船舶故障诊断系统研究

戴红伟

(东海航海保障中心，上海 200086)

故障诊断技术的发展可分为3个阶段:第一阶段，故障诊断主要靠人工完成，即通过人的感觉器官、经验及仪表等完成对故障信息的处理;第二阶段，20世纪80年代以来，机器设备日趋复杂化、智能化及光电一体化，传统的诊断技术已难以满足应用要求，因此传感器技术、动态测试技术及信号诊断技术得到了广泛应用;第三阶段为智能诊断阶段，基于人工神经网络、粗糙集理论、信息融合技术的智能故障诊断技术得到了飞速的发展和较好的应用［1］。特别是在船舶故障诊断应用方面，高精度化、不解体化、多源信息融合及网络化已成为船舶机舱故障诊断发展的必然趋势。船舶机舱监控系统是确保船舶安全运行、实现机舱自动化不可缺少的组成部分，该系统通过对船舶设备的数据采集，能够获得大量的实时数据，但其中可能包含大量杂乱的、重复的、不完整的数据，如果完全根据这些数据进行故障诊断，将会严重影响故障诊断的效率，甚至可能导致诊断结果的偏差［2］。由于船舶机舱设备的振源众多、工作环境复杂且多变，因而在船舶故障诊断中主要存在以下难点:

a．故障特征识别困难。主要是因为船舶机舱结构的复杂性导致了故障的多样性，另外故障特征与故障类型之间呈现的是多对多的映射关系，这些因素造成船舶故障诊断的难度较大、准确率不高、效率偏低。

b．故障诊断的实时性较差。要实现在线实时诊断，需要在极短的时间内给出较准确的故障预警，这就需要有高速的数据采集、处理、传输以及准确的故障定位。而现有的方法不能实现对特征参量集的优化，计算时间较长，很难满足诊断的实时性。

因此，在进行故障诊断前，必须对采集到的原始数据进行预处理，去除与诊断目标不相关的属性，为故障诊断提供干净、准确、更有针对性的数据，以减少故障诊断的数据处理量，进而提高故障诊断的准确率和效率。

1 故障诊断系统总体框架

目前，大部分船舶故障诊断系统的诊断对象没有覆盖机舱的全部设备，多数的研究只是针对船舶主机的故障诊断，同时不同种类的船舶使用的主机型号也繁杂多样，没有通用的诊断系统［3］。一般而言，现代船舶都配备了机舱集中监控报警系统，船舶机舱各个设备的工作参数 (各缸爆压、油温油压、冷却水进出口温度、排气温度、转速等)都可以通过传感器获取并上传到集控台进行数据存储和处理，船舶所有设备运行状态和历史故障信息以及解决方案都被存储在船端的“本地故障诊断系统数据库”中，供以后查询分析使用。同时，这些数据也会通过海事卫星或3G信道传输到岸基地，保存到岸基地的远程故障诊断中心数据库，在岸上的工作人员可以随时获得船舶设备的运行状况及相关参数，进而实现船舶远程故障诊断与分析。

图1 船舶故障远程诊断系统总体框架

船舶故障诊断系统总体框架如图1所示。船端的本地故障诊断系统具有查询故障征兆、故障类型以及相应解决方案的功能，出现故障时，船上工作人员通过该系统可以得到故障处理的措施和应急方案。当船上工作人员运用本身的经验知识和本地故障诊断系统不足以处理复杂异常的故障时，船舶局域网通过海事卫星/3G网络把设备当前运行参数以及故障状态发送到岸端的船舶公司，远程故障诊断中心获取这些数据后，结合专家和知识库中的知识进行推理，得出故障解决方案。随着系统运行时间越来越长，数据库中关于船舶设备运行参数的记录、历史故障信息以及各种故障的解决方案都在不断扩充、完善，系统故障诊断的正确率也会得到相应的提高。

2 船舶设备故障分类表示

船舶结构十分复杂，一个故障症状常常是多种原因导致，而且同一个故障原因又涉及多种故障类型。故障诊断必须具备相应的专业知识。本系统主要通过查阅与船舶相关的文献，与相关领域的人员交流，咨询船舶相关设备的设计人员、船舶设备制造单位的实施人员以及长期使用这些设备的人员等方式，获取船舶的初始故障分类信息;同时，通过船舶机舱监控报警系统对机舱内的设备设置监控点，以实时获取设备运行状态信息;在日常的故障诊断推理中，系统发现新规则时，把评价为优的规则作为新的知识存入知识库内。

主机作为船舶的核心设备，其故障及故障产生的原因多种多样，主要有滑油压力低、转速不稳、水温/机温过高等，每一种故障都可能由多种原因造成。通过对船舶设备说明书及设备运行历史数据的分析、总结，船舶主机最常见故障、产生原因及相应的处理措施见表1。

3 基于粗糙集的数据预处理方法

对设备运行状态的监测是故障诊断的基础，因此采集数据的准确性对故障诊断结果影响很大。船舶机舱集控台对船舶主要设备进行实时监控，并获取大量的设备状态数据，这些数据存在冗余，因此利用粗糙集理论对船舶监控中采集的实时数据进行属性约简、值约简，从而实现冗余数据的清理。基于粗糙集的数据归约处理主要分两个步骤完成:一是决策表中条件属性集的约简求核;二是条件属性值的约简［4］。在实际应用中，用传统的属性约简和值约简算法对设备运行状态的实时数据直接进行约简难以满足故障诊断的需求，因为求解的时间复杂度及所需存储空间较大，处理效率较低。为此，本文设计了一种基于区分矩阵的改进属性约简和改进的启发式值约简算法，改进算法的主要思想是在计算决策表的属性核的同时，将仅由属性核就能判断出决策的记录删除，从而实现对属性值的约简。

表1 滑油压力低的原因及措施

区分矩阵是决策表中所有不可区分关系的一种抽象表示，定义了决策表中全部与属性区分相关的信息，从而能够快速地获取决策表属性核。设系统 S=(R，T∪J，V，f)(T 为条件属性，J为决策属性)，t(x)是属性 t(t∈T)的值，T(i，j)为可区分矩阵中第i行、第j列的元素，则相应的区分矩阵表示为:

区分矩阵中元素的取值由样例之间的关系决定，其对角元素均为0，且矩阵中元素沿对角线对称。当两个样例的决策相同时，则矩阵中对应的元素取0;当两样例的条件属性和决策属性均不相同时，区分矩阵中对应的矩阵元素取属性值不相同的条件属性的组合。

当系统中条件属性和记录的数量较少时，传统的属性约简算法效果很好，但是当决策表中的条件属性与记录的数量很多时，算法的效率会大大降低［5］。为此，本文设计的改进的区分矩阵约简算法，是应用启发式算法来求取其次优约简。其中，启发式采用属性重要度表示，属性的重要度用该属性在区分矩阵中出现的次数来衡量，即当某属性在区分矩阵中出现的频率高时，说明该属性有较高的重要度，则可以用该属性区分较多的记录。设X表示决策表，A表示决策表中的条件属性约简后的集合，C表示由式(1)求出的与决策表X相对应的区分矩阵，ak∈{cij}，p(ak)为区分矩阵C中属性ak的频率函数，C0为决策表X的核属性集合，改进的区分矩阵约简算法的求解过程如下:

a．求出 C。

b．把 C0赋给 R，即令 R=C0。

c．求出所有包含C0的条件属性组合Q。

d．C变为(C－Q)，同时，令B=A－R。

e．对所有的ak∈B，计算在C中出现次数最多的属性ak，并赋给aq。

f．把aq加入R中。

g．重复上述过程，直到C为空。

随着系统使用中船舶设备运行状态信息的不断积累，系统规则库得到相应的扩充，这样可进一步提升系统的故障诊断能力。同时，在大量历史数据的基础上，系统还可实现故障预测，即当检测到设备运行参数异常时，系统利用历史数据及设备当前状态进行推理分析，从而可以在设备发生故障前提醒或指导用户进行有针对性的检查与维护，以确保船舶的安全运行。

4 结束语

本文以船舶集控台改造项目为背景，给出了船舶故障诊断系统的总体框架及实现方法。基于粗糙集的数据预处理方法，提高了船舶故障诊断的效率和准确率。在船舶故障诊断系统中，知识库中的知识完善程度决定了系统的诊断能力，今后将进一步通过与船舶管理领域专家的交流，逐步扩充知识库。同时，在故障诊断时可以考虑综合使用基于案例、基于关联规则的推理方法，进一步提高船舶故障诊断的准确性。

［1］ 刘洪卫．基于B/S模式的岸基船舶监控系统的设计与实现［D］．哈尔滨:哈尔滨工程大学，2012．

［2］ GAN Huibing，REN Guang，ZHANG Jundong．Monitored control system for ship engine room based on data mining［J］．Shipbuilding of China，2011，52(4):214 －221．

［3］ 崔文彬，张跃文，吴桂涛，等．BP神经网络在远洋船舶远程监控中的应用研究［J］．哈尔滨工程大学学报，2009，30(8):935－939．

［4］ 刘胜，李高云，宋佳．基于FNN的船舶舵伺服系统故障诊断研究［J］．中国造船，2010，51(1):162－169．

［5］ 李爱民，施惠丰．基于粗糙集和神经网络的机械故障诊断研究［J］．昆明理工大学学报:自然科学版，2011，2(36):35－39．