0 引　言

由于船舶设备大多处于高温、震动以及大电流等恶劣环境中，并且具有复杂与多样的特点，极容易发生难以预计的故障^[1]。因此急需设计有效、可靠的船舶设备工作状态自动检测系统，使船舶管理和技术人员能够实时掌握船舶设备在工作时的异常状态，从而及时对船舶设备进行维修与保养，确保船舶安全平稳航行。

当前针对此类系统的设计成果丰富，王鑫和燕凯等人^[2-3]分别利用改进的Yolo v3模型与大数据技术，完成船舶设备工作状态自动检测系统设计。这2种系统在复杂环境下均能有效检测船舶设备工作状态，但受设备特征维度影响较大，且计算代价较高，不满足检测实时性要求。传感器可以快速获取待测量的信息，并将其以一定规律变换成所需形式输出，在信号采集、处理和存储等方面具有显著优势，因此本文设计基于传感器的船舶设备工作状态自动检测系统。

1 船舶设备工作状态自动检测系统 1.1 系统总体结构

基于传感器的船舶设备工作状态自动检测系统总体结构，如图1所示。

1.2 系统硬件设计 1.2.1 采集船舶设备信号的传感器结构

用于采集船舶设备工作过程中各类工作状态信号数据的传感器结构，如图2所示。传感器接口可以对船舶设备工作时的温度、压力和振动等参数进行直接测量，并将测量结果以模拟信号形式输出到信号调理电路。该单元通过放大、滤波等方式处理接收到的模拟信号，以消除其内噪声。A/D数模转换单元利用量化以及编码等方式，将调理后的模拟信号转换为系统能够识别的数字信号，同时传输到微处理器实现集成操作^[4-5]。通信接口负责创建传感器与系统通信层中路由节点之间的连接，从而将微处理器集成的数字信号传输到通信层。电源管理和复位单元具备为传感器提供能量以及复位传感器的功能，显示电路用于呈现传感器的运行状态和相关数据。

1.2.2 传输船舶设备信号的网络协调器设计

负责系统通信层和应用层之间船舶设备工作状态信号传输的网络协调器模块结构，如图3所示。

1.3 船舶设备工作状态自动检测方法

针对反映船舶设备工作状态的各类信号，系统应用层使用流形学习从中提取有效的信号特征，以达到降低原始信号维度的目的，在此基础上运用孤立森林算法实现船舶设备工作状态自动检测。

1.3.1 船舶设备工作状态信号降维

映射船舶设备工作状态高维信号，使其呈现在低维拓扑空间，并能反映原始信号的结构特征，即流形学习的基本思想。使用流形学习中应用最广泛的t-分布领域嵌入算法，降低船舶设备工作状态信号维度，该算法以概率形式代替欧式距离，据其描述两个数据点之间的相似度，以达到数据降维的目的。高维空间的原始信号用高斯联合概率描述，低维空间的信号用t分布描述，在高维对象之间，利用t-分布领域嵌入算法创建概率分布，使相似对象以高概率被选择，并在低维空间的数据点上创建类似的概率分布，使2个空间中的概率分布尽量接近。假设船舶设备工作状态高维信号个数用N描述，2个信号数据点分别用x_i和x_j描述，则两者间的相似性可使用式（1）的高维分布概率p_ij表示：

$ \begin{split} &{p_{j/i}} = \frac{{\exp \left( { - {{\left| {{x_i} - {x_j}} \right|}^2}/2\sigma _i^2} \right)}}{{\displaystyle\sum\limits_{k \ne i} {\exp \left( { - {{\left| {{x_i} - {x_k}} \right|}^2}/2\sigma _i^2} \right)} }} \;，\\ &{p_{ij}} = \frac{{{p_{j/i}} + {p_{i/j}}}}{{2N}} \;。\end{split} $

(1)

式中：成本函数参数用 $ {p_{j/i}} $ 和 $ {p_{i/j}} $ 描述；中心信号数据点用 $ {x_k} $ 描述； $ {x_i} $ 的高斯方差用 $ {\sigma _i} $ 描述，其最优值可通过式（2）所示的困惑度概念二分法获得：

$ {\left( {{P_i}} \right)_{Perp}} = {2^{ - \textstyle\sum\limits_j {{p_{j/i}}{{\log }_2}{p_{j/i}}} }} 。$

(2)

在船舶设备工作状态低维信号中，与 $ {x_i} $ 和 $ {x_j} $ 相匹配的2个数据点，分别用 $ {y_i} $ ， $ {y_j} $ 描述，两者间的关系可使用式（3）的相似度 $ {q_{ij}} $ 衡量：

$ {q_{ij}} = {\left( {1 + {{\left\| {{y_i} - {y_j}} \right\|}^2}} \right)^{ - 1}}\bigg/\sum\limits_{k \ne l} {{{\left( {1 + {{\left\| {{y_k} - {y_l}} \right\|}^2}} \right)}^{ - 1}}} 。$

(3)

式中： $ {y_i} $ 的相邻信号数据点用 $ {y_k} $ 描述； $ {y_j} $ 的相邻信号数据点用 $ {y_l} $ 描述。

当船舶设备工作状态高维信号的降维效果较为理想时， $ {p_{ij}} $ 与 $ {q_{ij}} $ 的值相等，两者间的差异C可使用KL散度进行衡量，具体如下式：

$ C = \sum\limits_{i \ne j} {{p_{ij}}\lg \frac{{{p_{ij}}}}{{{q_{ij}}}}} ，$

(4)

使用式（5）的梯度下降过程求解式（4）最小值：

$ \frac{{\delta C}}{{\delta {y_i}}} = 2\sum\limits_j {\left( {{p_{ij}} - {q_{ij}}} \right)\left( {{y_i} - {y_j}} \right){{\left( {1 - {{\left\| {{y_i} - {y_j}} \right\|}^2}} \right)}^{ - 1}}} 。$

(5)

式中：高斯分布用 $ \delta $ 描述。需在梯度中加入较大的动量，以防止求解过程中陷入局部最优，具体如下：

$ {Y^{\left( t \right)}} = {Y^{\left( {t - 1} \right)}} + \eta \frac{{\delta C}}{{\delta {y_i}}} + \alpha \left( t \right)\left[ {{Y^{\left( {t - 1} \right)}} - {Y^{\left( {t - 2} \right)}}} \right] 。$

(6)

式中：学习效率用 $ \eta $ 描述；当迭代次数达到t时，相应的值和动量分别用 $ {Y^{\left( t \right)}} $ 、 $ \alpha \left( t \right) $ 描述。

1.3.2 船舶设备工作状态自动检测实现

孤立森林算法包含若干棵二叉树，由于船舶设备工作状态正常信号和异常信号较为疏离，因此可通过二叉树的创建确定异常信号，进而实现船舶设备工作状态自动检测。

测试阶段选取多个船舶设备工作状态正常和异常信号组成测试样本，通过各棵二叉树遍历确定样本中每个信号的异常分值。假设待测信号用x描述，其在二叉树中的路径长度用 $ h\left( x \right) $ 描述，x的异常分值用s描述，则其计算过程如下式：

$ \begin{split} &s\left( {x,m} \right) = {2^{ - \tfrac{{E\left[ {h\left( x \right)} \right]}}{{2H\left( {m - 1} \right) - 2\left( {m - 1} \right)/m}}}} ，\\ &h\left( x \right) = \ln \left( x \right) + \varepsilon 。\end{split} $

(7)

式中：欧拉常数用 $ \varepsilon $ 描述；x的平均路径长度用E(h(x))描述；从数量为m的训练数据中所得x的异常分值用s(x,m)描述，其值介于0到1之间。当E(h(x))和s的值分别与0，1接近时，表明信号x为异常数据，相应的船舶设备工作状态异常；当E(h(x))和s的值分别与 $ m - 1 $ ，0接近时，表明信号x为正常数据，相应的船舶设备工作状态正常。船舶设备工作状态自动检测具体流程如图4所示。

2 结果分析

以某船舶动力、操纵、助航以及通信四类重要度较高的设备作为实验对象，引入Simulink软件模拟船舶设备正常工作状态和异常工作状态时的9种故障，并利用本文系统采集船舶设备温度、压力和振动信号共800个样本，其中正常信号样本300个，异常信号样本500个，据其进行船舶设备工作状态自动检测。

选择船舶四类设备周围布设的传感器进行零点标定测试，以验证传感器对船舶设备工作状态相关信号采集的稳定性，获取某日8:00−15:00的传感器输出响应值，所得零点响应变化结果如图5所示。可以看出，在8:00−15:00时间段内，同类型船舶设备周围各传感器输出电压变化幅度极小，特别是操纵设备周围传感器的输出电压基本一致，且不同类型船舶设备周围传感器输出电压十分接近。表明本文系统选用的传感器具有较好的零点稳定性，有助于保证船舶设备工作状态相关信号采集效果。

从采集的船舶设备工作状态信号样本中随机选取100个样本进行降维测试，并以可视化形式展示降维结果，如图6所示。从图6（a）可以看出，船舶设备工作状态正常信号和异常信号呈混合分布，且无法区分异常信号中不同船舶设备故障的信号特征；从图6（b）可以看出，使用本文系统完成降维后，船舶设备工作状态正常信号和异常信号分别聚集在不同区域，并且异常信号中不同船舶设备故障的信号特征也被准确地划分到不同区域，同时各区域相隔较远。表明本文系统的船舶设备工作状态信号降维效果较为优异，有助于提升后续船舶设备工作状态自动检测性能。

统计分析某日8:00−16:00的船舶设备工作状态自动检测结果，其中11条记录详情用表1描述。可以看出，本文系统的检测结果与实际结果的吻合度始终高于96%，表明本文系统具有较好的船舶设备工作状态自动检测能力，不仅能使相关人员及时发现设备工作异常问题，还能为其制定设备维修计划提供重要参考。

3 结　语

为保证船舶安全航行以及顺利地完成既定任务，本文以传感器作为数据采集装置，设计基于传感器的船舶设备工作状态自动检测系统。该系统选用的传感器能很好地保证船舶设备工作状态信号采集稳定性，且该系统引入流形学习能有效降低信号数据的维度，此外该系统在利用孤立森林算法准确检测船舶各类设备工作状态的同时，还能判断设备故障类型和故障程度。