)甚至進(jìn)行拆卸，影響了裝備的使用效率。研究并應(yīng)用具有不停機(jī)、不解體特點(diǎn)的機(jī)電裝備故障智能診斷系統(tǒng)是維護(hù)裝備正常運(yùn)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(wù)的重要保證，具有重大意義。

本文利用艦船機(jī)電裝備的振動噪聲信號建立智能故障診斷系統(tǒng)流程，并通過實(shí)驗(yàn)驗(yàn)證了經(jīng)驗(yàn)?zāi)B(tài)分解對信號準(zhǔn)確的分析能力和支持向量機(jī)在非線性、高維度下的精準(zhǔn)判別能力，通過訓(xùn)練樣本對系統(tǒng)進(jìn)行訓(xùn)練，再通過測試樣本驗(yàn)證系統(tǒng)的準(zhǔn)確性。

1 機(jī)電裝備振動噪聲信號特征提取

1.1 振動噪聲信號采集

機(jī)械設(shè)備在運(yùn)行過程中會不可避免地產(chǎn)生振動和噪聲，它是機(jī)械運(yùn)行的一種屬性，包含著大量反映機(jī)械工作狀態(tài)的診斷信息。艦船機(jī)電裝備信號采集主要由振動和聲音傳感器組成，負(fù)責(zé)采集機(jī)電裝備的振動和噪聲信號。實(shí)際使用時，應(yīng)根據(jù)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(shè)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(jìn)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(zhàn)斗工況下由于受到水流、側(cè)風(fēng)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(shù)據(jù)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(jù)。

1.2 振動噪聲信號特征提取

由于艙室內(nèi)部自身噪聲以及其他設(shè)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(jìn)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(zhǔn)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(lǐng)域得到廣泛應(yīng)用。艦船主機(jī)、副機(jī)等機(jī)電裝備的振動噪聲信號是典型的非平穩(wěn)非線性信號。時頻分析方法通過時間和頻率信息聯(lián)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(wěn)信號的分析。

將經(jīng)過去噪處理后的振動噪聲信號進(jìn)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(shù)據(jù)進(jìn)行特征參數(shù)提取，從而得到更具有物理意義的數(shù)據(jù)，以便于進(jìn)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(biāo)，對子信號進(jìn)行特征提取，得到相應(yīng)的故障診斷特征參數(shù)，裝備的狀態(tài)信息在特征參數(shù)中得到體現(xiàn)。特征的選擇會對識別分類工作產(chǎn)生很大影響，所以在特征選取上需要進(jìn)行對比選擇最優(yōu)特征。

能量作為一種常用的特征，它表示物體做功的本領(lǐng)，表達(dá)式為：

2 機(jī)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(jī)電裝備在不同工況下的振動噪聲信號，并進(jìn)行分類存儲；再通過濾波的方式對信號進(jìn)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(jìn)行信號分解，選用經(jīng)驗(yàn)?zāi)B(tài)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(shù)；最后采用支持向量機(jī)對各類信號樣本進(jìn)行分類，從而實(shí)現(xiàn)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(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)的研究對象是船用6135D型柴油發(fā)電機(jī)組。以艦船巡航工況為例，此時只設(shè)置聲音傳感器，在柴油發(fā)電機(jī)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(qū)分信號的種類，需要進(jìn)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(shí)驗(yàn)提取10 s左右長度的柴油發(fā)電機(jī)組噪聲信號，每種類型的信號選取100個樣本進(jìn)行分類實(shí)驗(yàn)，在對噪聲信號進(jìn)行采樣的程序中設(shè)置采樣頻率為44.1 kHz，通過對正常信號和三個故障信號進(jìn)行采樣得到400組樣本。將經(jīng)過去噪后的6135D型柴油機(jī)發(fā)電機(jī)組噪聲信號進(jìn)行EMD分解，得到若干子信號。正常狀態(tài)的信號分解結(jié)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(tài)噪聲信號EMD分解結(jié)果

表2 故障診斷結(jié)果

從表中可以看出，四種信號類型中正常狀態(tài)和氣門間隙故障狀態(tài)均全部判別正確，噴油嘴故障狀態(tài)和供油提前角故障狀態(tài)也具有較高的故障診斷率，總體達(dá)到了96.7%的診斷精度，驗(yàn)證了該方法在機(jī)電裝備故障診斷中的有效性和先進(jìn)性，可以有效協(xié)助維護(hù)人員對艦船柴油發(fā)電機(jī)組進(jìn)行維護(hù)檢修。

4 結(jié)論

艦船機(jī)電裝備在使用過程中難免會出現(xiàn)故障，為了能夠及時準(zhǔn)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(tǒng)。本文將經(jīng)驗(yàn)?zāi)B(tài)分解引入機(jī)電裝備故障診斷領(lǐng)域，并通過支持向量機(jī)的模式識別方法，建立了一套故障智能診斷系統(tǒng)，使機(jī)器學(xué)習(xí)技術(shù)在艦船機(jī)電裝備故障診斷中發(fā)揮重要作用，具有一定的應(yīng)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(jī)故障研究的現(xiàn)狀與發(fā)展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] 曾榮, 曾銳利,丁雷. 發(fā)動機(jī)聲信號與振動信號故障特征提取對比分析[J]. 軍事交通學(xué)院學(xué)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(jī)的電機(jī)故障診斷方法綜述[J]. 微電機(jī), 2018, 51(07): 64-67+73.

[7] 賀立敏, 王峴昕, 韓冰. 基于隨機(jī)森林和支持向量機(jī)的船舶柴油機(jī)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(shù)、機(jī)器學(xué)習(xí)。E-mail: jizhe@mail.ustc.edu.cn