0 引　言

船舶航海仪器是指用于辅助船舶导航和航行安全的各种仪器和设备，这些设备包含水声探测仪、雷达系统、磁罗经等。水声探测仪用于测量水深，根据测量结果绘制海底地形图，以避免船舶在浅水区搁浅；雷达是一种用来检测目标物体、测量距离和方位的仪器，在船舶上，其通常用于探测其他船只、岛屿或海岸线等^[1]；磁罗经是用来测量船舶方向和航向的仪器，以帮助船舶保持所需的航向。这些仪器与设备帮助船舶船员在海上确定船舶位置、测量和监测水深、控制航向和速度等，从而确保船舶安全航行。由于仪器在长期运行下容易出现质量问题，且船舶在海上航行面临着各种风险和挑战^[2]，如障碍物、恶劣天气等，因此容易导致航海仪器发生故障，而仪器故障可能导致导航不准确、无法监测水深、航速等数据错误，从而增加事故和碰撞的风险，通过及时准确地诊断和解决仪器故障，可以保障船舶的航行安全。

有较多学者对船舶的仪器设备故障诊断方法进行了研究。斯园园等^[3]研究基于数字孪生技术开展LNG船舶设备故障诊断及预测，虽然该方法能够检测多种船舶设备的故障问题，但这一方法需要耗费大量的数据，导致诊断结果不够精准。王世威等^[4]研究基于粒子群优化混合神经网络的船舶辅锅炉故障诊断，虽然该方法可以精准获取设备故障情况，但该方法仅能够诊断出单一的设备故障，无法应用至大量设备故障诊断。

DSP技术是指使用数字信号处理器（DSP芯片）对数据处理。DSP芯片具有高效的算法运算能力和丰富的数学功能，可以实现高速的数据处理和计算。为此，本文结合DSP技术，研究船舶航海仪器故障诊断方法，降低船员在航行中面临的风险。

1 船舶航海仪器故障诊断方法 1.1 DSP硬件整体结构设计

由于传统的软件故障诊断方法仅能够对船舶航海仪器完成离线处理，无法保证故障诊断的实时性，为改善这一问题，通过DSP硬件技术，改善船舶航海仪器故障诊断的效果。本文应用DSP作为处理器，DSP数字信号处理器是一种专用的微处理器，相较于传统的微处理器，DSP芯片的运算效果更强大，可以实现高质量的数据并行处理^[5]。为此，通过DSP芯片作为控制电路，在DSP芯片中进行船舶航海仪器故障诊断应用程序设计。实现高质量的航海仪器故障诊断。通过图1表示DSP处理器的硬件结构。采用TI公司的TMS320C2812作为运算的芯片，该芯片运行频率高，最高可达到150 MHz，具有较高的计算速度和处理能力，能够实现复杂算法的实时处理；芯片内部集成了丰富的外设，包括模数转换器（ADC）、JTAG等，便于与外部设备进行数据交换和通信。

为了保证航海仪器故障诊断的效果，应用不同类型的传感器实时采集每种航海仪器的特征信号，并将这些信号通过模数转换器调整为适用于DSP处理的数据。在DSP芯片中，通过写入基于SVM的航海仪器故障诊断算法，诊断仪器的故障状态。同时该芯片可通过JTAG接口电路与RS232、RS485连接上位机PC，可实时向PC端发送航海仪器故障诊断后的结果，并通过上位机为使用者显示诊断内容。

该硬件结构还包含时钟电路与存储模块，通过时钟电路保证不同功能模块按照时序运行，并通过存储模块，实现程序存储、数据存储和配置参数存储。

1.2 基于SVM的航海仪器故障诊断算法

船舶航海仪器故障诊断实质上属于分类问题，考虑到船舶航海仪器的故障特点，通过写入到DSP芯片中的支持向量机（SVM）分类器对船舶航海仪器故障进行分类，从而实现船舶航海仪器故障诊断。支持向量机算法在分类问题中，其目标是找到一个能够在特征空间中划分样本的超平面。超平面定义为$ d $维特征空间中的$ d - 1 $维子空间，可以将样本点分为2个不同类别。而最优超平面是指能够使得分类间隔最大化的超平面。为此，SVM算法可以理解为二次规划问题求解，如下式：

$ \begin{split} & \min L\left( {\omega ,b\alpha } \right) = \frac{1}{2}{\left\| \omega \right\|^2} - \sum\limits_{i = 1}^l {{\alpha _i}} \left[ {{y_i}\left( {\omega \cdot {x_i} + b} \right) - 1} \right] {\text{，}}\\ & {\rm{s}}.{\rm{t}}.\;{y_i}\left( {\omega \cdot {x_i} + b} \right) \geqslant 1,i = 1,2,...,l 。\end{split} $

(1)

式中：$ {\alpha _i} $表示拉格朗日乘子；$ L $表示线性函数；$ \omega $表示超平面法向量；$ b $表示超平面截距；$ {x_i} $、$ {y_i} $分别表示第$ i $个航海仪器运行数据样本的特征向量与类别标签；$ l $表示维度。设式（1）的偏导数为0，即可获取下式:

$ \sum\limits_{i = 1}^l {{\alpha _i}} {y_i} = 0,\omega = \sum\limits_{i = 1}^l {{\alpha _i}{y_i}} {x_i}。$

(2)

通过式（2），可将目标函数调整为一个简单的状态。针对非线性问题，考虑到不同通过一个超平面分离正负例，因此可通过引入核函数方式将原空间航海仪器数据样本映射到高维的特征空间，并在高维特征空间里完成航海仪器数据样本的线性划分。通过如下方式定义核函数：

$ K\left( {{x_i},{x_j}} \right) = \left\langle {\phi \left( {{x_i}} \right),\phi ( {{x_j}} )} \right\rangle ,\left( {i,j = 1,2,...,l} \right) 。$

(3)

式中：$ \left\langle {\phi \left( {{x_i}} \right),\phi ( {{x_j}} )} \right\rangle $表示对$ \left( {{x_i}} \right) $、$ ( {{x_j}}) $进行维度变换；$ \phi $表示特征变换函数；$ K\left( {{x_i},{x_j}} \right) $表示核函数。

而目前较为普遍的核函数包括高斯径向基函数与多项式核函数，分别如下式：

$ K\left(x,y\right)=\mathrm{exp}\left(-\frac{{\Vert x-y\Vert }^{2}}{{\sigma }^{2}}\right),\;K\left(x,y\right)=\mathrm{exp}{\left(\langle x,y\rangle +1\right)}^{d}。$

(4)

式中：$ d $为多项式次数；$ x $、$ y $均为输入向量；$ \sigma $为参数带宽。同时，考虑航海仪器故障诊断误分类点的存在，在原有基础上引入软间隔最大化，此时，利用上述核函数的SVM分类航海仪器故障诊断问题表示为：

$ \mathop {\max }\limits_\alpha Q\left( \alpha \right) = \sum\limits_{i = 1}^l {{\alpha _i} - \frac{1}{2}} \sum\limits_{i = 1}^l {\sum\limits_{j = 1}^l {{\alpha _i}{\alpha _j}{y_i}K\left( {{x_i},{x_j}} \right)} } 。$

(5)

式中：$ Q\left( \alpha \right) $表示引入软间隔后的线性函数；$ C $表示惩罚系数。通过对式（5）中的规划问题进行求解，可得到用于船舶航海仪器故障诊断的决策函数，如下式：

$ f\left( x \right) = {\rm{sgn}} \left( {\sum\limits_{i = 1}^l {{\alpha _i}^*{y_i}K\left( {{x_i},x} \right)} + {b^*}} \right)。$

(6)

式中：f(x)表示船舶航海仪器故障诊断的决策函数，$ {\alpha _i}^* $表示决策函数中的拉格朗日乘子；$ {b^*} $表示决策函数的偏置。

结合上述计算方式，构建基于SVM算法的航海仪器故障诊断过程，具体如下：

步骤1　通过传感器采集装置获取航海仪器特征样本数据，并将采集到的数据提供至DSP芯片中通过SVM算法进行处理。

步骤2　选择适当的核函数与相关参数。

步骤3　将航海仪器运行数据样本映射到高维特征空间，并计算不同样本之间的相似性。

步骤4　在高维空间中学习一个最优的超平面，使得航海仪器运行样本数据分类间隔最大化。

步骤5　对新航海仪器运行样本数据进行故障诊断时，将其映射到特征空间并根据超平面的位置进行故障分类，从而完成航海仪器故障诊断。

2 实验结果分析

为评估本文船舶航海仪器故障诊断方法是否有效，在航行中的船舶上实时搭载设计的DSP芯片，并在不同船舶航海仪器上装置采集传感器，分别采集不同航海仪器的运行数据，并通过DSP芯片中写入的故障诊断方法进行故障识别。

2.1 航海仪器运行参数采集效果测试

通过本文方法设计的采集传感器实时采集不同时间下的计程仪温度，并对比实际计程仪温度，验证该方法的数据采集能力，分析结果如图2所示。可知，当通过传感器对船舶航海仪器进行数据采集后，可以看出该传感器能够精准采集计程仪的温度变化，针对不同采集时间的采集结果均与实际计程仪温度十分接近，为此，该方法具有高质量的数据采集能力，可为后续航海仪器故障诊断提供可靠的数据。

2.2 航海仪器故障诊断测试

应用本文方法对运行过程中的航海仪器进行故障诊断，以此验证该方法的应用效果，测试结果如表1所示。可知，应用本文方法，可精准诊断出不同航海仪器运行过程中是否存在故障，针对未出现故障的航海仪器，该方法可将其诊断为正常运行仪器，从而实现故障与非故障航海仪器的划分，表明该方法具有较强的故障诊断能力。

通过该方法对船舶航行灯仪器故障情况进行诊断，航行灯在诊断过程中的第90 min时发生故障问题，分析本文方法的故障诊断效果，分析结果如图3所示。可知，通过本文方法的诊断，可有效获知航行灯仪器故障发生时的电压变化，当该仪器正常运行时，其电压始终保持在24 kV，而当这一仪器发生故障后，航行灯系统无法正常供电，导致电压迅速归零，而在本文方法的诊断下，可精准获取该仪器的故障发生状态与时间。

分析应用本文方法前后，对不同待诊断航海仪器对象以及不同诊断时间下的故障识别率，以此验证该方法的故障诊断能力，分析结果如图4所示。可知，在应用该方法前，对航海仪器的故障识别率最高仅能够达到94%左右，而应用该方法进行诊断后，对不同航海仪器诊断过程中的故障识别率可以达到95%以上，由此可见，通过该方法可有效提高故障识别概率。

3 结　语

本文研究基于DSP的船舶航海仪器故障诊断方法，其中，DSP技术对于船舶航海仪器的故障诊断起到关键作用，DSP芯片具备高速计算和强大的信号处理能力，能够对大量复杂的数据进行实时处理和分析，从而实现对船舶航海仪器故障的快速诊断。同时该方法具有较高的准确性和可靠性，通过对船舶航海仪器的实时数据进行采集和处理，结合故障诊断算法，能够有效地识别仪器故障，并提供及时准确的故障诊断结果。