基于机器学习的舰船轮机设备多发故障信号监测

2023-09-16杨双齐

舰船科学技术 2023年16期

杨双齐

(武汉船舶职业技术学院交通运输工程学院，湖北武汉 430050)

0 引言

在智能背景下，舰船轮机设备状态监测所需数据量剧增，舰船在不同工况下进行多发故障信号监测的难度加大，传统故障监测方法已无法满足新的需求[1]。

在舰船轮机设备故障诊断领域，国内外学者研究了各种机器学习算法的应用。余永华等[2]通过随机森林算法，构建船用柴油机气缸故障检测模型，实现船舶发动机健康状态的实时监控。彭道刚等[3]将采集到的故障信号进行变分模态分解，提取故障信号特征，通过贝叶斯算法优化超参数后，构建轻量型梯度提升机模型进行故障检测。但它们在故障信号的检测过程中依然存在运算量大、缺少故障数据、模型训练复杂、检测效率低，准确度低等问题。

为了减少采集故障信号对舰船轮机设备的伤害，可以引进异常数据检测技术，只需要采集正常状态的信号样本，并与过去的故障样本进行对比，即可检测异常数据[4]。因此，本文提出基于机器学习的舰船轮机设备多发故障信号监测方法，结合EMD 经验模态分解、孤立森林算法以及决策二叉树支持向量机，实现了精确、高效、稳定的故障信号监测。

1 舰船轮机设备多发故障信号监测

1.1 采集舰船轮机设备振动信号

振动和声音传感器是舰船轮机设备信号采集的主要装置，能够采集各种轮机设备的振动信号和噪声信号。在现实应用当中，为了增强信号采集的质量和效果，需要根据舰船所处的不同工况，选择相应的传感器类型，如表1 所示。舰船在锚泊和靠岸的时候可以使用声音传感器和振动传感器同时进行信号采集，因为此时舰船受到的冲击振动波很小，不会给传感器带来太大的干扰，而且选择多路信号源可以提高故障信号监测的准确度。舰船在巡航和战斗工况下，轮机设备会产生较大的振荡，干扰振动传感器的信号采集，使数据采集精度大幅度下降。因此这2 个阶段适合声音传感器的信号采集，声音传感器在采集过程中无需进行实际接触，所以可以避免大部分振荡产生的影响，保证信号采集的精度。为了合理地设计传感器的测量点位，提高信号采集的质量和精度，需要根据舰船不同轮机装备的结构机理和属性设置传感器的放置位置，这样可以使得到的数据信号具有更显著的特点。

表1 舰船不同工况对应的传感器类型Tab.1 Sensor types corresponding to different operating conditions of ships

1.2 振动信号特征提取

在进行特征提取之前，需要将采集到的振动噪声信号进行小波变换降噪[5]，滤除多余的噪声。本文通过EMD 经验模态分解法进行降噪后信号特征提取，该方法属于平稳化处理，它可以将非平稳数据进行拆分，划分为若干个IMF 函数。EMD 属于时频分析法，可以准确地分析时间变化的频率和变化中的信号，同时定位时间和频率，并通过时间和频率的数据将信号的特性进行联合表征，十分适用于分析舰船轮机设备振动噪声这类非平稳信号。

采集的舰船轮机设备振动信号在进行降噪后，通过EMD 分解能够获取一定量的子信号，这些子信号的中心频率都是降序排列，也就是IMF 分量。提取数据的特征参数，可以使获取的IMF 分量特征分布更加显著，从而赋予数据更多的物理意义，有利于故障信号的识别。设将舰船轮机设备振动信号X(t)进行EMD 经验模态分解，其公式为：

式中：m为分解级数；imfi(t)为各级IMF 函数用，i=1,2, …,m；e(t)为剩余信号项。

为了获取舰船轮机设备振动信号的解析信号，需要对IMF 分量实行Hilbert 变换，处理之后的解析信号可以表示为：

因为EMD 的计算过程属于自适应滤波，因此各级对应的瞬时频率不同，会根据信号的不同而变化。这些分量的频率和幅度与数据的特征关联，因此这些IMF 分量及其解析信号都可以作为振动信号分类的特征。

在提取舰船轮机设备振动信号的子信号特征时必须确定符合条件的特征指标，包括时域信息、频域信息、幅域信息以及能量特征信息等，根据这些特征指标可以获取对应的故障信号特征参数，从而反应舰船轮机设备的健康状况。同时在选取特征方面，需要经过详细的对比，最终筛选出最优特征，因为特征选择对识别分类结果的影响很大，所以正确的特征选取可以提高故障信号识别分类的精度。

1.3 基于孤立森林算法的异常信号检测

进行去噪和特征提取后，需要检测其中的异常信号作为故障信号的分类和判断依据，本文通过I forest孤立森林算法进行异常信号检测。该算法属于集成学习和划分孤立的异常检测算法，由若干二叉树构成，因为异常数据的特征比正常数据要突出很多，所以通过二叉树进行异常数据切分后，即可筛选出异常值，从而判定异常信号。孤立森林模型在使用二叉树切分数据时，其特异程度取决于该数据点在二叉树中延伸的距离，距离正常数据越远，就说明该数据越异常，这里需要引入平均路径长度和隔离树2 个概念，整体计算过程如下：

1）在由舰船轮机设备振动信号特征构建的训练集中选取若干子样本组成二叉树模型。

2）通过隔离树传递测试样本，进行舰船轮机设备振动信号特征异常分数的计算。

在进行模型训练时，子空间孤立点检测与I forest算法有着很大的关联性。假设变量为d，在该变量分布的n个实例当中，选择1 个舰船轮机设备振动信号特征数据样本，构建一颗二叉树。将一批样本从整体数据当中分离出来，设置一个任意舰船轮机设备振动信号特征的初始点，取一个随机参考值，分为左、右2 个路线，进行分类时，将小于参考值的样本归入左路，将大于参考值的样本归入右路，直至完成分类。

1.4 决策二叉树支持向量机故障信号分类模型

舰船轮机设备故障信号种类多，不同故障会产生不同异常信号，因此通过决策二叉树支持向量机的分类模型进行舰船轮机设备异常信号的分类。该方法结合了支持向量机二分类的特性，可以将复杂的多分类问题简化为连续的二分类问题，详细的分类过程如图1所示。可以看出，所有异常信号的类别都在二叉树的根节点体现出来，然后按照顺序对测试数据集进行分类，直至到达最终的叶子节点，对应类别是测试数据集所属的故障信号类别。

图1 决策二叉树支持向量机分类树状图Fig.1 Decision binary tree support vector machine classification tree

1.5 舰船轮机设备多发故障信号监测流程

本文方法根据舰船不同的工况采集轮机设备的振动信号，通过小波变换进行降噪处理后，采用EMD 经验模态分解法提取振动信号特征，使用孤立森林算法进行异常信号检测，通过决策二叉树支持向量机故障信号分类模型识别故障信号，实现舰船轮机设备多发故障信号监测，流程如图2 所示。

图2 多发故障信号监测流程Fig.2 Monitoring process for multiple fault signals

2 仿真实验

2.1 数据集

在巡航工况下，采集舰船柴油发电机组运行中的振动信号，采样频率设置为45.8 kHz，只需要采集正常的振动信号即可，然后收集舰船过去采集的多发故障信号数据，以压缩机故障、冷却器故障和喷油嘴故障3 种信号为例，将正常信号与故障信号进行对比，如图3 所示。可知，故障信号的幅值与正常信号的幅值相差并不明显，只是略微有些区别，肉眼难以分辨，因此为了更好地分析信号特征还需要对采集到的信号进行降噪处理和特征提取。实验将采集到的柴油发电机组振动信号进行分段提取，按照15 s 左右的长度截取，选用300 个正常工况下的振动信号样本作为训练集，再选择200 个多发故障信号样本，同300 个正常信号样本共同组成500 个综合信号样本测试集。

图3 正常振动噪声信号与故障信号对比Fig.3 Comparison of normal vibration noise signal and fault signal

2.2 可行性实验

将采集到的船舶柴油机发电机组振动噪声信号样本进行小波降噪后，通过EMD 经验模态分解，获取一定量的子信号，分解效果如图4 所示。可以看出，振动信号按照中心频率呈降序排列，在经验模态分解后形成了3 个IMF 分量，每个分量所含有的特征参数都不同，将这些分量特征进行提取，获取正常信号特征参数。故障信号样本按照相同的方法进行特征提取，获取故障样本特征参数。故障信号监测结果表2 所示。可以看出，故障信号类型检测准确率在96%～100%，说明本文方法具有很好的故障信号监测效果，可以及时准确的发现舰船轮机设备的故障情况，有利于工作人员的维护和检修，保证船舶的航行安全。

图4 振动噪声信号EMD 分解结果Fig.4 EMD decomposition results of vibration noise signal

表2 故障信号监测结果Tab.2 Fault signal monitoring results

2.3 异常信号检测效果对比

为了验证本文方法使用的孤立森林算法在异常信号检测方面的性能，实验将本文方法与单分类支持向量机(OS)和鲁棒性协方差估计(RC)2 种传统异常检测方法进行对比实验，并通过故障信号检测率(FDR)与故障信号虚报率(FAR)2 个指标进行分析，实验结果如图5 所示。可以看出，在3 种异常检测算法当中，本文方法故障信号检测率最高，故障信号虚报率最低，说明本文方法可快速检测出舰船轮机设备产生的异常信号，效果优异，可以降低多发故障信号分类和识别难度，提高监测效率。