0 引　言

舰船电气系统结构的设计日益复杂，电气设备是舰船电气系统的核心结构，保证电气设备正常运行十分重要。而舰船电气设备长时间遭到交变磁场、地电位差、二次回路等因素所干扰，不仅可能影响电气设备的正常运行，还可能导致设备损坏、数据丢失甚至整个系统的瘫痪，对舰船电气设备的安全和使命执行能力构成严重威胁^[1,2]。

目前，针对舰船电气设备抗干扰方面的研究很多，舵机属于舰船航行时必要的电气设备，段一琛等^[3]研究过舰船辐射噪声抗扰方法，通过减少诱饵辐射信号的干扰，该方法可提高舰船战术行动时，舵机航行效率和成功率，但该方法可针对已知的诱饵信号进行抗干扰，但对于未知的干扰信号，其适应性可能有限，需进一步研究和改进。

船舶动力定位系统属于电气设备及系统的重要部分，特别是涉及到船舶的电气系统和动力系统。魏新江等^[4]考虑海洋环境对动力定位系统的干扰问题，设计了自适应干扰观测器，并采用精细的抗干扰控制策略，可减少由于环境干扰导致的船舶位置偏移，从而降低事故风险，增强船舶的安全性。

本文考虑舰船电气设备运行数据的规模化、大数据特征，研究了基于大数据的舰船电气设备选择性抗干扰控制技术。此技术利用均值漂移算法（MeanShift聚类算法）可帮助理解和分析舰船电气设备运行环境大数据的特征和模式，识别干扰信号，以此便可锁定受到干扰信号影响的电气设备，并针对此设备进行选择性抗干扰控制。

1 舰船电气设备选择性抗干扰控制技术

舰船电气设备干扰因素很多，在舰船电气设备中，由于各种电气设备和系统的密集布局和交互作用，电磁干扰（EMI）成为一个显著问题^[5]。这些干扰可能导致设备性能下降、数据错误或系统失效，从而影响舰船的整体性能和安全性^[6]。为此，以此类干扰作为控制目标，对其进行针对性研究。

1.1 基于电磁辐射检测装置的电气设备运行环境大数据采集

收集舰船电气设备在各种运行条件下的电磁环境数据，因舰船电气设备运行环境的干扰信号存在大数据特征，所以运行参数采集的要求较多，本文使用图1的电磁辐射检测，采集舰船电气设备运行环境的干扰信号大数据。电磁辐射检测装置结构分为频谱分析仪、数据采集卡、GPIB卡以及计算机。频谱分析仪功能是测量各个舰船电气设备运行环境的电磁干扰信号，其依次连接于柱状天线、锥形天线与对数天线。柱状天线可采集的电磁干扰信号频率为[9 k, 30 MHz]的低频电磁干扰信号。锥形天线可采集频率为[30 M, 300 MHz]的中频电磁干扰信号。对数天线可采集频率为[300 M, 1 GHz]的高频干扰信号。

数据采集卡的功能是采集频谱分析仪的测量数据，它具备三十二路十八位模拟输入功能，确保对频谱分析仪所测频谱的精确采集。此外，数据采集卡还提供了四路十六位同步模拟输出，三十二路数字输入输出端口以及十六路多功能数字输入输出端口，这些功能支持多通道测量信号数据的输出需求。为了满足多通道自动化测试测量应用，数据采集卡还配备了两路计数器以及PXI_TRIG和MSIB同步触发功能。通过这些特性，数据采集卡实现了高效信号采集与数据处理。GPIB卡为计算机与频谱分析仪之间桥梁，通过PXI接口规格实现无缝连接。这意味着所有基于GPIB-32.DLL编写的程序，无需进行任何修改或重新编译，即可直接在GPIB卡上运行，实现对频谱分析仪的有效控制。通过GPIB卡，计算机能轻松地对频谱分析仪进行远程操控，实现电气设备运行环境大数据自动采集。

1.2 基于MeanShift聚类的电磁干扰信号识别方法

MeanShift聚类算法也叫做均值漂移算法，此算法在大数据分析问题中具有较好的聚类分析功能。本文使用此算法判断所采集舰船电气设备运行环境的干扰信号特征，与已知电磁信号特征之间关系，从而完成大规模电气设备电磁干扰信号识别。设置舰船电气设备运行环境中，由电磁辐射检测装置采集信号大数据集合为$ \left\{ {{y_j} = j = 1,2,...,m} \right\} $，y_j的概率密度函数为f(y)，把电气设备运行环境检测信号数据集密度较高的区域，设成信号局部极大值状态，将此区域的各检测信号数据点执行峰值检索。搜索停止时，在同一数据点位置的数据即为同类数据。假如y_j属于$ c $维空间S^c中信号样本点，引入核函数K(y)估计多元核密度f(y)：

$ \dot f\left( y \right) = \frac{1}{{m{w^c}}}\sum\limits_{j = 1}^m {K\left( {\frac{{y - {y_j}}}{w}} \right)}。$

(1)

其中，$ w $为带宽参数。$ \dot f\left( y \right) $对于大数据聚类非常有用，因为它可以帮助确定哪些数据点属于同一个聚类，以及聚类之间的边界。核函数为：

$ K\left( y \right) = {d_{k,c}}K\left( {{{\left\| y \right\|}^2}} \right)。$

(2)

其中，d_k,c为标准化常数，用于保证K(y)积分为1。

设置均值漂移向量为$ {n_h}\left( y \right) $，所指方向为大规模电气设备运行环境检测信号数据密度增加最大的角度。设置电气设备运行环境检测信号大数据聚类中心为$ y_j^0 $，移动后电气设备运行环境检测信号聚类中心与最终聚类中心分别为$ y_j^1 $、$ y_j^m $。则基于MeanShift聚类的电磁干扰信号识别方法的步骤为：

步骤1　设置初始电气设备运行环境检测信号大数据的数据点为$ y $、核函数为K(y)、许可偏差为$ \beta $，均值漂移向量为$ {n_h}\left( y \right) $；

步骤2　把$ {n_h}\left( y \right) $赋值至$ y $；

步骤3　当$ \left\| {{n_h}\left( y \right) - y} \right\| \leqslant \beta $结束赋值。

步骤4　使用式（1）进行信号大数据聚类识别。将大规模电气设备运行环境检测信号分帧成$ n $帧，设成$ {y_n} $，信号的时域特征设成$ {R_{j,1}} - {R_{j,4}} $，频域特征设成$ {Q_{j,1}} - {Q_{j,128}} $。此时第$ j $帧电气设备运行环境检测信号大数据的特征向量$ {N_j} $、信号样本总的特征矩阵$ {\boldsymbol{N }}$为：

$ {N_j} = \left[ {{R_{j,1}} \cdots {R_{j,4}}{Q_{j,1}} \cdots {Q_{j,128}}} \right]，$

(3)

$ {\boldsymbol{N}} = \left[ {\begin{array}{*{20}{c}} {{N_1}} \\ \vdots \\ {{N_m}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{R_{1,1}}}& \cdots &{{R_{1,4}}}&{{Q_{1,1}}}& \cdots &{{Q_{1,128}}} \\ \vdots &{}& \vdots & \vdots &{}& \vdots \\ {{R_{m,1}}}& \cdots &{{R_{m,4}}}&{{Q_{m,1}}}& \cdots &{{Q_{m,128}}} \end{array}} \right] 。$

(4)

将电气设备运行环境检测信号大数据的特征矩阵，与已知电磁辐射干扰信号执行多元核密度聚类分析处理，聚类后电气设备运行环境检测信号便会分为电磁辐射干扰信号、正常信号2种。本文技术仅对电磁辐射干扰信号进行选择性抗扰控制处理。

1.3 基于电磁屏蔽的设备选择性抗干扰控制方法

针对1.2小节识别的电磁干扰信号，本文使用电磁屏蔽的方式，对存在电磁干扰信号的电气设备进行电磁屏蔽，实现舰船电气设备选择性抗干扰控制处理。设置舰船电气设备遭受干扰波的电场强度与磁场强度分别为B₀、O₀，屏蔽后电场强度与磁场强度分别为B₁、O₁，屏蔽目标设备的壁厚为$ A $。屏蔽效能$ \varepsilon $：

$ {\varepsilon _B} = 20\lg \frac{{\left| {{B_0}} \right|}}{{\left| {{B_1}} \right|}}，$

(5)

$ {\varepsilon _O} = 20\lg \frac{{\left| {{O_0}} \right|}}{{\left| {{O_1}} \right|}}。$

(6)

其中，$ {\varepsilon _B} $、$ {\varepsilon _O} $分别为屏蔽措施对电磁场中，电场分量与磁场分量的抗扰控制效果。

$ \varepsilon = Z + L + U 。$

(7)

其中，$ Z $、$ L $、$ U $分别为电磁波在电气设备运行环境中传输时衰减出现的吸收损耗、反射损耗以及多次反射效应。

若舰船电气设备属于单层屏蔽体，则式（7）中的分量变成：

$ Z = 20\lg \left| {{e^{\eta A}}} \right| ，$

(8)

$ U = 20\lg \left| {1 - \frac{{{\vartheta _1} - {\vartheta _2}}}{{{\vartheta _1} + {\vartheta _2}}}{e^{ - 2\eta A}}} \right|，$

(9)

$ L = - 20\lg \left| {\frac{{4{\vartheta _1}{\vartheta _2}}}{{{{\left( {{\vartheta _1} + {\vartheta _2}} \right)}^2}}}} \right|。$

(10)

式中：$ \eta $、$ {\vartheta _1} $、$ {\vartheta _2} $分别为屏蔽层传输常数、屏蔽前后电气设备介质波阻抗；$ e $为无理数。

2 仿真实验

将图2的左侧船载变压器大规模历史运维数据，作为测试本文技术的实验样本，对部分历史船载变压器电磁干扰信号识别后，识别结果如图3所示。分析可知，本文技术认为，变压器在0~12 h内遭受8次电磁干扰，受到电磁干扰的电气设备运行环境检测信号的波动幅值，均比标准信号（不对变压器产生明显电磁辐射影响的电磁信号）幅值增加5 ~ 2.5 Hz的幅度。

图4为本文技术使用后，对左侧受电磁干扰的舰船变压器进行选择性抗干扰控制时，控制方式的示意图。

则本文技术使用下，舰船电气设备选择性抗干扰控制效果如图5所示。可知，舰船电气设备运行时，电磁波在电气设备运行环境中传输时衰减出现的吸收损耗达500 dB，反射损耗最大值仅有80 dB，屏蔽效能理想，说明本文技术使用下，舰船电气设备运行时，电磁选择性抗干扰控制效果理想。

3 结　语

舰船电气系统由于其特殊的运行环境和复杂的设备组成，常面临着各种电磁干扰的威胁。这些干扰可能来自于设备内部的电气元件、电缆、电源等，也可能来自于外部环境中的雷电、无线电波、静电等。这些干扰如果得不到有效控制和处理，可能会导致电气设备误动作、性能下降甚至损坏，进而影响到舰船正常运行和安全。本文提出基于大数据的舰船电气设备选择性抗干扰控制技术，能够有效筛选识别舰船电气设备运行时电磁干扰信号，对受到电磁干扰信号影响的电气设备，进行针对性、选择性抗干扰控制。控制效果理想，电气设备运行状态得到保护。