0 引　言

随着船舶智能化水平的不断提升，其对电子设备的需求日益扩大，电子设备向着多样化及其高度集成化的方向发展。在保证船舶航行安全、提升船舶运营效率的同时，也增加了船舶维修难度^[1]。电子设备中的任意元件发生故障，都会给船舶安全航行带来极大威胁^[2]。电子设备与机械设备的最显著区别是难以利用声音等数据完成其故障的判断，采取行之有效的故障诊断方法实现船舶电子设备故障位置的确定对船舶安全航行意义重大^[3]。

杨英楠等^[4]将反射内存模块应用到舰船电子设备之中，在对故障特征与故障模式对应线性关系进行挖掘的基础上，将其作为BP神经网络的输入，实现电子设备故障识别，BP神经网络具有参数多、容易陷入局域极值缺陷，这使得电子故障诊断效果受到很大影响。罗德强等^[5]通过建立电子设备故障树完成其特征参数的选择，运用人工神经网络进行故障诊断。电子设备的多模块高耦合性决定了故障树提取的特征参数不够全面，这将导致电子设备故障诊断结果难以满足设定要求。

人工鱼群算法是一种具有强大全局搜索能力的智能优化算法，利用其对故障诊断模型进行优化，可有效提升模型性能，使电子设备故障诊断效果获得显著增强^[6]。因此，本文提出人工鱼群算法的船舶电子设备故障智能诊断方法，为船舶安全航行提供保障。

1 船舶电子设备故障智能诊断 1.1 船舶电子设备故障特征参数提取

采用离散小波变换法（DWT）对船舶电子设备故障特征参数进行提取。DWT通过母小波刻画输入信号，在将其与输入信号内积过程中，获得可以体现信号各频带、各时刻的频率分量，即小波分解系数。DWT实现公式描述为：

$ {a_i}\left( k \right) = \left\langle {X,{\phi _{ij}}\left( t \right)} \right\rangle ，$

(1)

$ {d_i}\left( k \right) = \left\langle {X,{\varPsi _{ij}}\left( t \right)} \right\rangle。$

(2)

式中：$ \left\langle {*,*} \right\rangle $为内积计算表示，$ {a_i}\left( k \right) $、$ {d_i}\left( k \right) $，$ {d_i}\left( k \right) $分别为船舶电子设备运行信号的近似、细节分量；$ {\phi _{ij}}\left( t \right) $为尺度函数，通过对$ \phi \left( t \right) $作收缩、平移获得。

船舶电子设备运行信号经过DWT处理后，获得若干个大尺度近似分量$ A $的同时，可得到数个小尺度细节分量$ D $。将$ A $、$ D $作叠加处理即可得到原始船舶电子设备运行信号$ P $，计算公式为：

$ P = {A_1} + {D_1} = {A_2} + {D_1} + {D_2} = \cdots = \sum\limits_{I = 1}^n {{D_i} + {A_n}} 。$

(3)

式中：$ {D_i} $、$ {A_i} $分别为对原始船舶电子设备运行信号$ P $作$ i $层分解后，原始信号的细节、近似分量。

获取船舶电子设备故障特征即是对其在各运行状态下的信号差异进行挖掘，电子设备运行状态退化过程中，重要波形信号的幅频、相频特性必然存在较大幅度改变，这使得与之相对的小波能量存在明显差异，通过对船舶电子设备运行信号作DWT变换，通过计算不同尺度下的小波能量值即可完成船舶电子设备故障特征的提取。具实施过程为：

1）使船舶电子设备运行在不同故障模式下，将一特定信号作用在该设备上，完成其运行信号的采集，并对其作离散化处理。

2）对离散化后的船舶电子设备运行信号作4层小波分解，完成D_i、A_i的确定。

船舶电子设备运行原始信号通过低频分量近似获得，其高频分量用于刻画原始信号的细节特征。在运行原始信号的逐次分解过程中，高、低频分量长度降低至原来的1/2，通过对原始信号作隔点采样，确保信号信息保持完整。

1.2 RBF神经网络的船舶电子设备故障诊断模型

船舶电子设备运行过程具有非线性特点，传统BP神经网络无法实现船舶电子设备故障的精准诊断，RBF神经网络在非线性函数拟合上具有突出优势，通过对船舶电子设备运行状态特征的不断逼近学习，可有效提升其故障诊断效果。基于RBF神经网络的船舶电子设备故障诊断模型基本结构如图1所示。基于RBF神经网络的船舶电子设备故障诊断模型具有3层结构，包括输入部分、中间部分、输出部分。将小波分析法提取的船舶电子设备故障特征参数作为故障诊断模型的输入样本，通过对其进行深入学习，实现网络连接权值、阈值的确定后，将其进行保存，从而确定船舶电子设备故障诊断的知识库，利用训练后的故障诊断模型完成船舶电子设备故障类型的识别。获取故障诊断样本并确定故障诊断知识库是船舶电子设备故障诊断的前提，然后通过RBF神经网络对输入样本进行学习，联合专家系统实现船舶电子设备故障诊断，船舶电子设备故障现象为模型的输入，电子设备故障发生概率即为模型最终输出。

1.3 基于人工鱼群算法的故障诊断模型参数寻优

传统神经网络具有学习效率不高、收敛速度低，容易陷入局部最优等缺陷，本文采用人工鱼群算法（AFSA）对船舶电子设备故障诊断模型参数作寻优，以提高其故障诊断效果。基于人工鱼群算法的故障诊断模型参数寻优基本原理为：RBF网络输入、输出单元包含的神经元总数分别为$ j $、$ l $，隐含层数为$ k $，待优化的连接权值、阈值参数数量分别为$ j \times k + k \times l $、$ k + l $个。通过连接权值、阈值初值反映各条人工鱼的状态信息，将各条人工鱼都视为一个独立的RBF网络，此时可通过$ j \times k + k \times l + k + l $维变量实现各条人工鱼状态的描述。将$ - \left| {Err} \right| $视为人工鱼个体的适应度$ X $，其中$ Err $为RBF训练误差，$ X $与$ Err $具有反比变化关系。

2 实验结果分析

以船舶上使用的电台设备为实验对象，为降低偶然性对实验结果的影响，设定电台在表1所示的参数条件运行。在Matlab工具上搭建船用电子设备故障诊断模型，电台设备基本结构中共包含9个重要模块，为使故障隔离到模块级，可得到9种故障类别，表示为{S01,S02,S03,S04,S05,S06,S07,S08,S09}。

获取电台设备运行数据构建样本数据集，其中共有100组数据，将其中90组数据作为训练样本，剩余10组数据为测试样本，将研究方法应用到船舶电子设备故障智能诊断中，分析其故障诊断效果。

电台设备在正常运行、轻度故障、严重故障状态下运行时，其运行信号的时域波形如图2所示。通过对不同状态下时域波形差异分析，研究小波分析法提取电台设备运行信号时域特征参数的必要性。分析可知，电台设备在正常状态下运行时，其信号时域波形表现出规律性变化特点，波形曲线较为光滑且稳定。电台设备出现故障后，其信号时域波形曲线将打破原有走势规律，呈现明显差异。随着电台设备故障程度的不断恶化，信号时域波形畸变程度加剧的同时，其幅值呈大幅度增长。因此，运用小波分析方法对电台设备运行信号作多尺度分解，利用提取的故障特征参数实现其故障诊断是十分必要的。

从电台设备运行信号中提取故障特征参数是实现其故障诊断的首要步骤，以电台设备“可接收信息，但无法发出信息”故障样本为例，应用研究方法对其进行特征参数提取，并计算相对能量值，作为故障诊断模型的输入，部分结果如表2所示。分析可知，研究方法可从电台设备“可接收信息，但无法发出信息”故障样本中完成I、E、P、T、V、Y、特征参数的提取，对应的参数名称分别为UUT发信端电流值、频率误差、发射功率、侧音失真、电平及响应，并确定4层小波分解的相对能量值。

在此基础上，应用研究方法对电台设备的“可接收信息，但无法发出信息”故障进行诊断，通过对模型输出结果进行分析，验证研究方法的故障诊断性能，实验结果如表3所示。分析可知，研究方法可实现电台设备“可接收信息，但无法发出信息”故障的诊断，其中样本1故障主要与S4模块有关，样本5、样本12故障则分别由S7、S4模块故障引起。

将均方误差（MSE）作为故障诊断模型性能评价指标，通过对比分析模型参数优化前后均方误差曲线的变化，验证研究方法的实际应用性能，实验结果如图3所示。分析可知，随着模型训练次数的不断递增，MSE曲线呈下降趋势变化，模型参数优化前，模型经过50次迭代，方达到收敛状态，最终MSE值为10⁻³；模型参数优化后，通过30次训练即完成故障诊断模型训练，MSE值仅为10⁻⁴。由此可见，故障诊断模型参数寻优，可有效提升船用电子设备的故障诊断效果，使其更具实际应用性。

3 结　语

研究人工鱼群算法的船舶电子设备故障诊断方法，在电台设备运行样本数据集上，通过分析不同运行状态下的时域波形差异、故障特征参数提取结果以及故障诊断结果，验证故障诊断模型性能。实验结果表明：

1）电子设备处于不同运行状态下，其信号时域波形曲线差异很大。

2）本文方法可实现船舶电子设备故障诊断，MSE指标仅为10⁻⁴。