0 引　言

船舶机电系统在船舶中作用重大，能够给船舶提供动力、控制^[1]，因此部分学者对于船舶机电系统进行故障监测展开了研究。李青等^[2]提出一种基于DS证据理论融合油液与振动多参数的齿轮箱故障诊断方法，通过结合径向基神经网络和高维变分自编码器的特征提取技术，实现了对齿轮早期磨损的敏感性，并通过加权DS证据理论进行多参数融合，提高了齿轮故障诊断的效果。王向阳等^[3]结合信号维护监测子系统，利用模糊神经网络建立基于数值参数的信号设备故障预测模型，并在轨道交通信号系统中验证了其准确性和实用性。孙思琦等^[4]通过使用LoRa扩频芯片搭建故障监测系统，并提出了自适应传输机制，以在恶劣环境中提高数据传输的可靠性和正确率，实现对轴流风机故障诊断的高效准确传输。但上述方法对于船舶机电系统故障的诊断精准性较差，且面对多发故障时束手无策。因此提出一种多传感器融合下船舶机电系统多发故障信号监测方法。首先，利用小波变换法从故障状态下的信号频率中提取出关键的特征参数。接着，采用蚁群算法优化BP神经网络的输入，以提高神经网络的训练效果。然后，通过DS证据理论实现了多传感器数据的融合，确保即使某个传感器发生故障，仍能依靠其他正常工作的传感器进行诊断。最终，经过实验验证，该方法融合了多传感器数据，预测较为精准，对船舶机电系统故障监测提供了理论依据。

1 船舶机电系统多发故障监测 1.1 故障信号特征提取

由于环境因素、设备本身的振动等原因，船舶机电系统故障信号中包含一定的噪声和干扰，这会影响信号的准确性和可用性。因此本文方法通过小波变换方法对船舶机电系统故障信号进行特征提取^[5]。

船舶机电系统中发生短路故障时，电机定子绕组电流成分中奇数次谐波随着三相绕组非对称性增强^[6]。船舶机电系统出现定子短路故障时，电流频谱中电源频率2 s处存在一个边频带，则采集到的故障状态下的信号频率表示为：

$ {f_t} = \left( {1 \pm 2s} \right)f。$

(1)

式中：$ f $为船舶机电系统电源频率。

设离散信号为$ \alpha \left( {{f_t}} \right) $，通过多分辨对离散信号进行小波变换分析，对各分量尺度下高频分量系数和最大分解尺度下低频分量系数求和，如下式：

$ \alpha \left( {{f_t}} \right) = \sum\limits_{i = 1}^k {{g_i}\left( {{f_t}} \right) + {d_z}\left( {{f_t}} \right)}，$

(2)

将最大尺度、高、低频分量系数分别表示为$ z $、$ g\left( {} \right) $、$ d\left( {} \right) $。$ k $为常数。系数重构后，故障特征矩阵表示为：

$ W = \left\{ \begin{gathered} \sum\limits_{i = 1}^z {{{\left| {{g_i}\left( {{f_t}} \right)} \right|}^2}}，\\ \sum\limits_{z = 1}^z {{{\left| {{d_z}\left( {{f_t}} \right)} \right|}^2}}。\end{gathered} \right. $

(3)

1.2 多发故障诊断

特征选择是从特征集合中选择最相关和最有信息量的特征，以作为故障诊断的输入。选择不合适或不准确的特征可能导致误诊断或漏诊断的问题。而将蚁群优化算法与BP神经网络相结合，可以通过优化网络的权重和阈值等参数，进一步提高系统诊断的效果。因此，将小波变换法提取的船舶机电系统故障特征结果作为蚁群优化的BP神经网络输入，实现多发故障诊断。

BP由多节点输入层、隐含层、输出层组成^[7]，通过权重$ \omega $和阈值$ \delta $将各节点输入连接。将BP神经网络的权重和阈值定义为蚁群算法参数。设$ W $为$ N $个较小随机非零值，针对每个$ W $都存在一个信息素$ {\gamma _{pq}} $与其相对应。初始时期，所有元素信息量相同，则设信息素上限为$ {\gamma _0} = {\gamma _{\max }} $。

依据适应度函数对每次循环中寻到BP神经网络的权值和阈值最优解的蚂蚁更新信息素，每只蚂蚁搜索时依次从首个搜索到$ N $个集合，依据式（4）从所有元素的信息素中获取一个信息素。

$ {\beta _{pq}}^w\left( t \right) = \left\{ \begin{split} &{\gamma _{pq}}^\varsigma \left( t \right){\kappa _{pq}}^\tau \left( t \right)/{\gamma _{pr}}^\varsigma \left( t \right){\kappa _{pr}}^\tau \left( t \right)\begin{array}{*{20}{c}} ,&{q \in R} ，\end{array} \\ & 0\begin{array}{*{20}{c}} ,&{{\mathrm{else}}} 。\end{array} \end{split} \right. $

(4)

式中：$ R $、$ {\beta _{pq}}^w\left( t \right) $分别为将蚂蚁未搜索的集合、$ t $时刻蚂蚁$ w $从位置$ p $到位置$ q $的概率；$ \varsigma $、$ \tau $分别为将全局挥发因子、启发函数权重；$ {\gamma _{pq}}\left( t \right) $、$ {\kappa _{pq}}\left( t \right) $分别将位置$ p $与位置$ q $连接线上的残余信息量、启发函数。

更新信息素，并通过循环得到最优解，表达式为：

$ h\left( {best} \right) = \Delta {\beta _{pq}}^w{\left( t \right)^{best}}\left( {1 - \lambda } \right)，$

(5)

式中：$ \lambda $、$ \Delta {\beta _{pq}}^w{\left( t \right)^{best}} $、$ h\left( {best} \right) $分别为信息素挥发系数、信息素更新增量、寻到的最优解。经蚁群算法优化后，得到节点输出故障诊断结果表达式为：

$ y = h\left( {best} \right)\left( {\sum\limits_{u = 0}^u {{\omega _{uv}}{x_u} - \delta } } \right)。$

(6)

式中：$ u $为BP神经网络节点数；$ {x_u} $为节点接收故障特征信息。

由此可以利用具备最优权值和阈值BP神经网络完成船舶机电系统故障诊断。

1.3 多发故障信号监测的实现

船舶机电系统的故障信号通常具有复杂的特征，并且可能受到环境噪声的干扰。使用单一传感器监测故障时，无法应对复杂特征和环境干扰的问题。一旦出现故障，将不能完成监测任务。因此，根据船舶机电系统的特点，选择加速度计、温度传感器和压力传感器组合成多传感器，安装在船舶机电系统的关键位置，获取来自不同位置或方向的信息，从而获得更全面的故障信号信息。根据多传感器融合结果，通过DS证据理论实现多传感器的船舶机电系统多发故障信号检测。

在DS证据理论中，信任程度为$ \left[ {0,1} \right] $中任意数，1为信任度最高。通过集合形式表示节点输出故障诊断结果为$ \varphi = \left\{ {{x_1},{x_2}, \cdots {x_b}, \cdots {x_B}} \right\} $^[8]，其中互斥独立事件数量表示为$ B $，将该框架$ \varphi $中第$ b $元素（故障诊断结果）表示为$ {x_b} $。将$ \varphi $中所有子集构成一个集合，表示为幂集$ {2^\varphi } $，表达式为：

$ {2^\varphi } = \left\{ {{x_1}} \right\},\left\{ {{x_2}} \right\}, \cdots ,\left\{ {{x_1},{x_2}} \right\}, \cdots ,\varphi。$

(7)

不同传感器进行船舶机电系统故障诊断过程的数据来源影响基本概率分配函数的生成。根据式（7），设不同传感器进行船舶机电系统故障诊断过程得到的数据样本为$ \xi $，且$ \xi \subset {2^\varphi } $，通过基本概率分配函数对$ \xi $与该数值对应关系描述，则$ \eta \left( \xi \right) = 1 $。由此，对基本概率分配函数进行合成，表示为：

$ \eta \left( H \right) = \varphi \eta \left( \xi \right)\left( {1 - \iota } \right)。$

(8)

不同传感器得到的数据样本基本概率分配函数融合为$ H $，数据样本基本概率分配函数间冲突程度为$ \iota $。其中，$ \iota $越小表示冲突越小，当$ \iota = 0 $时，得到的船舶机电系统故障信号基本概率分配函数的表达式为：

$ \eta \left( H \right) = \varphi \eta \left( \xi \right)。$

(9)

通过式（9），将多传感器的船舶机电系统故障诊断结果进行融合，最终实现船舶机电系统多发故障诊断。对船舶机电系统实现故障信号监测的系统流程如图1所示。

通过多传感器采集船舶机电系统运转信号，经小波变换法提取采集信号特征参数后，输入通过基于蚁群算法优化的BP神经网络实现局部故障监测，并通过DS证据理论实现数据的融合，最终实现船舶机电系统多发故障信号监测。

2 实验分析

选取某船舶机电系统进行多发故障信号监测，参数如表1所示。

以上述为依据进行船舶机电系统局部故障诊断，最终得到各传感器对于各故障类型的基本概率分配函数值，经DS证据理论融合实现船舶机电系统多发故障分类。表2为依据式（9）计算的融合所有传感器数据的结果。

由表2可知，当传感器3与传感器1、传感器2融合结果进行数据融合后，船舶机电系统电压过载故障可信度分配值升至0.9789，由此可以判断此时的船舶机电系统故障为电压过载故障，与实际情况符合。

现设传感器3发生故障，且该传感器单独判断电压过载故障的概率较低，重新对该传感器进行可信度分配，重新将传感器3与传感器1、传感器2融合结果进行数据融合，结果如表3所示。

由表可知，故障传感器3与传感器1、传感器2融合结果进行数据融合后，船舶机电系统电压过载故障可信度分配值为0.8245，与表3中结果相差较小，依然能够判断出船舶机电系统故障为电压过载，依然具有较高的准确性。

为进一步验证本文监测方法监测准确性，采集100组数据进行方法的监测，对比支持向量机方法结合DS证据理论、未经优化的BP神经网络结合DS证据理论2种方法对船舶机电系统故障监测，监测结果的准确率如图2所示。

可知，本文方法对船舶机电系统故障预测平均准确率为97.02%，未经优化的BP神经网络结合DS证据理论方法对船舶机电系统故障预测平均准确率为90.50%，支持向量机方法结合DS证据理论方法对船舶机电系统故障预测平均准确率为91.46%。通过对比可知本文方法预测平均准确率较高，能够较为精准的对船舶机电系统故障进行预测。

3 结　语

船舶机电系统在船舶安全运行中具有重要作用，因此实现准确故障监测对于船舶安全性、运营性的提高具有重要意义，本文提出一种多传感器融合下船舶机电系统多发故障信号监测方法，依据实验分析可知，本文方法通过融合多传感器采集数据，使得船舶机电系统故障监测平均准确率高达97.02%，对于船舶机电系统故障监测较为精准，保证了船舶的安全性。