0 引　言

舰船机械电子设备在舰船航行过程中具有重要作用，能够提供舰船航行的动力和控制^[1]，能够确保舰船的航行、通信和武器系统的正常运行。在舰船机械电子设备运行过程中，可能会发生故障，导致设备损坏，影响舰船运行。实现舰船机械电子设备故障自动监测，对于提高舰船的安全性、可靠性、运行效率等具有重要意义^[2]。

孙留存等^[3]通过结合无线传感器网络（WSN）和集合经验模态分解（EEMD），实现机械电子设备故障自动监测，但WSN系统在实时采集大量数据时，处理能力不足，导致故障检测的延迟。马洋洋等^[4]首先消除噪声干扰并增强信号质量，进行信号时域特征计算，建立机械电子设备故障的自动监测模型，当大量数据同时运行过程中，影响系统的实时性能。Chen等^[5]对舰船机械电子设备运行数据进行数据清洗、缺失值填充和异常值处理，提取出反映设备运行状态的关键特征，采用图神经网络进行舰船机械电子设备的运行状态故障检测，该方法较为复杂，增加了计算资源的消耗和计算时间，影响到系统的实时性。Zhang^[6]设计了一种自适应神经网络结构，利用设计的自适应神经网络模型，不断学习和优化，以提升故障检测的准确性和稳定性，在面对大规模的舰船机械电子设备数据集时，需要大量的计算资源和时间，影响模型的监测效果。

模式识别技术能够通过对大量的历史数据和故障模式进行学习，准确地识别出设备的故障状态，故本文提出基于模式识别的舰船机械电子设备故障自动监测方法，并分析其性能。

1 舰船机械电子设备故障自动检测

通过模式识别实现舰船机械电子设备故障自动监测，主要包括数据收集与预处理、故障特征提取、故障数据分类等。

1.1 舰船机械电子设备运行数据聚类

在舰船机械电子设备故障检测中，通过对机电设备的运行中的温度、压力、振动等数据进行采集，作为原始数据，通过数据间的关联性对数据进行分类。本文通过相似系数和欧氏距离表示采集的机电设备运行数据之间的关联性。设采集的数据中包括$ m $类机电设备运行变量$ {a_1},{a_2}, \cdots ,{a_m} $的$ N $组数据，表示为：

$ {a_{n1}},{a_{n2}}, \cdots ,{a_{nm}},n = 1,2, \cdots ,N。$

(1)

将$ m $个运行变量视为处于同一空间内，则任意2个向量$ {a_i} $、$ {a_j} $之间的相似系数表示为：

$ {\alpha _{i j}} = \left[ {\sum\limits_{n = 1}^N {\left( {{a_{ni}} - \overline {{a_i}} } \right)} \left( {{a_{nj}} - \overline {{a_j}} } \right)} \right]/{\left[ {\sum\limits_{n = 1}^N {{{\left( {{a_{ni}} - \overline {{a_i}} } \right)}^2}} {{\left( {{a_{nj}} - \overline {{a_j}} } \right)}^2}} \right]^{\frac{1}{2}}}，$

(2)

式中：$ {a_i} = \displaystyle\sum\limits_{n = 1}^N {{a_{ni}}} /N $；$ {a_j} = \displaystyle\sum\limits_{n = 1}^N {{a_{nj}}} /N $。

除通过相似系数表示2个向量之间的相似程度外，还可以通过2个向量之间的欧氏距离进行相似程度的度量。通过得到的相似系数对欧氏距离进行验证，二者间呈正相关关系，通过将经过相似系数验证无误的欧氏距离作为K均值聚类中的距离函数，K均值聚类方法主要用于实现将$ m $个变量进行聚类，类别数量为$ K $，表示为$ {a_1},{a_2}, \cdots ,{a_K} $，设第$ i $类$ {a_i} $中变量的数量为$ {M_i} $，设其中所有变量均值为$ \overline {{n_i}} $，则通过K均值方法实现聚类的流程为：

步骤1　从采集的数据集中随机选择$ K $个设置为初始的聚类中心，为$ \overline {{n_1}} ,\overline {{n_2}} , \cdots ,\overline {{n_K}} $。

步骤2　设类别$ b $，$ 1 \leqslant b \leqslant K $，$ i = 1,2, \cdots ,k $，若欧氏距离情况为$ d\left( {{a_j},{n_b}} \right) \leqslant d\left( {{a_j},{n_i}} \right) $，则将数据$ {a_j} $分配到$ b $类别中。

步骤3　依据步骤2的分配，聚类情况发生改变，则更新聚类中心。

步骤4　循环步骤2～步骤3，到聚类中心不发生变化后停止循环。

设K均值聚类方法函数为f()，则实现聚类过程表示为：

$ X = \left[ {\beta ,c,{s_c},\delta } \right] = f\left( { \cdots ,{h_1},{l_1},{h_2},{l_2}, \cdots } \right)。$

(3)

输入到K均值算法中的数据为$ a $；$ k $为机电设备的运行数据类别数量；$ h_1 $、$ l_1 $分别为在迭代过程中优化参数名称和数值。

则最终通过K均值聚类方法输出的值：$ \beta $、$ \boldsymbol c $、$ \boldsymbol{s_c} $、$ \boldsymbol \delta $分别为对每个数据进行编号的向量、聚类后中心位置矩阵、每类与聚类中心的距离矩阵、随机一点到聚类中心的距离矩阵。

1.2 基于小波包的舰船机械电子设备运行故障特征提取

设舰船机械电子设备运行数据中的特征函数表示为g_p(X)，则存在相关的关系式为：

$ {g_{2m + 1}}\left( X \right) = \sqrt 2 \sum\limits_i {\eta \left( i \right)} {g_m}\left( {2X - i} \right)，$

(4)

$ {g_{2m}}\left( X \right) = \sqrt 2 \sum\limits_i {\kappa \left( i \right)} {g_m}\left( {2X - i} \right)。$

(5)

式中：$ \eta \left( i \right) $和$ \kappa \left( i \right) $分别为正交滤波函数、尺度函数。将$ \left\{ {g\left( t \right)} \right\}_{t \in Z} $设为g₀(X)的正交小波包，g₀(X)表示小波母函数，通过g₀(X)的变换构成舰船机械电子设备运行数据的小波包空间，则舰船机械电子设备运行数据的多分辨率解析算子为：

$ {\varphi _{\eta \left( i \right)}} = \sum\limits_i {\varphi \left( i \right){\eta _{n - 2i}}}，$

(6)

$ {\varphi _{\kappa \left( i \right)}} = \sum\limits_i {\varphi \left( i \right){\kappa _{n - 2i}}}。$

(7)

舰船机械电子设备运行数据信号q(X)，即

$ q\left( X \right) = \sum\limits_i {{\varphi _m}^j} {\eta _{2m}}\left[ {\left( {{2^{ - j - 1}}} \right)t - k} \right]。$

(8)

则通过小波包算法能够将舰船机械电子设备运行数据分解为高通滤波和低通滤波处理后的舰船机械电子设备运行数据信号，经过高通滤波和低通滤波分别将数据映射到$ {\eta _{2m + 1}}{\left[ {\left( {{2^{ - j - 1}}} \right)t - k} \right]_{j \in Z}} $、$ {\eta _{2m}}{\left[ {\left( {{2^{ - j - 1}}} \right)t - k} \right]_{j \in Z}} $上，则数据信号q(X)的二范数为：

$ \left\| q \right\|_2^2 = {\int {\left| {q\left( X \right)} \right|} ^2}{\mathrm{d}}X。$

(9)

在进行小波包数据变换过程中，舰船机械电子设备运行数据二范数平方和信号之间存在相关性，通过对各个频段信号进行提取，重新构建舰船机械电子设备运行数据集合内部的小波包分解系数为：

$ \varphi = {\varphi _1} + {\varphi _2} + \cdots + {\varphi _n}。$

(10)

则得到的不同频带信号中对应的能量为：

$ {E_j} = {\int {\left| {{\varphi _j}\left( t \right)} \right|} ^2}{\mathrm{d}}t = {\left| {{X_{jk}}} \right|^2}。$

(11)

式中：X_jk为舰船机械电子设备运行数据在通过小波包重构之后的离散点幅值，故最终从舰船机械电子设备运行数据聚类结果中提取到的舰船机械电子设备运行状态特征向量为：

$ \lambda = \left\{ {{E_1},{E_2}, \cdots ,{E_n}} \right\}。$

(12)

1.3 基于卷积神经网络的舰船机械电子设备故障监测

将舰船机械电子设备运行状态特征向量$ \lambda $其输入到卷积神经网络中，通过模型的学习与训练，最终实现舰船机械电子设备运行故障的自动监测。将特征向量输入到卷积神经网络中，通过卷积层的卷积操作进行运算，可得：

$ \begin{gathered} {Y_{\mu + 1}}^{\left( {{G_{\mu + 1}},{H_{\mu + 1}}} \right)} = \\ {\omega _\mu }^{\left( {{K_\mu },{H_\mu },{H_{\mu + 1}}} \right)} \cdot {\lambda _\mu }^{\left( {{G_\mu },{H_\mu }} \right)} + {\zeta _\mu }^{\left( {{G_{\mu + 1}},{H_{\mu + 1}}} \right)}。\\ \end{gathered} $

(13)

式中：$ {\lambda _\mu }^{\left( {{G_\mu },{H_\mu }} \right)} $、$ \mu $、$ {H_\mu } $、$ {\omega _\mu }^{\left( {{K_\mu },{H_\mu },{H_{\mu + 1}}} \right)} $分别为卷积层的输入值、输出信号的长度、输出信号通道数、卷积核的权值向量；$ {K_\mu } $、$ {H_{\mu + 1}} $、$ {H_\mu } $、$ {\zeta _\mu }^{\left( {{G_{\mu + 1}},{H_{\mu + 1}}} \right)} $分别为卷积核的大小、输出通道数、卷积核的偏置、一维卷积运算，计算过程表示为：

$ {\left[ {{\omega _\mu }^{ \left( {{K_\mu },{H_\mu },{H_{\mu + 1}}} \right)} \cdot {\lambda _\mu }^{ \left( {{G_\mu },{H_\mu }} \right)}} \right]^{j,k}} = \sum\limits_{r = 1}^{{H_\mu }} {\sum\limits_{p = 1}^{{K_\mu }} {{\lambda _\mu }^{ \left( {\sigma j + p - 1,r} \right)}{\omega _\mu }^{ \left( {p,r,k} \right)}} }。$

(14)

式中：$ \sigma $为卷积核卷积运算的步长。

ReLU函数作为激活函数，在进行激活后，通过下采样特征信号，减小参数空间大小，去除卷积后冗余特征。通过最大池化对卷积神经网络的性能进行提升，通过将多通道信号展开为一维向量输入到全连接层，通过损失函数对卷积神经网络得到的值和实际值之间的偏差，通过损失函数对卷积神经网络进行修正，舰船机械电子设备故障监测结果。

2 实验结果与分析

为对本文方法实现舰船机械电子设备故障自动监测的有效性进行验证，以某舰船柴油发动机为研究对象，通过研究该实验舰船发动机在运行过程中的情况，实现故障监测过程，该实验舰船发动机从运行数据采集到故障自动监测过程的结构如图1所示。

抽取10次故障情况，本文方法故障监测的结果如表1所示。可知，通过本文方法故障监测结果与实际故障情况高度一致，充分证明了本文方法的有效性和准确性。

将本文方法与随机森林方法和逻辑回归方法进行对比，不同方法实现监测的耗时情况如表2所示。可知，相较于随机森林方法和逻辑回归方法，本文方法能够在较短时间内实现故障监测过程，实现监测的时间能够保持在5 ms以内，对比对照的2种方法，时间减少了约50%，充分证明了本文方法在舰船机械电子设备故障监测领域的高效性和实用性。

为进一步验证本文方法实现舰船机械电子设备故障监测的有效性，引入ROC曲线对结果进行评价，ROC曲线下的面积越大证明实现舰船机械电子设备故障监测的准确率越高。3种方法的ROC曲线情况如图2所示。可知，3种方法实现舰船机械电子设备故障监测的ROC曲线存在较大差异，相较于其他2种方法，本文方法实现的故障监测得到ROC曲线下的面积较大，反映了本文方法在舰船机械电子设备故障监测中的高准确性，证实了本文方法在舰船机械电子故障监测领域中的优越性和有效性。

3 结　语

舰船机械电子设备故障自动监测能够实时监测舰船机械电子设备的运行状态，迅速发出警报，帮助船员或控制系统优化运行参数，提高舰船的运行效率，因此在舰船安全稳定运行的过程中发挥着重要作用。本文提出基于模式识别的舰船机械电子设备故障自动监测方法，通过实验验证，该方法实现舰船机械电子设备故障监测的效率快、准确率较高，对于提高系统运行的稳定性和可靠性具有重要意义。