基于深度学习的多普勒计程仪测速模型方法研究
2024-12-31吴瑞祥 刘书利 詹金林
摘要:多普勒计程仪包含声学测速和电磁测速两个通道。在声学测速通道中,针对多普勒效应引起信号失真的难题,提出了一种基于BP神经网络的声学测速方法,在不需要信号校正的前提下,直接构建声信号与船舶速度诊断决策之间的函数关系,显著提升了声学测速精度。在电磁测速通道中,为了保证船速发送电机能够精准对外发送所测船速信息,在故障样本不平衡的情况下,仅利用健康数据样本,通过支持矢量数据算法(SVDD)为船速发送电机建立安全域模型,实现了对船速发送电机的持续健康监测。
关键词:多普勒计程仪;多普勒效应;BP神经网络;船速发送电机;安全域
一、前言
多普勒计程仪广泛应用于军民船舶中,最主要功能是测量船舶的实时船速信息,并将船速信息输出给船舶其他所需岗位,以保障船舶的安全航行和灵活机动,具有不可撼动的意义和地位[1]。多普勒计程仪通常有两个测速通道,分别为声学测速通道和电磁测速通道,可以根据海域或海况变化选择合适的测量通道。
声学测速的核心部件是换能器,它可以周期性地向海底发射并接受回波信号,通过比较发射频率和接收频率之间的频率变化,利用声波频率差和速度之间的关系解算出当前的船速值。这种测量方式的弊端在于船舶上的换能器和海底反射点之间存在相对运动,采集到的声信号相对发出的声信号会出现多普勒效应,引起信号失真,从而导致解算出的船速值不够精确。为了解决这个问题,张翱[2]等人提出了一种时域插值重采样(TIR)方法,然而这种方法需要预先测量出相应的运动参数模型。蔡博[3]等人建立了基于反向传播神经网络(BPNN)的柴油机故障诊断模型,实现了对旋转机械的故障诊断,但迄今为止很少有人应用在多普勒计程仪的测速诊断中。
电磁测速通道的核心部件是电磁传感器和船速发送电机。电磁传感器测量得到船舶的实时船速值,再由船速发送电机将航速相关值发送至用户。船速发送电机存在两大难题:第一,目前难以实现对船速发送电机的健康监测。第二,故障样本数据不充足且各故障类别数据不平衡。基于此,安全域模型(SRM)逐渐应用在相关场景中,其关键是通过Tax等人[4]提出的支持向量数据描述(SVDD)算法,寻找数据集的球面边界,通过边界将所有健康数据包裹起来,从而构建SRM模型。
综上所述,本文针对多普勒计程仪两个测速通道现存难题分别建立不同的学习模型。声学测速通道主要是规避了多普勒效应对船速测算的影响,利用BP神经网络直接构建声信号和船速之间的函数关系。电磁测速通道使用SVDD算法,仅利用健康数据建立船速发送电机安全域模型,有效监测对外发送状态是否正常。
二、多普勒效应对多普勒计程仪测速的影响
声学测速多普勒效应的基本示意图如图1所示,包括一个换能器采集系统和一个海底反射声源。
由于船舶与海底反射点之间存在相对运动,采集到的声信号会产生多普勒效应,使得声学测速通道船速解算存在一定误差。其影响具体如式(1)所示。
其中,r 表示换能器在发射声信号前,海底声信号反射点与船舶换能器之间的水平距离,r表示船舶在行进过程中,海底声信号反射点距离船舶换能器的垂直距离。
式中f0是由换能器设置的,而c表示声波在海水中的传播速度,这在多普勒计程仪中是预先设定完成的,一般忽略海水的温度、盐度、密度等对其传播速度的影响,将其设置为一个常数1500m/s。因此,可以将原先存在的{r, X0, VS, c, f0}5个影响变量化简为以下3个影响参数:
为了直观展示多普勒效应对声源信号的影响,使用仿真数据来研究多普勒效应对声信号的影响,将参数设置如下:X0=5m,r=50m,c=1500m/s。船舶行驶速度VS按照间隔设置3个不同的值,声源信号采用4种不同的发出频率。其短时傅里叶变换得到的模拟信号时频分布图如图2所示,可以看出,尽管声源初始频率不同,但随着船舶行进速度的改变,产生的多普勒效应给信号时频域带来了独特的失真,并且随着船速的增加,其声源频率失真程度也在增加。
三、多普勒计程仪双通道测速模型的建立
针对多普勒计程仪声学测速和电磁测速两个通道现存问题分别建立学习模型,下面针对双通道模型分别详细介绍。
(一)声学测速通道
在声学测速通道中,利用声信号的统计特征和卫导所测对应船速建立函数关系,在模型建立以后,在不使用卫导的前提下,可以根据声信号的统计特性识别对应的船速信息,规避了多普勒效应对声学测速的影响。本研究共有8个统计特征见表1。F1-F8分别表示波形因数 (WF)、方差 (µ)、余量因数 (MF)、峰度 (K)、脉冲因数 (IF)、波峰因数 (CF)、频率集中度 (FC)、频率标准偏差 (FSD) 。si 代表第 i 条谱线的幅度,fi是第 i 条谱线所对应的频率值。
本文采用具有两个隐藏层结构的BP神经网络来进行模型训练,输入层x1-xi表示前述统计特征,输出层y1-yn表示对应的船速值。根据数据量设置训练次数,通过多次迭代训练,直接构建输入层统计参数和输出层船速值之间的函数关系。训练完模型以后,在没有卫导等外界手段获知船速的情况下,通过声学测速通道采集声信号后,训练模型直接根据信号统计特征诊断出对应的船速信息。
(二)电磁测速通道
在电磁测速通道中,核心部件是电磁传感器和船速发送电机。电磁传感器测量结果需通过船速发送电机对外发送船速信息,船速发送电机工作环境恶劣且需长期运转,存在故障风险。由于船速发送电机故障样本少且不均衡,健康数据占大多数,因此,本文仅利用健康数据样本,通过SVDD为船速发送电机建立安全域模型,实现了对船速发送电机的持续健康监测。
作为一种有监督的机器学习方法,在采集船速发送电机健康样本的情况下,SVDD可以利用这些参数建立安全域模型(SRM)。SRM是一个二分类模型,它的基本思想如图3所示。
首先,要分析的样本以一组“特征向量”为特征。其次,健康样本的特征向量被一个“边界”限制在一个“安全区域”中。该边界约束了属于具有最小空间的健康状况的特征向量。若待识别样本的特征向量在这个空间内时,认为该样本是安全的、健康的,反之则认为是不安全、存在故障隐患的。
在船速发送电机运行的早期,构建由这些健康样本组成的安全区,并使用式(3)所示决策函数来判断样本是否属于安全区。
F=(F1, F2,…, Fn)∈Rn 是样本的特征向量,n是特征个数,Bound(x)是边界函数。可以利用SVDD找到一个以a为圆心,T 为半径的最小体积超球面,为了找到健康样本数据所在的安全边界,其边界区域应满足式(4)所示关系:
对式(4)求解可以得到式(5):
根据沃夫对偶定理,可以得到式(6):
通过求解上式,可以得到球半径R和a的关系为:
如果船速发送电机样本到a的距离小于R,则认为处于健康运行状态,反之,认为有故障的可能性。
四、模型验证
本文针对多普勒计程仪双测速通道分别建立学习模型,下面就建立模型进行验证。
(一)声学测速通道
在声学测速通道中建立了输入声信号统计特征和输出船速之间的学习模型。数据集包含8种不同频率的声信号源、20种不同船速总共800个信号样本,每种频率声信号源在同一船速下制作5个信号样本,这样每种频率声信号源具有不同船速下的样本100个。每个样本包含表1中8个统计特征和船速标签,BP神经网络双隐藏层的神经元个数设置为100,学习率是0.1。4次训练情况下测试集的识别准确率分别为100%、98%、100%、100%。
由测试结果可知,利用BP神经网络构建的输入声信号统计特征和输出船舶速度之间的函数关系,有效规避了多普勒频移带来的船速解算误差问题,具有精准的诊断识别率。
(二)电磁测速通道
在电磁测速通道中主要对船速发送电机建立安全域模型。数据集包括200个健康状态下船速发送电机样本和100个故障状态下样本,每个样本包含表1中8个统计特征和相应标签,标签“0”表示处于健康状态,标签“1”表示处于非健康状态。160个健康样本用于训练SRM模型,剩下40个健康样本和100个故障样本用于测试模型的准确率,最终达到了96.8623%的诊断识别率,SRM模型可视化如图4所示。
由图4可知,利用SVDD对船速发送电机构建的SRM模型具有较高的诊断识别率,训练出的模型可以在缺乏故障样本的情况下,直接对船速发送电机的输入信号特征进行监测,判断船速发送电机是否处于健康运行状态。
五、结论
多普勒计程仪由声学测速和电磁测速两个通道组成,针对两个测速通道存在的难题,本文利用深度学习分别建立了相应的学习模型。在声学测速通道,利用BP神经网络建立输入声信号和输出船速的函数关系。在电磁测速通道,仅利用健康数据样本,通过SVDD为船速发送电机建立了SRM模型,实现了对船速发送电机健康运行的有效监测,具有良好的实际工程应用前景。
参考文献
[1]傅菊英,吴炳昭.声学多普勒计程仪测速误差分析与补偿[J].海洋技术,2019,30(02):20-22.
[2]张翱.列车轴承故障道旁声学诊断关键技术研究[D].合肥:中国科学技术大学,2014.
[3]Cai B, Sun X, Wang J, et al. Fault detection and diagnostic method of diesel engine by combining rule-based algorithm and BNs/BPNNs[J]. Journal of Manufacturing Systems, 2020, 57: 148-157.
[4]Tax D M J, Duin R P W. Support Vector Data Description[M]. Kluwer Academic Publishers, 2004.
作者单位:海军士官学校
■ 责任编辑:王颖振、杨惠娟