0 引　言

在舰船航行过程中，由于恶劣天气条件和复杂地形的影响，加之舰船自身结构的复杂性，极容易出现线路与设备等故障，从而产生海量多维故障信息^[1]。这些故障信息是反映舰船运行状态的重要依据，对其进行有效控制，使其得以充分利用，对舰船故障辅助诊断和运维等具有重大意义^[2]，因此有必要设计海量多维舰船故障信息控制系统。

当前针对该系统的研究成果丰富，吴康清等^[3]和张新文等^[4]，分别利用故障知识库与混合加密技术完成系统设计。这2种系统均能控制故障信息完成指定功能，但在数据量过大时的实时控制效果较差，且易受类间小扰动的影响。在大数据环境下进行系统设计，可以有效解决海量多维数据过载问题，因此本文设计包含大数据、网络通信、核心服务和用户界面4个层级的大数据环境下的海量多维舰船故障信息控制系统。

1 海量多维舰船故障信息控制系统设计 1.1 系统总体结构

大数据环境下的海量多维舰船故障信息控制系统总体结构，如图1所示。

1）大数据层

当舰船某区域发生故障时，利用大数据采集模块获取相应舰船区域的海量多维故障信息；通过大数据持久化模块可以实现大数据存储模块对所得海量多维舰船故障信息的实时存储，同时还可以为用户查询历史海量多维舰船故障信息提供支持。

2）网络通信层

使用该层的网络传输通信模块能够将上层存储的海量多维舰船故障信息，上传到核心服务层。

3）核心服务层

该层以总体控制模块作为核心，依据接收到的海量多维舰船故障信息，通过驱动舰船故障信息融合与征兆变量提取模块，控制海量多维舰船故障信息依次进行融合及征兆变量提取，从而用以辅助舰船故障诊断和舰船部件使用寿命预测等功能。其中舰船故障诊断模块运用概率神经网络，识别舰船故障类型。

4）用户界面层

用户通过该层的监控界面可以实时监测海量多维舰船故障信息，并对其发出控制指令，同时还可以提供各种处理结果的展示以及系统管理的功能。

1.2 系统硬件设计 1.2.1 海量多维舰船故障信息采集模块结构

负责采集海量多维舰船故障信息的大数据采集模块选用的微处理器芯片为具有32位内核的STM32F107VCT6，其主频可达到72 MHz，并以LQFP100作为封装形式，且支持32.78 kHz的晶振电路，可以起到驱动RTC实时时钟的作用，同时包含CAN总线以及I²C总线等丰富的外设接口^[5]。该模块在采集海量多维舰船故障信息时，所得测量结果为模拟信号，需将其利用信号调理电路进行滤波和缩放处理，以避免模拟信号出现混叠情况，并使其电压范围符合A/D转换标准。A/D转换是转换速率最大能达到1 MHz的模拟数字转换器，负责通过采样、量化和编码3种形式，将调理后的模拟信号转换为微处理器能够辨识的数字信号，并以DMA模式传输转换结果至微处理器进行集成处理。微处理器外接256 KB的闪存和64 KB的静态随机存取存储器，用于临时存储集成的海量多维舰船故障数字信号。CAN总线接口负责连接该模块与系统基础设施层中的其他模块，以实现该模块的对外通信。电源用于为微处理器提供所需的2.0～3.6 V的工作电压，JTAG调试接口的职责为对微处理器的运行进行控制和获取其内部信息。

1.2.2 海量多维舰船故障信息总体控制模块结构

负责模块驱动和海量多维舰船故障信息控制的总体控制模块选用的中央处理器型号为TMS320F28335，其主频最高可达到150 MHz，符合高速实时控制任务的要求。该模块外接光耦隔离开关量输入、D/A输出以及可编程逻辑阵列，同时包含异步串行通信接口和网口等，负责该模块与系统核心服务层中其他模块之间进行数据交互与控制。为提升该模块的自检和容错效果，设有看门狗与电源监测电路。此外该模块扩展数据存储器和程序存储器，用于记录模块产生的记录，并扩展EEPROM以存储控制参数。LED显示的作用为呈现总体控制模块的运行状态和相关数据。

1.3 基于概率神经网络的舰船故障诊断方法

系统核心服务层中舰船故障诊断模块，根据海量多维舰船故障信息征兆变量提取结果，利用概率神经网络判断舰船故障类型。该网络共包含4个层级，其中输入层负责接收海量多维舰船故障信息征兆变量x，即输入样本，将其与权值w作乘法操作，并将所得结果向量z传送到隐含层。输入层的神经元节点个数由海量多维舰船故障信息征兆变量的维数k决定。隐含层的各神经元节点均含有一个中心，需要计算其与接收到的z之间的距离，得到一个标量值，据其得出该层中第i类样本的神经元j确定的输入/输出关系，具体描述为：

$ {\varPhi _{ij}}\left( z \right) = \frac{1}{{{{\left( {2 {\text{π}}} \right)}^{1/2}}{\sigma ^d}}}\exp \left[ { - \left( {z - {z_{ij}}} \right){{\left( {z - {z_{ij}}} \right)}^{\rm{T}}}} \right] 。$

(1)

式中： $ \sigma $ 为平滑因子；d为输入样本数量；第i类样本内， $ {z_{ij}} $ 为次序为j的中心； ${\varPhi _{ij}}$ 为隐含层内，第i类样本的神经元j的输出。

舰船故障类别数用n描述，求和层的神经元数量与其相同。由于已将隐含层的各神经元划分到某个舰船故障类别，因此需要利用下式对隐含层内隶属相同类别的神经元输出进行加权平均：

$ {f_i} = \sum\limits_{j = 1}^L {{\varPhi _{ij}}} /L $

(2)

式中： $ {f_i} $ 和L分别为第i类样本的输出和神经元数量。

通过式(3)对该层的输出进行归一化处理，能获得各类的概率密度估计：

$ {f_{nd}} = \frac{1}{{{{\left( {2{\text{π}} } \right)}^{d/2}}{\sigma ^d}}} \cdot \frac{1}{{{d_n}}}\sum\limits_{j = 1}^{{d_n}} {\exp \left[ { - \frac{{\left( {z - {z_{ij}}} \right){{\left( {z - {z_{ij}}} \right)}^{\rm{T}}}}}{{2{\sigma ^2}}}} \right]}。$

(3)

式中： $ {d_n} $ 为第n类样本的个数。

输出层包含若干个竞争神经元，依据式（5）所得结果，寻找后验概率密度最大的神经元，将其值设定成1并输出，即输入的海量多维舰船故障信息征兆变量样本所属舰船故障类别，其余神经元输出均设定成0。

2 结果分析

选取某舰船作为实验对象，将海上环境划分为良好、一般和恶劣3个等级，在各等级环境下使用Matlab2016软件模拟舰船航行过程中主机失效、组件交互以及接触不良等9种故障，并利用本文系统采集故障发生时的海量多维舰船故障信息，共计189162个数据点，同时对其进行有效控制。将故障信息维数分别设定成20，70，120，通过不同故障信息数据量下，大数据采集模块输出的动态范围衡量本文系统的海量多维舰船故障信息采集可靠性，该指标的取值标准介于4000～5500之间，具体结果如图2所示。可知，随着舰船故障信息数据量的不断增加，大数据采集模块获取不同维数舰船故障信息输出的动态范围均在4000～5500区间内变化，不受故障信息数据量和维数的影响。因此表明本文系统具有较优良的海量多维舰船故障信息采集可靠性。

利用本文系统提取主机失效、组件交互和接触不良3种海量多维舰船故障信息的征兆变量，相应的振动频谱图如图3所示。可知，3种舰船故障信息的征兆变量均呈现出不同的振动频谱特征，且各特征之间的差异较大，具有较好的代表性。表明本文系统的海量多维舰船故障信息控制效果较为理想，能够控制故障信息完成征兆变量的精准提取。

从海量多维舰船故障信息征兆变量中随机选择3个样本进行舰船故障辅助诊断，不同海上环境下利用本文系统获取的舰船故障诊断结果，如表1所示。可以看出，不同海上环境复杂程度下的系统输出结果与期望输出结果完全一致，3个舰船故障信息征兆变量样本的故障类型分别为径向碰磨、接触不良和亚谐共振。表明本文系统通过海量多维舰船故障信息控制能很好地用以辅助舰船故障诊断，且对于海上环境的抗干扰能力较强。

3 结　语

充分利用海量多维舰船故障信息，对全面掌握舰船航行状态并对其进行及时检修意义重大。本文设计大数据环境下的海量多维舰船故障信息控制系统。该系统的大数据采集模块能稳定地获取海量多维舰船故障信息，利用总体控制模块驱动舰船故障信息进行征兆变量提取，所得征兆变量具有较好的代表性。同时通过该系统能很好地实现舰船故障辅助诊断，且抗干扰能力优良。