基于机器学习的舰船机电装备故障诊断

吉 哲，张松涛，代春明

应用研究

基于机器学习的舰船机电装备故障诊断

吉 哲，张松涛，代春明

（海军士官学校二系，安徽蚌埠 233012）

随着信息技术的发展，以机器学习、模式识别为代表的人工智能技术在故障诊断领域逐步得到应用。通过对振动噪声信号的采集，利用时频分析技术对信号进行分解，并提取故障特征参数，再利用机器学习或模式识别技术对信号进行判别分类，可以实现舰船机电装备的智能诊断。为了验证该方法，选择经验模态分解方法进行信号分解，采用支持向量机进行诊断分类。通过实验表明，该方法有着较高的诊断精度，故障诊断率达到了96.7%，可以对舰船机电装备常见故障进行准确的智能诊断。

机器学习 机电装备 经验模态分解 支持向量机 故障诊断

0 引言

舰船机电装备长期在高温、高盐、高湿的恶劣环境中使用，长时间的运行，加之误差及操作人员失误等因素，极易出现故障。为了维护其安全运行，避免重大事故，应及时识别运行过程中产生和演变的故障。目前，根据机舱各类监控系统提供的数据参数进行故障诊断主要凭借的是维护人员的工作经验，主观性较大，对人员素质要求较高，难以满足应急保障的需要。故障检查要求停机甚至进行拆卸，影响了装备的使用效率。研究并应用具有不停机、不解体特点的机电装备故障智能诊断系统是维护装备正常运行的重要手段，大大缩短了装备故障诊断、定位及维修的时间，是舰船遂行使命任务的重要保证，具有重大意义。

本文利用舰船机电装备的振动噪声信号建立智能故障诊断系统流程，并通过实验验证了经验模态分解对信号准确的分析能力和支持向量机在非线性、高维度下的精准判别能力，通过训练样本对系统进行训练，再通过测试样本验证系统的准确性。

1 机电装备振动噪声信号特征提取

1.1 振动噪声信号采集

机械设备在运行过程中会不可避免地产生振动和噪声，它是机械运行的一种属性，包含着大量反映机械工作状态的诊断信息。舰船机电装备信号采集主要由振动和声音传感器组成，负责采集机电装备的振动和噪声信号。实际使用时，应根据舰船的不同工况，分别选用不同类型的传感器，具体见表1所示。

表1 舰船不同工况下设置传感器情况

舰船在靠岸工况、锚泊工况下受到的冲击振动较小，不影响振动和声音传感器正常工作，因此选用振动和声音传感器双通道进行信号采集，使用多路信号源旨在提高装备的故障诊断精度。舰船在巡航工况、战斗工况下由于受到水流、侧风等因素的影响，会对装备造成一定程度的振动，给振动传感器的信号采集带来了干扰，从而影响了数据采集的精度。而声音信号的采集是一种非接触的采集方式，适用于颠簸振动的场合，因此此时主要以声音传感器的信号为诊断依据。

1.2 振动噪声信号特征提取

由于舱室内部自身噪声以及其他设备噪声的影响，信号采集过程中不可避免的会混入噪声，尤其是高频噪声，干扰了信号自身特征，将淹没有用信息，影响了故障诊断的精度。因此，首先需要将采集到的振动噪声信号进行去噪处理。在信号处理时，针对时域、频域分析具有局限性的问题，为了精准地描述随时间变化的频率，需要一种能研究变化中信号的方法。目前，时频分析方法可以满足这一要求，如小波分解，该方法已在信号处理的各个领域得到广泛应用。舰船主机、副机等机电装备的振动噪声信号是典型的非平稳非线性信号。时频分析方法通过时间和频率信息联合表征信号的特征，可以同时对时间和频率定位，非常适用于非平稳信号的分析。

将经过去噪处理后的振动噪声信号进行EMD分解，可以得到中心频率呈降序排列的若干子信号，即IMF分量。但是得到的IMF分量特征分布不明显，需要将数据进行特征参数提取，从而得到更具有物理意义的数据，以便于进行故障识别。因此，需要选择合适的幅域信息、时域信息、频域信息及能量信息等特征指标，对子信号进行特征提取，得到相应的故障诊断特征参数，装备的状态信息在特征参数中得到体现。特征的选择会对识别分类工作产生很大影响，所以在特征选取上需要进行对比选择最优特征。

能量作为一种常用的特征，它表示物体做功的本领，表达式为：

2 机电装备故障诊断

2.1 故障判别方法

2.2 故障诊断流程

首先采集舰船机电装备在不同工况下的振动噪声信号，并进行分类存储；再通过滤波的方式对信号进行基本去噪处理，主要是去除信号中的高频噪声，提高信号的信噪比；接着对振动噪声信号进行信号分解，选用经验模态分解的方法，得到若干个IMF分量，分别计算各个IMF分量的能量，并以此作为信号的特征参数；最后采用支持向量机对各类信号样本进行分类，从而实现装备的智能故障诊断。故障诊断的总体步骤如图1所示。

3 实验结果

实验的研究对象是船用6135D型柴油发电机组。以舰船巡航工况为例，此时只设置声音传感器，在柴油发电机组气缸上方50 cm处采集噪声信号，共采集四种类型的噪声信号，分别是正常信号和三种故障信号。三种故障信号分别为喷油嘴故障、气门间隙故障和供油提前角故障。图2是正常噪声信号时序图，图3是气门间隙故障噪声信号时序图，仅从时序图上难以区分信号的种类，需要进一步的分析和判断。

图1 故障诊断总体步骤示意图

图2 正常噪声信号时序图

图3 气门间隙故障噪声信号时序图

实验提取10 s左右长度的柴油发电机组噪声信号，每种类型的信号选取100个样本进行分类实验，在对噪声信号进行采样的程序中设置采样频率为44.1 kHz，通过对正常信号和三个故障信号进行采样得到400组样本。将经过去噪后的6135D型柴油机发电机组噪声信号进行EMD分解，得到若干子信号。正常状态的信号分解结果如图4所示。每个信号样本被分解成了11个IMF分量，每一个IMF分量的中心频率呈降序排列。

图4 正常状态噪声信号EMD分解结果

表2 故障诊断结果

从表中可以看出，四种信号类型中正常状态和气门间隙故障状态均全部判别正确，喷油嘴故障状态和供油提前角故障状态也具有较高的故障诊断率，总体达到了96.7%的诊断精度，验证了该方法在机电装备故障诊断中的有效性和先进性，可以有效协助维护人员对舰船柴油发电机组进行维护检修。

4 结论

舰船机电装备在使用过程中难免会出现故障，为了能够及时准确的找到故障部位，保证动力或电能的不间断传输，需要建立一个完整、高效的故障诊断系统。本文将经验模态分解引入机电装备故障诊断领域，并通过支持向量机的模式识别方法，建立了一套故障智能诊断系统，使机器学习技术在舰船机电装备故障诊断中发挥重要作用，具有一定的应用价值。

[1] 蔡振雄, 李玩幽, 李寒林. 利用振动噪声信号诊断柴油机故障研究的现状与发展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] 曾荣, 曾锐利,丁雷. 发动机声信号与振动信号故障特征提取对比分析[J]. 军事交通学院学报, 2018(08): 40-45.

[3] Huang N E, ZhengS,Steven R L, etl. The empirical mode decomposition and the hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceding of the Royal Society Lond,1998, 454(8): 903-995.

[4] Tan J, Min J, Wu X. Diesel engine fault diagnosis and denoising disposal of the vibration signals based on EMD method[C]//Digital Manufacturing and Automation (ICDMA), 2013 Fourth International Conference on. IEEE, 2013: 488-491.

[5] Wu J D, Liu C H. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J]. Expert systems with applications, 2009, 36(3): 4278-4286.

[6] 蒋波涛, 张博, 黄新波. 基于支持向量机的电机故障诊断方法综述[J]. 微电机, 2018, 51(07): 64-67+73.

[7] 贺立敏, 王岘昕, 韩冰. 基于随机森林和支持向量机的船舶柴油机故障诊断[J]. 中国航海, 2017(2).

Application of artificial intelligence technology in fault diagnosis of marine electromechanical equipment

Ji Zhe, Zhang Songtao, Dai Chunming

(Naval Petty Officer Academy, Bengbu 233012, China)

TP18

A

1003-4862(2022)02-0001-04

2021-07-13

吉哲（1983-），男，副教授。研究方向：舰艇电气技术、机器学习。E-mail: jizhe@mail.ustc.edu.cn