基于CNN-SVM的船舶电力推进系统故障诊断技术研究

摘 要：综合电力推进系统是现代船舶技术的跨越式发展，对解决船舶动力平台问题具有重要意义。为避免因电气设备运行故障对船舶运行安全性的影响，该文研究基于卷积神经网络和支持向量机融合的故障诊断方法。通过CNN来提取船舶电力推进系统故障信号的深层特征，将其作为故障分类器的输入，然后由SVM分类器进行故障分类。通过仿真实验后，发现学习率为0.001时，惩罚因子为1.5时，对应的故障诊断准确率最高，抗干扰能力较强。利用CNN和SVM融合的故障诊断方法，可有效提升船舶电力推进系统电气设备运行的可靠性，根据船舶电气系统运行特点，不断完善故障诊断方法，进一步推进我国船舶技术的发展进程。

关键词：船舶;电力推进系统;故障诊断;特征提取;信号

中图分类号：U672 文献标志码：A 文章编号：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

随着推进载荷、服务载荷和任务系统等对功率需求的不断增长，稳定可靠的船舶电力推进系统对于维持船舶的稳定运行具有重要意义。中压直流电力推进系统作为新一代船舶电力驱动动力方式，具有变压器尺寸小、功率密度高、高频运行、节能降耗和电站灵活性等优势性能，有效解决了船舶动力平台问题。然而受到运行环境的影响，加之系统自身是一种紧密耦合和复杂的网络结构，在船舶航行的过程中一旦电气系统出现故障，将会威胁到船舶航行的安全性和稳定性[1]。为了提升电力推进系统运行的可靠性，应该根据船舶电力推进系统的特点，构建一套科学可靠的故障诊断方法，在船舶不同操作条件下对系统中不同类型的故障都能够进行快速检测和定位，为船舶电力推进系统的安全运行提供保障。文章主要研究CNN-SVM故障诊断方法在船舶电力推进系统中的应用，首先利用CNN深度学习算法来提取船舶电力推进系统的故障特征，然后将提取的深层特征输入到构建的SVM中进行分类，从而实现故障诊断。经过对船舶电力系统某变换器的仿真实验，确定了学习率和惩罚因子的最佳数值，可实现较高的故障诊断准确率，且具有较强的抗干扰性能，对于提升我国船舶电力推进系统运行的稳定性和可靠性具有重要意义。

1 船舶电力推进系统故障诊断技术当前存在的问题

船舶电力推进系统受到船体空间的限制，电缆长度有限，所以输电线路的动态特性并不会对整个系统状态产生较为明显的影响。在有限的空间系统内设备间的距离较小，系统的状态信息传输速度更快，所以对故障诊断和定位的速度及准确性有了更高的要求。在电力推进系统发电量和转动惯量有限的情况下，负载的变化会对发电机产生较大的影响，在动态负载变化较大的情况下，其所连接的配电总线会出现较大的电压和频率偏差，从而对故障诊断和定位的诊断结果产生较大的干扰。针对中压直流综合电力推进系统的特点，传统的故障诊断方法无法满足多终端直流配电系统。

故障特征提取是故障诊断方法面临的难题之一，只有提取到精准的故障特征，并且在故障特征和故障类型之间建立相应的关系，才能够保证诊断结果的准确性。在船舶电力推进系统中的设备较多，结构复杂，且设备间还会相互干扰，这为故障信号的采集增加了难度。要想获取更加全面的数据信息，传感器的安装位置和数量也是面临的挑战。在采集信号时，还会受到周围环境的噪声影响，降低信号的纯度，容易对诊断结果产生影响，所以对故障特征的提取也是故障诊断技术面临的问题之一[2]。

2 CNN-SVM故障诊断方法在船舶电力推进系统中的应用

针对船舶电力推进系统的故障诊断方法，要充分考虑到电力推进系统的运行环境和自身特点。中压直流综合电力推进系统结构复杂、设备繁多，且运行工况多变，不同的故障类型下数据信号会有明显的变化，故障位置和结构路径也会对采集的数据信号质量产生影响。数据信息的获取是故障诊断的重要基础，所以需要在电力系统的多个方向和位置安装传感器，以获取更加全面的数据信息，便于实时掌握电力系统的运行状态。在故障信号处理过程中，是否需要人为参与及对信号的消噪处理都会对故障特征提取产生不同程度的影响，最终影响到故障诊断结果的准确率。基于CNN-SVM的故障诊断方法，利用CNN多层网络能够提取到电力推进系统故障信号的深层特征，然后利用SVM分类器代替CNN输出层作为最后的结果分类器，直接输出诊断结果，可有效提升故障诊断精度，且抗干扰能力强，具有其他深度学习方法无法比拟的优势[3]。

2.1 CNN-SVM 故障诊断方法

基于CNN-SVM的故障诊断方法，首先是进行故障数据的采集和预处理，然后将数据划分为测试集和训练集2类。为了得到精准的数据，在训练过程中先通过迭代，将误差反向传播的损失值降到最低，再经过SVM分类器分类。经过训练得到合适的参数，将其保存下来用于测试。将测试集输入到已经训练好的网络模型中，得到提取的深层特征信号，将其输入到SVM中进行分类，进而实现故障诊断，具体流程如图1所示。

2.2 CNN-SVM故障诊断模型

基于CNN-SVM的故障诊断方法，CNN模型结构共有2个卷积层，1个全连接层，2个池化层，最后一层为输出层。在此模型中，先将经过预处理的数据输入到CNN模型中，然后设置CNN模型的卷积核大小，池化核尺寸及步长，再经过多层的卷积后，得到深度提取的故障特征，通过全连接层输入到SVM，CNN模型参数见表1。

3 实验结果与分析

3.1 仿真实验结果

利用CNN-SVM故障诊断方法，对船舶电力推进系统中某变换器进行开关管开路仿真实验。在实验中输入侧电压设为1 000 V，电压频率设为50 Hz，电压控制方式采用载波移相正弦脉冲控制，输出部分是阻性负载。诊断结果显示，某变换器开关管故障可概括为3大类13小类，见表2。

在仿真实验中，故障电压的采样频率为5 kHz，采样时间0.5 s，故障时间点设置在0.4 s，有效故障区间0.40～0.50 s，大约包含800个数据点。在每组故障中会采集80组数据，其中60组用于训练，20组用于测试。

3.2 仿真实验结果分析

在采用CNN模型训练时，学习率和激活函数的选取会对训练结果产生一定的影响，学习率太低会消耗训练资源，网络结构更新慢，学习率太高又会影响最优解[4]。在此项仿真模型训练时，运用等比调制法来设定学习率，分别用0.1，0.01，0.001，0.000 1进行网络性能分析，使用控制变量法，除学习率外其他参数不变，得到测试数据损失函数和准确率与学习率变换关系曲线图，如图2所示。由图2（a）可以看出，随着学习率的减小，损失值逐渐降低，在0.001时所对应的损失值达到最小。由图2（b）可以看出，随着学习率的减小，准确率逐步上升，在0.001时对应的准确率最高，所以最终CNN模型训练的学习率选择0.001。

核函数和相关参数的选择对SVM的分类有重要的影响，较为常见的核算数主要有线性核函数、高斯核函数、径向基核函数和多项式函数[5]。本次仿真实验中所用的数据为离散的电压数据，所以选用径向基核函数作为核函数，惩罚因子的参数选择在[0.1，10]之间。惩罚因子的选择会影响到测试集的准确率，使用控制变量法，通过改变惩罚因子来进行测试集训练，可得到惩罚因子与测试集准确率的关系图，如图3所示。由图3可以看出，当惩罚因子为1.5时，测试集的准确率最高，所以在仿真实验中选用惩罚因子为1.5作为SVM分类的参数。

经过以上仿真实验，得到了CNN的学习率等相关参数以及SVM惩罚因子等相关参数，将这些参数应用到训练测试中，对故障数据进行训练测试，可以得到训练和测试过程的损失函数和准确率，如图4所示。由图4可以看出，随着迭代次数的增加，训练和测试的损失值逐渐接近于0，而准确率随着损失值的降低反向增大，并且二者之间的波动也存在相关性，最终获得的准确率为99.8%。

为了验证CNN-SVM故障诊断方法在故障分类中的优势，将其与SVM、CNN、DNN进行比较，经过一系列的测试比较，得到CNN-SVM的故障诊断结果具有较强的优越性。以上仿真实验都是在无干扰的情况下进行的，然而船舶在海上航行时环境较为复杂，电力推进系统会受到周围电气设备的噪声干扰，传感器所采集到的电压数据也会受到干扰，导致采集到的信号不纯，可能会影响到诊断结果的准确率[6]。为了保证故障诊断结果的准确性，对船舶航行环境进行噪声模拟，在测试样本的基础上添加高斯白噪声，然后对不同方法添加不同程度的白噪声进行准确率的分析。通过添加20 、10 、5 、0 dB的信噪比，得到诊断结果如图5所示。

由图5可以看出，过高的噪声会造成故障信号特征的混乱，模型对故障识别的准确率会有所下降，在4种方法中，CNN-SVM在不同噪声情况下仍然能够保证90%以上的准确率，说明CNN-SVM故障诊断方法的抗干扰能力较强。

4 结束语

电力系统作为船舶的核心组成部分，其运行的稳定性直接关系到船舶航行的安全性和可靠性。由于海上环境复杂，船舶在航行过程中电力系统的稳定性会受到一定的影响。在船舶电力系统运行工况复杂的情况下，增加了电气故障的诊断难度。中压直流电力推进系统作为一个独立控制的小型微电网电力系统，其与其他常规电网相比具有独特的性质，电缆的长度受限，系统内各设备间的距离紧密，发电量和转动惯量有限。所以要根据电力推进系统自身的特点，选择一套与之相适应的故障诊断方法。文中选择了CNN-SVM故障诊断方法，具有较好的诊断效果。可用于船舶电力推进系统的故障诊断技术还处于不断发展阶段，随着故障诊断技术的提升，船舶电力推进系统运行的稳定性会进一步提升。

参考文献：

[1] 张雪琴，盛晨兴，欧阳武.基于证据推理的电力推进系统轴承多特征融合故障诊断研究[J].武汉理工大学学报，2021，43（4）：27-34.

[2] 潘俊文，冯波，牛山草，等.基于BP神经网络的继电保护设备状态评价方法研究[J].电器工业，2024（2）：28-31.

[3] 唐承娥，朱冬冬，明鑫.基于卷积神经网络的电气设备故障诊断研究[J].中阿科技论坛（中英文），2024（2）：103-107.

[4] 马文超.基于神经网络的电气设备故障智能自诊断系统研究应用[J].能源技术与管理，2023，48（5）：39-41，50.

[5] 杨磊，权伟，李亮，等.基于ITD-MFCC与卷积神经网络的核电电气设备异音检测技术[J].噪声与振动控制，2023，43（4）：122-128，207.

[6] 洪祥，房淑华，王学永.基于机器学习算法的船舶电气故障分类与诊断方法[J].舰船科学技术，2023，45（15）：143-146.

第一作者简介：任世超（1988-），男，硕士，工程师，保障师。研究方向为智能仪器仪表。