0 引　言

船舶在航行过程中，由于特殊环境的影响，使电气设备长期位于潮湿环境，对电气设备造成不同程度的腐蚀，加速设备的老化^[1]。此外，船舶电气设备在使用过程中，基本运维管理水平存在不足^[2]，导致电气设备长期在高负荷状态下运行，易使电气设备发生异常。当船舶电气设备发生异常，直接影响船舶安全、正常的航行，需工作人员对电气设备进行逐一检查，确定异常电气设备情况^[3]，进行电气设备维修。如果无法及时确定电气设备的异常情况，严重时会导致电气设备损坏。因此，及时进行船舶电气设备状态异常检测，是保证船舶安全航行的基础。

律方成等^[4]为实现电气设备的智能检测，以电气设备图像为基础，基于优化YOLOv4完成电气设备的智能诊断。但该方法在应用过程中，隐患故障的监测效果不理想。翟洪婷等^[5]主要针对设备声音异常检测展开研究，依据设备运行声音信号为基础，对其进行降噪处理后采用图聚类方法完成异常数据检测，以此确定电气设备异常。但该方法在应用过程中，对于内部设备的异常检测精度较低。热红外图像是采用红外热成像技术对目标进行扫描，获取目标物体热辐射红外线波段信号，并将该信号进行转换后生成视觉辨别的图像，计算目标的温度值，呈现目标全面的温度分布情况^[6]。因此，为实现船舶电气设备异常状态检测，提出基于热红外图像的船舶电气设备状态异常检测方法，并通过具体实验测试其性能。

1 基于热红外图像的船舶电气设备状态异常检方法 1.1 红外热成像原理

红外热成像技术的本质是热辐射，其主要是通过检测仪器光学系统吸收红外辐射功率信号，完成红外信号的聚焦，并对该红外信号进行转换处理，形成电信号；对电信号进行放大处理后，形成二维热图像^[7]，该图像能够呈现电气设备的温度分布情况。红外热成像原理示意图如图1所示。通过红外成像技术进行电气设备检测后，最后通过显示装置呈现电气设备的温度分布情况，温度不同呈现的颜色也存在差异，可依据温度颜色的变化，确定电气设备的运行状态。

1.2 电气设备温度概率密度函数计算

船舶电气设备在运行过程中，设备类别的差异、设备功能的不同，会导致电气设备在正常情况下也发生发热现象，并且不同类型设备的发热程度也存在差异。在电气设备发生异常后，其温度也会发生明显变化。为保证电气设备状态异常检测效果，精准分辨温度变化是否为异常变化，本文引入电气设备温度概率密度函数描述电气设备的温度特征，以此区分异常区域和正常区域之间的温度特性。

如果电气设备的温度概率密度用$ f\left( x \right) $表示，其不可直接通过函数的方式获取度，计算式为：

$ f\left( x \right) = \frac{{{N_x}}}{{{N_{sum}}}},x \in \left( {{\theta _{\min }},{\theta _{\max }}} \right) 。$

(1)

式中：$ \left( {{\theta _{\min }},{\theta _{\max }}} \right) $为电气设备的温度范围；其概率用$ F\left( {\theta ,\theta '} \right) $表示；$ {N_x} $和$ {N_{sum}} $分别为样本数量，前者对应温度为$ x $的样本，后者对应热红外图像总数据点。

依据f(x)在对应区间的概率密度计算结果总和进行$ F\left( {\theta ,\theta '} \right) $的计算，其公式为：

$ F\left( {\theta ,\theta '} \right) = \sum\limits_{x \in {\theta _{\min }}}^{\theta '} {f\left( x \right) - \sum\limits_{x \in {\theta _{\min }}}^\theta {f\left( x \right)} }。$

(2)

获取的热红外图像中，温度域上所有温度概率密度总和为1，其公式为：

$ F\left( {{\theta _{\min }},{\theta _{\max }}} \right) = \sum\limits_{{\theta _{\min }}}^{{\theta _{\max }}} {f\left( x \right)} = 1。$

(3)

因此，可将电气设备热红外图像温度概率密度划分为背景、设备以及异常区域，3个部分对应的温度概率密度计算公式为：

$ F\left( x \right) = \left\{ \begin{gathered} {f_b}\left( x \right),x \in \left( {{\theta _0},{\theta _1}} \right)，\\ {f_s}\left( x \right),x \in \left( {{\theta _1},{\theta _2}} \right)，\\ {f_g}\left( x \right),x \in \left( {{\theta _2},{\theta _3}} \right) 。\\ \end{gathered} \right. $

(4)

式中，$ {f_b}\left( x \right) $、$ {f_s}\left( x \right) $、$ {f_g}\left( x \right) $分别为背景、设备以及异常区域的温度概率密度函数。

不同类别电气设备的F(x)结果会集中在某个温度区间，因此依据该结果可呈现不同部分的温度特性。

1.3 电气设备状态异常检测

完成F(x)的计算获取后，为实现船舶电气设备异常状态精准检测，精准掌握电气设备的异常逐步变化过程，并且为电气设备预知性检修提供可靠依据，文中选择具备增量学习的宽度学习算法进行电气设备异常检测，通过该方法充分分析电气设备F(x)的变化过程，更为精准掌握电气设备的异常状态。

将F(x)作为该方法的输入，对其进行线性映射以及激活函数的变换处理，如下式：

$ {Z_i} = \eta \left[ {F\left( x \right){W_{{e_i}}} + {\beta _{{e_i}}}} \right]。$

(5)

式中：$ i = 1,2,...,n $为第$ i $次映射；$ n $为映射数量；$ \eta $为激活函数，对应映射节点；$ {W_{{e_i}}} $为权重系数；$ {\beta _{{e_i}}} $为映射节点的偏差量。

$ n $次映射处理后获取的映射节点用$ {Z_n} = \left[ {{Z_1},{Z_2},...,{Z_n}} \right] $表示，对其进行线性映射和激活函数，获取增强节点$ {H_m} $，其计算公式为：

$ {H_m} = \xi \left( {{Z_n}{W_{{h_m}}} + {\beta _{{h_m}}}} \right) 。$

(6)

式中：$ {W_{{h_m}}} $和$ {\beta _{{h_m}}} $分别为$ {H_m} $的神经元权重系数以及偏差量；$ \xi $为该节点的激活函数。

在上述内容的基础上，获取宽度学习算法的线性表达式：

$ Y = \left[ {{Z_n}\left| {{H_m}} \right.} \right]{W_m}。$

(7)

式中，$ {W_m} $表示算法的权重系数，采用伪逆方式对其求解：

$ {W_m} = {\left[ {{Z_n}\left| {{H_m}} \right.} \right]^ + }Y 。$

(8)

船舶电气设备在实际运行过程中，其状态变化属于一个时序变化过程，因此，为精准掌握电气设备的运行状态，是对设备新的运行信息融合至已构建的算法中，不可重新构建新的检测过程。如果电气设备新的运行状态用$ {Y_a} $表示，则在宽度学习算法中更新部分权重，如下式：

$ {}_{{Y_a}}{W_m} = {\left[ {{Z_n}\left| {{H_m}} \right.} \right]^ + }\left[ {\begin{array}{*{20}{c}} {Y,0} \\ {{Y_a}} \end{array}} \right] 。$

(9)

该算法在训练过程中，结合电气设备运行状态类别会发生变化的实际情况，则对训练数据的标签纸进行编码处理，如果存在3种状态类别，即$ {b_1} $、$ {b_2} $、$ {b_2} $，则各个类别的编码结果为：

$ \left[ {\begin{array}{*{20}{c}} {{b_1}} \\ {{b_2}} \\ {{b_3}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} 1&0&0 \\ 0&1&0 \\ 0&0&1 \end{array}} \right]。$

(10)

随着检测的电气设备数量逐渐增加，运行状态的复杂程度也随之发生变化，采用特征归因聚类算法对其进行聚类分析后确定新增的电气设备运行状态。结合船舶电气设备的实际运行情况，将其运行状态划分为5个类别，则检测结果的矩阵更新公式为：

$ \left[ {\begin{array}{*{20}{c}} {{b_1}} \\ {{b_2}} \\ {{b_3}} \\ {{b_4}} \\ {{b_5}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} 1&0&0&0&0 \\ 0&1&0&0&0 \\ 0&0&1&0&0 \\ 0&0&0&1&0 \\ 0&0&0&0&1 \end{array}} \right] 。$

(11)

式中：$ {b_1} $、$ {b_2} $、$ {b_3} $、$ {b_4} $、$ {b_5} $分别为健康状态、良好状态、注意状态、恶化状态、严重状态。

依据上述步骤完成船舶电气设备状态异常检测，为电气设备的及时检修提供可靠依据。

2 性能测试与分析

为验证本文方法对于船舶电气设备异常检测的应用效果，以某3000 t货轮上的电气设备作为测试对象，船舶全长为85 m，型宽为14 m，型深为6.7 m，航速11.89 kn。该船舶的电气设备包含发电系统、电池系统、配电系统、通信系统、照明系统以及控制系统等。其中，用电设备的额定电压为380 V，额定频率为50 Hz，发电机为柴油发动机，功率为50 kW。该船电气设备在历史运行过程中，常发生的电气设备异常状态包含电源控制柜异常、断路器异常、接线端异常、隔离开关异常、熔断器异常、套管异常等，各个异常的发热状态类别判断条件，如表1所示。本文选择的热红外成像仪器热分辨率为19200像素，测温范围在0~400 ℃，测量精度为±3 ℃，热灵敏度为70 mK，图像模式为红外、可见光以及MSX。通过该仪器获取船舶电气设备运行的热红外图像500张，该图像中共包含电源控制柜异常、接线端异常、熔断器异常、隔离开关异常4种异常状态下的热红外图像，用于方法应用效果测试中。

为验证本文方法依据热红外图像温度概率密度进行电气设备状态异常检测的合理性，随机选择一张电气设异常红外图像，获取该图像背景、设备以及异常区域的温度概率密度计算结果，如图2所示。可知，采集的热红外图像中，不同部分的温度概率密度结果存在明显差异。因此，将温度概率密度作为电气设备状态异常检测依据，具备较好的合理性，能够更好区分电气设备的正常放热以及故障升温，保证异常检测结果的可靠性。

为验证本文方法的电气设备状态异常检测效果，采用面积（AUC）作为评价指标，该指标能有效衡量检测结果和参考检测图像，评估温升差异和区域面积之间匹配程度，定量分析检测结果的可靠性，其取值在0~1之间，其值越大表示检测性能越佳，该指标的计算公式为：

$ AUC = \int_{ - \infty }^{ + \infty } {\gamma \left( T \right)\mu \left( T \right){\rm{d}}T} 。$

(12)

式中：$ T $为设定检测阈值；$ \gamma \left( T \right) $为在该阈值下正确的检测目标占据总目标的比率；$ \mu \left( T \right) $为错误的监测目标和背景之间的比率。

依据该公式计算本文方法在不同的温度变化比例下，该指标的测试结果，如表2所示。可知，通过本文方法进行电气设备不同状态的检测后，检测结果的可靠性较高，AUC的测试结果均在0.94以上，可保证电气设备运行状态的精准判断。

为直观验证本文方法的船舶电气设备状态异常检测效果，采用本文方法对采集的图像进行检测，获取图像中电气设备的严重异常状态检测结果。可知，本文方法应用后，能依据检测结果确定电气设备运行过程中的不同程度异常状态，为船舶电气设备的运行管理提供可靠依据，保证船舶的安全航行。

3 结　语

船舶电气设备的运行状态，直接影响船舶的航行安全，可靠、快速完成电气设备异常检测，可为电气设备预知性检修提供可靠依据，并提升船舶安全性。因此提出基于热红外图像的船舶电气设备状态异常检测方法，并对该方法的应用结果进行相关测试。结果表明，该方法具有较好的应用效果，能够精准掌握电气设备的温度分布情况，完成电气设备不同异常程度的检测，为电气设备管理提供可靠依据。