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
$ \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,
$ K\left( y \right) = {d_{k,c}}K\left( {{{\left\| y \right\|}^2}} \right)。$ | (2) |
其中,dk,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
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
步骤2 把
步骤3 当
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_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
$ {\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 = Z + L + U 。$ | (7) |
其中,
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:
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。
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。
[1] |
蒋超利, 冯国利, 方子轩, 等. 舰船电气装备测试性标准初探[J]. 海军工程大学学报, 2023, 35(1): 68-73. JIANG Chaoli, FENG Guoli, FANG Zixuan, et al. A preliminary study on testability standard of ship electrical equipment[J]. Journal of Naval University of Engineering, 2023, 35(1): 68-73. DOI:10.7495/j.issn.1009-3486.2023.01.011 |
[2] |
王毅, 周国华, 武晓康, 等. 基于遗传神经网络的舰船磁场等效源重构方法[J]. 哈尔滨工程大学学报, 2023, 44(8): 1313-1318. WANG Yi, ZHOU Guohua, WU Xiaokang, et al. Equivalent source reconstruction of ship magnetic field based on genetic neural network[J]. Journal of Harbin Engineering University, 2023, 44(8): 1313-1318. DOI:10.11990/jheu.202112030 |
[3] |
段一琛, 申晓红, 王海燕, 等. 无监督时频信息结合的舰船辐射噪声信号抗诱饵干扰方法[J]. 兵工学报, 2023, 44(9): 2722-2731. DUAN Yichen, SHEN Xiaohong, WANG Haiyan, et al. An anti-decoy jamming method of ship-radiated noise signals based on unsupervised time-frequency information fusion[J]. Acta Armamentarii, 2023, 44(9): 2722-2731. DOI:10.12382/bgxb.2023.0395 |
[4] |
魏新江, 魏永丽, 张慧凤. 船舶动力定位系统的精细抗干扰控制[J]. 控制与决策, 2022, 37(10): 2593-2599. WEI Xinjiang, WEI Yongli, ZHANG Huifeng. Elegant anti-disturbance control for dynamic positioning system of ships[J]. Control and Decision, 2022, 37(10): 2593-2599. |
[5] |
于乐新, 张慧, 龚琳舒, 等. 基于准Karhunen-Loève变换基的字典学习抗距离假目标干扰方法[J]. 中国舰船研究, 2022, 17(2): 228-232. YU Lexin, ZHANGHUI, GONG Linshu, et al. Countermeasures for range false target jamming based on quasi Karhunen-Loève translate basis diction[J]. Chinese Journal of Ship Research, 2022, 17(2): 228-232. |
[6] |
钱梦飞, 曹鑫, 刘林, 等. 基于不确定干扰估计器的永磁电机控制研究[J]. 微特电机, 2023, 51(10): 29-34. QIAN Mengfei, CAO Xin, LIU Lin, et al. Research on Permanent magnet motor control based on uncertainty and disturbance estimator[J]. Micro Electric Motor, 2023, 51(10): 29-34. |