0 引　言

目前船舶机械设备的性能逐渐智能化，但其内部结构也越发复杂。在智能化设备应用的条件下，设备状态监测工作对人工的需求量也逐渐减少，对智能化设备状态检测方法的需求逐渐增大^[1]。船舶机械设备状态智能检测，可实时发现与检修机械设备的故障问题，保证船舶机械设备的运行状态不会异常中断，可延长设备的使用时间与运行效率。为实现船舶智能化、现代化的持续发展，研究智能、精准的船舶机械设备状态检测方法，是船舶行业目前发展进程中的必要内容^[2-3]。

叶永伟等^[4]使用传感器采集卸船机的运行信号，提取信号时域特征后，由改进关联规则预测卸船机是否存在故障问题。但单个传感器对信号的感知能力有限，若采集信号实时性较差，或者传感器故障，便会影响故障预测效果。张春林^[5]在检测船舶机舱设备状态时，使用多个孤立森林分类器，分类机舱设备的状态监测数据，从而判断机舱设备运行状态，但此方法未曾考虑到状态检测数据的纯度会影响故障预测精度。

多个传感器能够全方位提取机械设备的振动信息，因为单个传感器的感知内容并不能保证完全精准，在外界因素影响下，其采集的振动信号会存在一定误差，所以多个传感器相互配合，能够降低传感器感知信息的误差，且单个传感器在感知信息时，和多个传感器感知信息的速度相比，多个传感器共同感知可提高设备振动信息的感知速度。为此，本文研究基于多传感器信息融合的船舶机械设备智能检测方法，提高船舶机械设备状态检测的实时性与检测精度。

1 基于多传感器信息融合的船舶机械设备智能检测方法 1.1 基于改进小波阈值的传感器信号去噪方法

多传感器感知的有效信号和噪声信号^[6]，在小波域中的形态存在明显差异，小波分析幅值尺度出现变动时，噪声小波系数的幅值也会出现变动，但有效信号小波系数的变化不明显，所以小波阈值去噪时，先处理小波域中的小波系数，使用合理的方法抑制噪声部分的小波系数，以此提取有效信号的小波系数，然后使用此小波系数执行信号重建，完成信号去噪。设置多传感器所感知采集的含噪振动信号为：

$ r\left( j \right) = g\left( j \right) + \beta d\left( j \right){\text{。}} $

(1)

式中： $ g\left( j \right) $ ， $ d\left( j \right) $ 依次为有效信号，噪声信号； $ \ \beta $ 为噪声程度。

多传感器所感知采集的设备振动信号去噪的步骤是：

1）小波分析。使用合理的小波，设置信号分解层数是 $ N $ ，将 $ r\left( j \right) $ 执行 $ N $ 层小波分解，获取小波系数 $ \eta $ 。

2）将步骤1）获取的小波系数执行阈值处理。以往使用硬阈值函数去噪时，会出现伪吉布斯问题，软阈值函数去噪时，会导致振动信号有效信息失真。所以，本文结合信号频带的小波系数能量分布状态，设计新阈值函数：

$ {\eta _{\text{π}}} = \left\{ {\begin{array}{*{20}{c}} {{\rm{sign}}\left( \eta \right)\left( {\left| \eta \right| - \dfrac{\text π}{{\exp \left( {\dfrac{{\left| \eta \right| - {\text{π}} }}{b}} \right)}}} \right)}{\text{，}}&{\left| \eta \right| \geqslant {\text{π}}}{\text{，}} \\ {0,}&{\left| \eta \right| \leqslant{\text{π}} } {\text{。}} \end{array}} \right. $

(2)

式中： $ {\eta _\pi } $ ， $ b $ 依次是引入阈值 $ \pi $ 后小波系数与随机数。式(2)所示的阈值函数能够以调节 $ b $ 值的方式，随意切换软硬阈值，使信号去噪时的阈值函数存在自调节能力。使用此方法以小波分解的方式，提取信号的低频系数与高频系数。

3）结合小波分解的 $ N $ 层低频系数 $ {\eta _{\pi 1}} $ ，和阈值处理后首层~第 $ N $ 层高频系数 $ {\eta _{\pi 2}} $ ，将船舶机械设备运行的振动信号执行重建。重建方法为：

$ r'\left( j \right) = \sqrt 2 \sum\limits_N {{\eta _{\pi 1}} + {\eta _{\pi 2}}} {\text{。}}$

(3)

重建后的信号便为多个传感器采集船舶机械设备振动信号去噪结果。

1.2 基于多传感器信息融合的信号特征提取方法

分析可体现船舶机械设备振动强度的信号特征，设置此类特征分别是信号 $ r'\left( j \right) $ 在时域中波动幅值 $ r' $ 的均方根 $ x $ 、方差 $ \varepsilon $ 、峰值 $ D $ 、脉冲 $ Z $ 、峭度 $ o $ 、均值 $ \bar x $ 、最大值 $ {x_{\max }} $ 、最小值 $ {x_{\min }} $ 、峰峰值 $ {x_p} $ 、方根幅值 $ {x_r} $ 。表达式如下：

$ x = {\left( {\frac{1}{M}\sum\limits_{j = 1}^M {r'} } \right)^{\frac{1}{2}}}{\text{，}} $

(4)

$ \varepsilon = \frac{1}{M}\sum\limits_{j = 1}^M {\left( {r' - \frac{1}{M}\sum\limits_{j = 1}^M {r'} } \right)}{\text{，}} $

(5)

$ D = \displaystyle\frac{{{x_{\max }}}}{x}{\text{，}} $

(6)

$ Z = \frac{{{x_{\max }}}}{{\dfrac{1}{M}\displaystyle\sum\limits_{j = 1}^M {\left| {r'} \right|} }} {\text{，}}$

(7)

$ o = \frac{1}{M}\sum\limits_{j = 1}^M {\dfrac{{r' - \bar x}}{{\displaystyle\sum\limits_{j = 1}^M {r'} }}} {\text{，}}$

(8)

$ \bar x = \frac{1}{M}\sum\limits_{j = 1}^M {r'}{\text{，}} $

(9)

$ {x_p} = {x_{\max }} - {x_{\min }}{\text{，}} $

(10)

$ {x_r} = \frac{1}{M}\sum\limits_{j = 1}^M {\left| {r'} \right|}{\text{。}} $

(11)

式中， $ j \in M $ 为去噪后振动信号长度。

以并行叠加的方法，使用特征级与数据级融合的方式，将去噪后的船舶机械设备振动信号特征信息执行融合：

$ {S_{r',n}} = \left[ {\begin{array}{*{20}{c}} {{S_n}\left( {1,1} \right)}&{{S_n}\left( {1,2} \right)}& \cdots &{{S_n}\left( {1,10} \right)} \\ {{S_n}\left( {2,1} \right)}&{{S_n}\left( {2,2} \right)}& \cdots &{{S_n}\left( {2,10} \right)} \\ \vdots & \vdots &{}& \vdots \\ {{S_n}\left( {n,1} \right)}&{{S_n}\left( {n,2} \right)}& \cdots &{{S_n}\left( {n,10} \right)} \end{array}} \right]{\text{。}} $

(12)

式中： $ {S_n}\left( {n,10} \right) $ 为多传感器信息特征级与数据级融合后的特征序列； $ n $ 为信号来源数量，表示传感器数量； $ {S_{r',n}} $ 为多传感器采集的设备振动信号特征信息融合结果。

1.3 基于极限学习机优化的设备状态智能检测方法

极限学习机属于有监督算法，在检测船舶机械设备状态之前，需要训练极限学习机，在保证极限学习机性能稳定时，使用极限学习机对 $ {S_{r',n}} $ 的类型进行分类诊断，从而完成机械设备状态的智能检测。极限学习机的结构主要分为输入层、隐含层、输出层。将提取的 $ {S_{r',n}} $ 输入极限学习机，则船舶机械设备状态的智能检测结果为：

$ f\left( {{S_{r',n}}} \right) = \sum {\lambda F\left( {\zeta \cdot {S_{r',n}} + \varphi } \right)}{\text{。}} $

(13)

式中： $ \zeta $ ， $ \lambda $ 依次为极限学习机输入层与隐含层，隐含层与输出层之间连接权重； $ \varphi $ ， $ F\left( \cdot \right) $ 依次是偏置系数，激活函数。

极限学习机训练时，需要使用损失函数运算船舶机械设备状态检测结果 $ f\left( {{S_{r',n}}} \right) $ 、实际状态 $ f''\left( {{S_{r',n}}} \right) $ 的误差系数，以误差最小化的方式，设置隐含层与输出层的连接权重，则误差最小化表达式为 $\min \left\| f\left( {{S_{r',n}}} \right) - f''\left( {{S_{r',n}}} \right) \right\|$ ，因其属于线性回归问题，求解时需要采用正则化参数 $ \rho $ 、拉普拉斯矩阵 $ \boldsymbol L $ 。为此，使用岭回归方法完成求解，则误差最小化表达式变成 $\min \rho \left\| \lambda - f''\left( {{S_{r',n}}} \right) \right\|^2 + {\left\| \lambda \right\|^2} + \dfrac{\boldsymbol L}{2}$ ， $ \rho $ 能够判断极限学习机的训练误差，避免出现过拟合问题，则权重 $ \lambda $ 最优解为：

$ \lambda = F{\left( {\rho + L} \right)^{\rm T}}\rho \cdot {S_{r',n}} {\text{。}}$

(14)

将权重最优解导入式(13)，以设备振动信号特征分类识别的方式，结合实际机械设备振动信号特征值的上下限信息，判断信号是否存在异常状态，完成船舶机械设备状态智能检测。

2 仿真实验 2.1 实验数据设置

以某船舶为检测对象，提取此船2021年航行数据，设备都是全新状态，实验中设置2021年1月该船动力装置的振动信号感知样本为正常样本，把6月的动力装置振动信号信息记录样本，作为本文方法的检测样本，以此检测船舶动力装置的运行状态。实验中用于采集船舶动力装置振动信号的振动传感器型号WISE-2410，宽温工作区间−20℃～85℃，外壳防水等级为IP66。

首先测试应用单个传感器与8个传感器对船舶动力装置振动信号的感知实时性，在指定时间周期内，单个传感和8个传感器对船舶动力装置振动信号的采集时间差如图1和图2所示。对比图1和图2可知，采用8个传感器对振动信号的采集时间差较少，可提升船舶机械设备状态的检测速度。单个传感器对信号的感知时间差明显比8个传感器多，其对设备振动信号的感知能力相对较差。

2.2 振动信号去噪效果分析

在使用多传感器采集船舶动力装置振动信号时，测试本文方法对某个振动信号的去噪效果，如图3和图4所示。对比图3和图4可知，本文方法可有效去除设备振动信号中的噪声信息，保证信号有效信息不受噪声污染。

2.3 船舶机械设备状态智能检测效果分析

将去噪后的8个振动传感器的振动信号特征执行信息融合，然后使用基于极限学习机优化的设备状态智能检测方法，以信号特征分类的方式，设置信号振动幅值限值区域时10～−10 mV，如果信号融合后特征幅值超过限值，便可判断船舶机械设备状态存在异常，结合此船舶机械设备6月1日的信息记录样本内容可知，此设备在6月1日的6:30，10:00两个时段出现异常，本文方法的检测结果如图5所示。本文方法可有效检测船舶机械设备状态，在时间是1:00～12:00之内，仅有6:30，10:00两个时段出现异常，本文方法检测结果符合实际，说明本文方法对船舶机械设备状态的智能检测精度较高。

综上所述，本文方法具备机械设备状态智能检测能力，可协助管理人员实时了解设备运行状态，及时发现状态异常的设备。

3 结　语

本文以多传感器信息融合的角度，研究基于传感器信息融合的船舶机械设备状态智能检测方法。此方法的创新之处在于：以往的设备状态智能检测技术大多采用神经网络、D-S证据理论等方法，直接对需处理样本执行融合后，再分类预测，并不额外使用其他方法作为辅助方法。此类方法若直接使用在船舶机械设备状态检测中，并不存在应有优势。原因是此类方法均以单个传感器所采集的设备振动信号为基础信息，通过信号信息分类的方式，完成问题诊断识别。而单个传感器对设备振动信号的感知采集能力有限，且在采集设备振动信号时，会存在一定比例的噪声信息，导致后续问题的解决效果并不满足期望。而本文方法使用多个传感器采集设备振动信号，在此基础上，从信号特征的特征级与数据级融合的角度，将多传感器采集的信号特征信息有效融合，以此提升设备振动信号采集的精度与效率，且实验中也证实，本文方法在船舶机械设备状态智能检测中性能显著。