基于CNN-SVM的船舶電力推進系統(tǒng)故障診斷技術(shù)研究

摘 要：綜合電力推進系統(tǒng)是現(xiàn)代船舶技術(shù)的跨越式發(fā)展，對解決船舶動力平臺問題具有重要意義。為避免因電氣設(shè)備運行故障對船舶運行安全性的影響，該文研究基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機融合的故障診斷方法。通過CNN來提取船舶電力推進系統(tǒng)故障信號的深層特征，將其作為故障分類器的輸入，然后由SVM分類器進行故障分類。通過仿真實驗后，發(fā)現(xiàn)學(xué)習率為0.001時，懲罰因子為1.5時，對應(yīng)的故障診斷準確率最高，抗干擾能力較強。利用CNN和SVM融合的故障診斷方法，可有效提升船舶電力推進系統(tǒng)電氣設(shè)備運行的可靠性，根據(jù)船舶電氣系統(tǒng)運行特點，不斷完善故障診斷方法，進一步推進我國船舶技術(shù)的發(fā)展進程。

關(guān)鍵詞：船舶;電力推進系統(tǒng);故障診斷;特征提取;信號

中圖分類號：U672 文獻標志碼：A 文章編號：2095-2945（2024）22-0001-04

Abstract： Integrated electric propulsion system is a great-leap-forward development of modern ship technology， which is of great significance to solve the problem of ship power platform. In order to avoid the influence of electrical equipment failure on the safety of ship operation， this paper studies the fault diagnosis method based on the fusion of convolution neural network and support vector machine. The deep features of the fault signals of the marine electric propulsion system are extracted by CNN and used as the input of the fault classifier， and then the fault is classified by the SVM classifier. Through the simulation experiment， it is found that when the learning rate is 0.001 and the penalty factor is 1.5， the corresponding fault diagnosis accuracy is the highest and the anti-interference ability is strong. The fault diagnosis method based on the integration of CNN and SVM can effectively improve the reliability of the operation of electrical equipment in marine electric propulsion system. According to the operation characteristics of marine electrical system， the fault diagnosis method can be continuously improved， and the development process of ship technology in our country can be further promoted.

Keywords： ship; electric propulsion system; fault diagnosis; feature extraction; signal

隨著推進載荷、服務(wù)載荷和任務(wù)系統(tǒng)等對功率需求的不斷增長，穩(wěn)定可靠的船舶電力推進系統(tǒng)對于維持船舶的穩(wěn)定運行具有重要意義。中壓直流電力推進系統(tǒng)作為新一代船舶電力驅(qū)動動力方式，具有變壓器尺寸小、功率密度高、高頻運行、節(jié)能降耗和電站靈活性等優(yōu)勢性能，有效解決了船舶動力平臺問題。然而受到運行環(huán)境的影響，加之系統(tǒng)自身是一種緊密耦合和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，在船舶航行的過程中一旦電氣系統(tǒng)出現(xiàn)故障，將會威脅到船舶航行的安全性和穩(wěn)定性[1]。為了提升電力推進系統(tǒng)運行的可靠性，應(yīng)該根據(jù)船舶電力推進系統(tǒng)的特點，構(gòu)建一套科學(xué)可靠的故障診斷方法，在船舶不同操作條件下對系統(tǒng)中不同類型的故障都能夠進行快速檢測和定位，為船舶電力推進系統(tǒng)的安全運行提供保障。文章主要研究CNN-SVM故障診斷方法在船舶電力推進系統(tǒng)中的應(yīng)用，首先利用CNN深度學(xué)習算法來提取船舶電力推進系統(tǒng)的故障特征，然后將提取的深層特征輸入到構(gòu)建的SVM中進行分類，從而實現(xiàn)故障診斷。經(jīng)過對船舶電力系統(tǒng)某變換器的仿真實驗，確定了學(xué)習率和懲罰因子的最佳數(shù)值，可實現(xiàn)較高的故障診斷準確率，且具有較強的抗干擾性能，對于提升我國船舶電力推進系統(tǒng)運行的穩(wěn)定性和可靠性具有重要意義。

1 船舶電力推進系統(tǒng)故障診斷技術(shù)當前存在的問題

船舶電力推進系統(tǒng)受到船體空間的限制，電纜長度有限，所以輸電線路的動態(tài)特性并不會對整個系統(tǒng)狀態(tài)產(chǎn)生較為明顯的影響。在有限的空間系統(tǒng)內(nèi)設(shè)備間的距離較小，系統(tǒng)的狀態(tài)信息傳輸速度更快，所以對故障診斷和定位的速度及準確性有了更高的要求。在電力推進系統(tǒng)發(fā)電量和轉(zhuǎn)動慣量有限的情況下，負載的變化會對發(fā)電機產(chǎn)生較大的影響，在動態(tài)負載變化較大的情況下，其所連接的配電總線會出現(xiàn)較大的電壓和頻率偏差，從而對故障診斷和定位的診斷結(jié)果產(chǎn)生較大的干擾。針對中壓直流綜合電力推進系統(tǒng)的特點，傳統(tǒng)的故障診斷方法無法滿足多終端直流配電系統(tǒng)。

故障特征提取是故障診斷方法面臨的難題之一，只有提取到精準的故障特征，并且在故障特征和故障類型之間建立相應(yīng)的關(guān)系，才能夠保證診斷結(jié)果的準確性。在船舶電力推進系統(tǒng)中的設(shè)備較多，結(jié)構(gòu)復(fù)雜，且設(shè)備間還會相互干擾，這為故障信號的采集增加了難度。要想獲取更加全面的數(shù)據(jù)信息，傳感器的安裝位置和數(shù)量也是面臨的挑戰(zhàn)。在采集信號時，還會受到周圍環(huán)境的噪聲影響，降低信號的純度，容易對診斷結(jié)果產(chǎn)生影響，所以對故障特征的提取也是故障診斷技術(shù)面臨的問題之一[2]。

2 CNN-SVM故障診斷方法在船舶電力推進系統(tǒng)中的應(yīng)用

針對船舶電力推進系統(tǒng)的故障診斷方法，要充分考慮到電力推進系統(tǒng)的運行環(huán)境和自身特點。中壓直流綜合電力推進系統(tǒng)結(jié)構(gòu)復(fù)雜、設(shè)備繁多，且運行工況多變，不同的故障類型下數(shù)據(jù)信號會有明顯的變化，故障位置和結(jié)構(gòu)路徑也會對采集的數(shù)據(jù)信號質(zhì)量產(chǎn)生影響。數(shù)據(jù)信息的獲取是故障診斷的重要基礎(chǔ)，所以需要在電力系統(tǒng)的多個方向和位置安裝傳感器，以獲取更加全面的數(shù)據(jù)信息，便于實時掌握電力系統(tǒng)的運行狀態(tài)。在故障信號處理過程中，是否需要人為參與及對信號的消噪處理都會對故障特征提取產(chǎn)生不同程度的影響，最終影響到故障診斷結(jié)果的準確率?；贑NN-SVM的故障診斷方法，利用CNN多層網(wǎng)絡(luò)能夠提取到電力推進系統(tǒng)故障信號的深層特征，然后利用SVM分類器代替CNN輸出層作為最后的結(jié)果分類器，直接輸出診斷結(jié)果，可有效提升故障診斷精度，且抗干擾能力強，具有其他深度學(xué)習方法無法比擬的優(yōu)勢[3]。

2.1 CNN-SVM 故障診斷方法

基于CNN-SVM的故障診斷方法，首先是進行故障數(shù)據(jù)的采集和預(yù)處理，然后將數(shù)據(jù)劃分為測試集和訓(xùn)練集2類。為了得到精準的數(shù)據(jù)，在訓(xùn)練過程中先通過迭代，將誤差反向傳播的損失值降到最低，再經(jīng)過SVM分類器分類。經(jīng)過訓(xùn)練得到合適的參數(shù)，將其保存下來用于測試。將測試集輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型中，得到提取的深層特征信號，將其輸入到SVM中進行分類，進而實現(xiàn)故障診斷，具體流程如圖1所示。

2.2 CNN-SVM故障診斷模型

基于CNN-SVM的故障診斷方法，CNN模型結(jié)構(gòu)共有2個卷積層，1個全連接層，2個池化層，最后一層為輸出層。在此模型中，先將經(jīng)過預(yù)處理的數(shù)據(jù)輸入到CNN模型中，然后設(shè)置CNN模型的卷積核大小，池化核尺寸及步長，再經(jīng)過多層的卷積后，得到深度提取的故障特征，通過全連接層輸入到SVM，CNN模型參數(shù)見表1。

3 實驗結(jié)果與分析

3.1 仿真實驗結(jié)果

利用CNN-SVM故障診斷方法，對船舶電力推進系統(tǒng)中某變換器進行開關(guān)管開路仿真實驗。在實驗中輸入側(cè)電壓設(shè)為1 000 V，電壓頻率設(shè)為50 Hz，電壓控制方式采用載波移相正弦脈沖控制，輸出部分是阻性負載。診斷結(jié)果顯示，某變換器開關(guān)管故障可概括為3大類13小類，見表2。

在仿真實驗中，故障電壓的采樣頻率為5 kHz，采樣時間0.5 s，故障時間點設(shè)置在0.4 s，有效故障區(qū)間0.40～0.50 s，大約包含800個數(shù)據(jù)點。在每組故障中會采集80組數(shù)據(jù)，其中60組用于訓(xùn)練，20組用于測試。

3.2 仿真實驗結(jié)果分析

在采用CNN模型訓(xùn)練時，學(xué)習率和激活函數(shù)的選取會對訓(xùn)練結(jié)果產(chǎn)生一定的影響，學(xué)習率太低會消耗訓(xùn)練資源，網(wǎng)絡(luò)結(jié)構(gòu)更新慢，學(xué)習率太高又會影響最優(yōu)解[4]。在此項仿真模型訓(xùn)練時，運用等比調(diào)制法來設(shè)定學(xué)習率，分別用0.1，0.01，0.001，0.000 1進行網(wǎng)絡(luò)性能分析，使用控制變量法，除學(xué)習率外其他參數(shù)不變，得到測試數(shù)據(jù)損失函數(shù)和準確率與學(xué)習率變換關(guān)系曲線圖，如圖2所示。由圖2（a）可以看出，隨著學(xué)習率的減小，損失值逐漸降低，在0.001時所對應(yīng)的損失值達到最小。由圖2（b）可以看出，隨著學(xué)習率的減小，準確率逐步上升，在0.001時對應(yīng)的準確率最高，所以最終CNN模型訓(xùn)練的學(xué)習率選擇0.001。

核函數(shù)和相關(guān)參數(shù)的選擇對SVM的分類有重要的影響，較為常見的核算數(shù)主要有線性核函數(shù)、高斯核函數(shù)、徑向基核函數(shù)和多項式函數(shù)[5]。本次仿真實驗中所用的數(shù)據(jù)為離散的電壓數(shù)據(jù)，所以選用徑向基核函數(shù)作為核函數(shù)，懲罰因子的參數(shù)選擇在[0.1，10]之間。懲罰因子的選擇會影響到測試集的準確率，使用控制變量法，通過改變懲罰因子來進行測試集訓(xùn)練，可得到懲罰因子與測試集準確率的關(guān)系圖，如圖3所示。由圖3可以看出，當懲罰因子為1.5時，測試集的準確率最高，所以在仿真實驗中選用懲罰因子為1.5作為SVM分類的參數(shù)。

經(jīng)過以上仿真實驗，得到了CNN的學(xué)習率等相關(guān)參數(shù)以及SVM懲罰因子等相關(guān)參數(shù)，將這些參數(shù)應(yīng)用到訓(xùn)練測試中，對故障數(shù)據(jù)進行訓(xùn)練測試，可以得到訓(xùn)練和測試過程的損失函數(shù)和準確率，如圖4所示。由圖4可以看出，隨著迭代次數(shù)的增加，訓(xùn)練和測試的損失值逐漸接近于0，而準確率隨著損失值的降低反向增大，并且二者之間的波動也存在相關(guān)性，最終獲得的準確率為99.8%。

為了驗證CNN-SVM故障診斷方法在故障分類中的優(yōu)勢，將其與SVM、CNN、DNN進行比較，經(jīng)過一系列的測試比較，得到CNN-SVM的故障診斷結(jié)果具有較強的優(yōu)越性。以上仿真實驗都是在無干擾的情況下進行的，然而船舶在海上航行時環(huán)境較為復(fù)雜，電力推進系統(tǒng)會受到周圍電氣設(shè)備的噪聲干擾，傳感器所采集到的電壓數(shù)據(jù)也會受到干擾，導(dǎo)致采集到的信號不純，可能會影響到診斷結(jié)果的準確率[6]。為了保證故障診斷結(jié)果的準確性，對船舶航行環(huán)境進行噪聲模擬，在測試樣本的基礎(chǔ)上添加高斯白噪聲，然后對不同方法添加不同程度的白噪聲進行準確率的分析。通過添加20 、10 、5 、0 dB的信噪比，得到診斷結(jié)果如圖5所示。

由圖5可以看出，過高的噪聲會造成故障信號特征的混亂，模型對故障識別的準確率會有所下降，在4種方法中，CNN-SVM在不同噪聲情況下仍然能夠保證90%以上的準確率，說明CNN-SVM故障診斷方法的抗干擾能力較強。

4 結(jié)束語

電力系統(tǒng)作為船舶的核心組成部分，其運行的穩(wěn)定性直接關(guān)系到船舶航行的安全性和可靠性。由于海上環(huán)境復(fù)雜，船舶在航行過程中電力系統(tǒng)的穩(wěn)定性會受到一定的影響。在船舶電力系統(tǒng)運行工況復(fù)雜的情況下，增加了電氣故障的診斷難度。中壓直流電力推進系統(tǒng)作為一個獨立控制的小型微電網(wǎng)電力系統(tǒng)，其與其他常規(guī)電網(wǎng)相比具有獨特的性質(zhì)，電纜的長度受限，系統(tǒng)內(nèi)各設(shè)備間的距離緊密，發(fā)電量和轉(zhuǎn)動慣量有限。所以要根據(jù)電力推進系統(tǒng)自身的特點，選擇一套與之相適應(yīng)的故障診斷方法。文中選擇了CNN-SVM故障診斷方法，具有較好的診斷效果。可用于船舶電力推進系統(tǒng)的故障診斷技術(shù)還處于不斷發(fā)展階段，隨著故障診斷技術(shù)的提升，船舶電力推進系統(tǒng)運行的穩(wěn)定性會進一步提升。

參考文獻：

[1] 張雪琴，盛晨興，歐陽武.基于證據(jù)推理的電力推進系統(tǒng)軸承多特征融合故障診斷研究[J].武漢理工大學(xué)學(xué)報，2021，43（4）：27-34.

[2] 潘俊文，馮波，牛山草，等.基于BP神經(jīng)網(wǎng)絡(luò)的繼電保護設(shè)備狀態(tài)評價方法研究[J].電器工業(yè)，2024（2）：28-31.

[3] 唐承娥，朱冬冬，明鑫.基于卷積神經(jīng)網(wǎng)絡(luò)的電氣設(shè)備故障診斷研究[J].中阿科技論壇（中英文），2024（2）：103-107.

[4] 馬文超.基于神經(jīng)網(wǎng)絡(luò)的電氣設(shè)備故障智能自診斷系統(tǒng)研究應(yīng)用[J].能源技術(shù)與管理，2023，48（5）：39-41，50.

[5] 楊磊，權(quán)偉，李亮，等.基于ITD-MFCC與卷積神經(jīng)網(wǎng)絡(luò)的核電電氣設(shè)備異音檢測技術(shù)[J].噪聲與振動控制，2023，43（4）：122-128，207.

[6] 洪祥，房淑華，王學(xué)永.基于機器學(xué)習算法的船舶電氣故障分類與診斷方法[J].艦船科學(xué)技術(shù)，2023，45（15）：143-146.

第一作者簡介：任世超（1988-），男，碩士，工程師，保障師。研究方向為智能儀器儀表。