舰船机械状态监测信息量巨大^[1]，且差异工作状态下的变化多端，较难实现舰船机械设备的精准建模^[2]。常用的故障监测技术难以正确判断出舰船的机械状态，如今的舰船已经进入智能化发展阶段，常用的故障监测技术无法满足其需要。王瑞涵等^[3]采用机器学习技术对船舶设备状态进行监测，该方法的计算量过于庞大，无法获得较为精准的监测结果；吴金利等^[4]以振动信号为研究对象，诊断、监测设备情况，但该方法仅针对振动信号提出，对于其他工况的适用性不强。

舰船机械设备状态监测信息是一种具有庞大参数的多维度数据，其存在极易在计算过程中导致监测算法失效，无法获取较好的监测结果^[5]。为此需要在舰船的机械设备状态监测工作开始之前，进行特征参数选取。通过选择合适的特征参数能够帮助舰船机械状态监测获得优秀结果^[6]。由于信号处理策略的不断进步，特征参数选取的范围也逐渐扩大，能够通过差异信号域获取各种类型的机械状态特征参数。但是当机械设备运行状态等条件为固定的情况下，各种特征参数的使用结果常常存在差异^[7]。这就需要监测机械设备的技术也要在适应其变化多样性的同时随之进行变化。针对差异应用对象完成理想特征参数的智能选取、以及机械设备状态监测技术的自动化发展，是当前机械状态监测工作中的核心^[8]。

本文设计舰船机械状态监测特征参数选取系统，通过智能传感器这类设备感知舰船机械状态，以所监测的舰船机械状态数据为中心，利用动态主成分分析方法快而准地处理大量舰船机械设备中获取的状态监测信息，选取其中有效的特征参数，得出较为准确的机械状态判断结果，使舰船机械设备中的潜在威胁及时消除。

基于C/S分层理论构建舰船机械状态监测特征参数选取系统，总体结构如图1所示，主要由数据采集终端、光纤通信模块、协议解析层、业务逻辑层和上位机构成。

图 1 舰船机械状态监测特征参数选取系统结构 Fig. 1 Structure of characteristic parameter selection system for ship mechanical state monitoring

数据采集终端采用8702B50M1本安型单轴加速度传感器测量舰船电机的振动信号，该传感器的最大量程范围、频率响应区间、灵敏度以及工作温度范围分别是±50 g， $ \left[ {1,5} \right] $ kHz，500 mV/g以及 $ \left[ {0,65} \right] $ ℃。装配时可任意选用单磁座、双头螺栓2个形式，结合工况与安全标准本文选择使用双头螺栓的形式进行装配。

数据采集终端内置信号调理箱的调理电路分为振动、键相位2种，前者的作用对象是压缩的信号直流分量，其通过放大交流分量提升ADC位数相同情况下的信号分辨率与精度^[9]，后者的目标是通过通道与滤波电路完成实时同步采样基准，降低信号扰动，转换电平为TTL电平方波。调理箱的结构如图2所示。

图 2 信号调理箱结构 Fig. 2 Signal conditioning box structure

系统数据采集终端应用DAQCard-PCI-6040E数据采集卡，其包括8路差分、16路单端的差分模拟量输入，分辨率为12位，采样率的极大值为250 k/s，输入电压区间、增益分别为 $ \left[ {0,10} \right] $ V， $[0.5，{1}，{2}，{5}，{10}，\text{20}，\text{50}，\text{100}]$ ，8出、入数字I/O，定时器2个。板卡整体的构成包括输入选择、增益放大、A/D转换、FIFO、数据收发、定时、数字I/O以及控制8个模块，其主要是通过键相位信号触发实现舰船机械状态信息采集。利用数据采集卡采集舰船机械状态信息内的特征参数，数据采集流程如图3所示。

图 3 舰船机械状态信息采集流程 Fig. 3 Ship mechanical state information collection process

以确保舰船机械状态监测信息传输时的正确性为目标，基于光纤通信协议对通过数据采集终端获取的舰船机械状态监测信息进行编帧。设置帧首、帧末分别为16bit EB90，16bit146F，并按照编码协议打包舰船机械状态监测信息为128bit的数据帧。由于舰船机械状态监测特征参数选取系统需要具备较大的信息传输速度，所以选择应用基于Aurora协议的光纤数据传输方法，其总体结构如图4所示。该方案可有效支持多路光纤传输且具有信道初始化、时钟矫正等作用，其中蕴含的高速串并转换协议可按照差异应用需要向其提供所需的数据通信方案，舰船机械状态监测信息传输模式主要包括流、帧以及全双工、单工2种。令Aurora 8b/10b IP核数据端口的有效长度为8 B，参考时钟为200 MHz，光纤链路的速度为5 Gb/s，舰船机械状态的监测信息传输方式为帧、全双工格式。

图 4 Aurora 8b/10b结构框图 Fig. 4 Aurora 8B / 10B structural block diagram

设舰船在 $ k $ 个时刻的机械状态监测特征参数共有 $ m $ 种， $ {Z_t} $ 为 $ t $ 时刻监测特征参数向量， $ {z_{it}} $ 为 $ t $ 时刻机械状态监测特征参数的监测值， $ {Z_t} = \left( {{z_{1t}},{z_{2t}}, \cdots ,{z_{mk}}} \right) $ 为 $ k $ 维的随机列向量，设置全部机械状态监测特征参数的历史数据有 $ n $ 个。由于舰船机械状态监测特征参数的数据量庞大，计算结果可能与实际情况之间的偏差较大，所以需要利用多维自回归模型确定舰船机械状态监测特征参数在时序上的延迟期 $ p $ ，判断出历史监测时刻节点。预处理差异舰船机械状态监测特征参数项，令其于同时序内的数据均值为0，后经差分平稳化处理规避监测特征参数在时序上的线性与规律性，获得平稳的时间序列。构建该时刻 $ k $ 维舰船机械状态监测特征参数变量的AR( $ p $ )模型：

式中： $ {Z_t} $ 和 $ {a_t} $ 分别为 $ k - 1 $ ， $ k \times 1 $ 维的零均值平稳、白噪声序列， $ {\varphi _j}\left( {j = 1,2, \cdots ,p} \right) $ 为 $ k - k $ 维矩阵， $ \sigma _a^2 $ 为 $ {a_t} $ 的方差， $ \left\{ {{z_t}} \right\} $ 为 $ k $ 维自回归AR( $ p $ )序列， $ p $ 为模型的阶。通过最小二乘估计法估计未知参数 $ {\varphi _1} $ ， $ \cdots $ ， $ {\varphi _p} $ ，判断 $ p $ 是否符合条件，并基于估计值检验模型的显著性水平。

研究基于所求模型阶次 $ p $ ，衡量舰船机械状态监测信息的互相关且差异时序自相关关系，通过动态主成分分析法提取舰船机械状态监测信息的主成分。总体流程如下：

1）计算协方差矩阵

舰船机械状态监测信息的协方差矩阵 $ C $ 通过互相关与自相关协方差矩阵 $ C\left( 0 \right) $ 与 $ C\left( 1 \right) $ ， $ C\left( 2 \right) $ ， $ \cdots $ ， $ C\left( p \right) $ 组成，各矩阵块描述为：

其中， $ i,j = 1,2, \cdots ,p + 1 $ ； $ \overline {{Z_i}} $ 和 $ \overline {{Z_j}} $ 为 $ t $ 时刻机械状态监测特征参数i、j的监测值的均值。

2）确定相关矩阵

通过协方差矩阵获取 $ C $ 的相关矩阵 $ R = \left( {{r_{ij}}} \right) $ ， $ i,j = 1,2, \cdots ,m\left( {p + 1} \right) $ ，得到：

3）计算相关矩阵的特征值

设 ${\lambda _1} \geqslant {\lambda _2} \geqslant \cdots \geqslant {\lambda _{m\left( {p + 1} \right)}}$ 为 $ R $ 的 $ i,j = 1,2, \cdots ,m\left( {p + 1} \right) $ 个从大至小排列的特征值。

4）提取主成分

按照主成分贡献率判断所需提取的主成分，第3步排列的特征值，得到前 $ k $ 个主成分的综合贡献率为：

综上所述，求出 $ k $ 个主成分，作为最终舰船机械状态监测特征参数选取结果。

利用本文系统采集舰船的机械状态监测信息，以电压、电流信息为例，验证本文系统的采集结果如图5所示。可知，本文系统可有效采集舰船机械状态监测信息的电压、电流特征，2种信息采集结果的整体变化趋势均与实际数据基本相同，2种信息采集的结果整体均略微低于实际数据。实验证明，本文系统可精准采集舰船机械状态监测信息。

图 5 舰船机械状态监测信息采集效果 Fig. 5 Collection effect of ship mechanical condition monitoring information

电路存在3次、5次谐波的情况下，分析应用本文系统前后电流内谐波的过滤效果。可知，应用本文系统前电路内存在3次、5次谐波，应用本文系统后可有效过滤3次、5次谐波，具有较为显著的谐波过滤效果，接近完全改善谐波，证明本文系统有较为优异的谐波过滤效果，可较好地实现对电路质量的控制，确保获取精准的舰船机械设备状态监测数据，维护电路平稳运行的同时，有助于精准选取特征参数。

为衡量本文系统对舰船机械状态监测特征参数的选取效果，采用本文系统对舰船电机中断、超速2种运行状态下的振动信号进行特征选取，获取特征选取结果如图6所示。可知，本文系统能够准确选取舰船电机中断、超速2种运行状态下的振动信号，并且由于本文系统中应用了时序分析结合主成分分析的动态主成分分析方法，所以也可较为准确的提取振动信号中波动较为微弱的信号特征。

图 6 舰船机械状态监测特征参数选取结果 Fig. 6 Selection results of characteristic parameters of ship mechanical condition monitoring

本文设计舰船机械状态监测特征参数选取系统，将时序分析与主成分分析方法相结合构造动态主成分分析，实现舰船机械状态监测特征参数的提取。规避了传统机械设备状态监测技术因特征参数选取不合理，引起的监测结果不理想问题。可准确捕捉到舰船的异常状态，为其工况监测予以充分的技术支撑。