基于机器学习的舰船轮机设备多发故障信号监测.pdf

第45卷第16 期2023年8 月舰船科学技术SHIP SCIENCEAND TECHNOLOGYVol.45,No.16Aug.,2023基于机器学习的舰船轮机设备多发故障信号监测杨双齐(武汉船舶职业技术学院交通运输工程学院，湖北武汉430 0 50)摘要：针对舰船轮机设备故障信号监测中存在的运算量大、缺少故障数据、模型训练复杂、检测效率低、准确度不高等问题，设计了基于机器学习的舰船轮机设备多发故障信号监测方法。通过多种传感器采集舰船轮机设备振动信号，经小波变换降噪后，通过EMD经验模态分解提取舰船轮机设备振动信号特征，将其作为孤立森林算法输入进行异常信号检测，以异常信号检测结果为依据，构建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，实验表明，该方法可以高效、准确地检测并识别舰船轮机设备的故障信号，而且适应性广泛，在舰船轮机设备的各种工况下，监测性能都十分良好。关键词：舰船轮机设备；故障信号监测；机器学习；经验模态分解；孤立森林算法中图分类号：U676.4+2文章编号：16 7 2-7 6 49(2 0 2 3)16-0 10 0-0 4Machine learning based monitoring of multiple fault signals in marine engine equipment(College of Transportation Engineering,Wuhan Institute of Shipbuilding Technology,Wuhan 430050,China)Abstract:In response to the problems of high computational complexity,lack of fault data,complex model training,low detection efficiency,and low accuracy in the monitoring of fault signals of ship turbine equipment,a machine learningbased monitoring method for multiple fault signals of ship turbine equipment is studied.The vibration signal of marine en-gine equipment is collected through a variety of sensors.After denoising by wavelet transform,the characteristics of the vi-bration signal of marine engine equipment are extracted by EMD empirical mode decomposition,which is used as the inputof the isolated forest algorithm for abnormal signal detection.Based on the abnormal signal detection results,a decision Bin-ary tree support vector machine fault signal classification model is constructed to identify fault signals,so as to monitor mul-tiple fault signals of marine engine equipment.The experiment shows that this method can efficiently and accurately detectand identify fault signals of ship engine equipment,and has wide adaptability.The monitoring performance is very good invarious working conditions of ship engine equipment.Key words:ship engine equipment;fault signal monitoring;machine learning;EMD empirical mode decomposi-tion;isolated forest algorithm0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 。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 将采集到收稿日期：2 0 2 3-0 3-2 4作者简介：杨双齐（19 8 3），男，实验师/工程师，研究方向为船舶轮机工程技术。文献标识码：AYANG Shuang-qi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，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doi:10.3404/j.issn.1672-7649.2023.16.020第45卷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 operatingconditions of ships舰船工况靠岸、锚泊巡航、战斗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，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，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。提取数据杨双齐：基于机器学习的舰船轮机设备多发故障信号监测验模态分解，其公式为：mimfi(t)+e(t)。i=1式中：m为分解级数；imf(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：imfi(t)+jH(imfi(t)。式中：H(imf(t)为imf(t)的Hilbert变换；j为虚数单位。解析信号的幅度如下式：F;=V(imfi(t)2+(H(imfi(t)?。解析信号的相位如下式：V;=0(H(imfi(t)-imfi(t)。式中，0 表示幅角。瞬时频率为：P;=dVi/dt。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。这适用传感器类型些分量的频率和幅度与数据的特征关联，因此这些振动传感器、声音传感器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声音传感器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，从而反映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101 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(1)(2)(3)(4)(5)102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孤立森林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人左路，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。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4类、5类SVMOSVMO15类图1决策二叉树支持向量机分类树状图Fig.1 Decision binary tree support vector machineclassificationtree舰船科学技术故障信号监测，流程如图2 所示。开始采集振动噪声信号小波变换降噪EMD经验模态分解提取振动噪声信号特征孤立森林异常信号检测图2 多发故障信号监测流程Fig.2 Monitoring process for multiple fault signals2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15s左右的长度截取，选用30 0 个正常工况下的振动信号样本作为训练集，再选择2 0 0 个多发故障信号样本，同30 0 个正常信号样本共同组成50 0 个综合信号样本测试集。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，获取一0.55类0.54类03类SVMO13类第45卷决策二叉树支持向量机分类故障信号获取故障信号类型输出故障信号监测结果结束10002.0000.52类SVMO1类、2 类30001类0.50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 signal4.00010002000采样点数30004000第45卷定量的子信号，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。图4振动噪声信号EMD分解结果Fig.4EMD decomposition results of vibration noise signal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9 6%10 0%，说明本文方法具有很好的故障信号监测效果，可以及时准确地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。表2 故障信号监测结果Tab.2 Fault signal monitoring results信号类型正确识别数量错误识别数量检测准确率/%正常300压缩机故障65冷却器故障85喷油嘴故障522.3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，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。杨双齐：基于机器学习的舰船轮机设备多发故障信号监测RC本文方法异常检测算法图5不同异常检测算法效果对比WWFig.5Comparison of the effects of different anomaly3结语本文将采集的舰船轮机设备振动信号进行小波降噪后，通过EMD分解提取信号特征，利用孤立森林检测异常信号，使用决策二叉树支持向量机模型识别故障信号类型，实现舰船轮机设备多发故障信号监测，实验表明：1）本文方法可以有效地提取舰船轮机设备振动信号特征，故障信号检出率很高，可以及时准确地发现舰船轮机设备的故障情况。2）本文方法可以快速准确地检测出舰船轮机设备在运行过程中产生的异常信号，降低故障信号分类和识别的难度，提高故障信号监测效率。010019801002961031.000.1000.9810.0750.960.0500.940.0250.920.93）本文方法在各种船舶工况下都可以准确地对多发故障信号进行监测，而且适应性和稳定性都很高，具有广泛的实用价值。参考文献：1孙晋锰，于忠清，王海崖.基于机器学习算法的滚动轴承在线故障诊断.青岛大学学报(自然科学版),2 0 2 1,34(2)：15-2 2.2余永华,陈育成.基于瞬时转速和机器学习的船用柴油机健康状态评估.内燃机工程，2 0 2 0,41(6)：10 1-10 6.3 彭道刚，裴浩然，尹德斌，等.基于机器学习的燃气轮机控制系统分层故障诊断.热能动力工程,2 0 2 2,37(12):16 5-17 3.4】俞晓丰，帅长庚，杨雪，等.船舶水润滑轴承振动状态的光纤传感监测及信号分解.船舶工程,2 0 2 1,43(5):2 2-2 8.5孙原理，宋志浩.基于多物理场信号相关分析与支持向量机的离心泵故障诊断方法.振动与冲击，2 0 2 2,41(6)：2 0 6-212.0OsOSRC本文方法detection algorithms