0 引　言

在船舶服役期间，受海上恶劣环境和疲劳问题的双重影响，船体结构常常出现裂纹、腐蚀以及变形等损伤，影响船舶安全运行。为了提高船舶远途航行的安全性并减少维护成本，开展预防性维修、提前预测船体结构的损伤变得尤为重要。但预防性维修理论模型复杂，且对故障样本数据和历史维修信息的依赖度高^[1]，传统的故障诊断及预测方法无法充分利用和挖掘现有监测数据，对船体结构损伤预测带来困难。随着人工智能技术的发展，运用故障预测与健康管理（Prognostics Health Management，PHM）技术开展船体结构损伤识别成为解决船体故障诊断的一种新方法。

在PHM方法相关研究中，Yuan等^[2]通过飞机发动机的健康监测数据对多种神经网络模型进行训练，得出长短期记忆模型（LSTM）可以更好地完成发动机的故障诊断和预测工作。Zhang等^[3]通过多目标算法改进了深度置信网络（DBN），实现了工业设备的寿命预测。贾成芬等^[4]、孙华峰^[5]分别提出基于马尔科夫模型和基于小波神经网络的故障预测方法，并以船舶动力系统为对象，通过实验证明了方法的有效性。陈方圆等^[6]为了解决大多数预测模型精度低、构建难的问题，提出改进的自回归积分滑动平均模型（ARIMA），并以船舶海水冷却系统为对象对其状态参数进行精确预测，为船舶系统设备的状态预警和健康管理提供了技术支持。国内外学者的研究表明，PHM的提出有效避免了修复性维修和定期维修的弊端，不仅有效消除了欠维修带来的损失，也减少了过维修带来的浪费^[7]。另外，PHM在状态维护的基础上增加了预测的思想，将深度学习引入到设备故障预测与健康管理当中^[8]，采用人工智能等方法分析装备状态监测数据，相对于传统方法更能提高故障诊断的工作效率，降低维修保障费用，这对船舶的维护和维修具有重要的作用和意义。

1 数据预处理

在船舶的运行过程中，船体结构和部件的损伤问题可以通过预测诊断技术进行分析。通过船上安装多种类型的传感器，实现船体结构健康状况的在线监测。振动诊断技术相较于应力应变和图像诊断技术来说，具备特征明显、数据易获取、操作简单等优势，但采集的原始数据集中，包含噪声、异常值等冗余信息^[9]。因此，对振动信号进行预处理非常重要，预处理主要包括小波去噪、去奇异值和归一化等。

船体结构在实际工况中，受发动机、海浪等外界因素影响，产生的振动冲击信号往往含有一定的噪声，而通过小波分析对原始信号进行去噪处理，既能滤除大部分噪声信号又能保留信号中隐藏的重要损伤特征。对于原始振动信号，可以表示为：

$ s(i) = f(i) + \sigma e(i),i = 0,1, \cdots n - 1。$

(1)

式中：$ s(i) $为含噪声的原始信号；$ f(i) $为真实信号，常表现为低频或稳定特征；$ e(i) $为噪声信号，常表现为高频特征；$ \sigma $为小波系数。小波去噪时首先进行尺度小波分解，将含噪声的原始信号分解为低频和高频信号，接着设定阈值并对分解得到的小波系数进行筛选，将幅值低于阈值的小波系数视为噪声予以舍弃，最后逆变换对小波系数进行重构，使其恢复到原始信号的长度。

去除噪声后，原始振动信号中还包含着一些奇异值或异常值，可通过拉依达准则剔除奇异值。首先假定一组数据只含有随机误差，并对该组数据进行统计计算得到数据均值和数据标准差，并以此为根据确定一个区间范围，并对应一个概率值，当数值处于$ (\mu - \sigma ) \sim (\mu + \sigma ) $区间中的概率为0.6827，数值处于$ (\mu - 2\sigma ) \sim (\mu + 2\sigma ) $区间中的概率为0.9545，数值处于$ (\mu - 3\sigma ) \sim (\mu + 3\sigma ) $区间中的概率为0.9973。在这个概率内，可以认为凡是超出这个区间范围的数据就属于奇异值，应该予以剔除。

去除奇异值后，为加快模型运行时的收敛速度，归纳统一样本的统计分布特性，应该对其进行归一化处理^[10]。其具体过程为：

令数据处于[–1,1]区间。采样的每段数据减去其均值，与绝对值最大的数相除：

$ {x^{ \sim i}} = \frac{{{x^i} - E(x)}}{{\max \{ \max (x),{\mathrm{abs}}[\min (x)]\} }} 。$

(2)

式中，$ {x^{ \sim i}} $为归一化后第i个元素的值；$ {x^i} $为归一化前第i个元素的值；$ E(x) $为归一化前的均值。

2 故障识别与预测模型 2.1 特征分析

时域特征是根据时间的改变而算出的统计值，因分析处理方便被广泛应用。通过计算船体结构振动数据时域特征，可以绘制出信号的时域图，从而较为直观地反映船体结构的损伤情况和健康状态。目前最为常用的时域特征指标主要有峰峰值（PPV）、均方根值（RMS）和峭度（KUR），其表达式如下：

$ {{PPV}} = \max (x(n)) - \min (x(n)) ，$

(3)

$ RMS = \sqrt {\frac{{\displaystyle\sum\limits_{n = 1}^N {{{(x(n))}^2}} }}{N}}，$

(4)

$ KUR = \frac{{\displaystyle\frac{1}{N}\sum\limits_{n = 1}^N {{{(x(n) - {x_{MV}})}^4}} }}{{x_{RMS}^4}}。$

(5)

式中：$ x(n) $为振动监测数据；N为振动数据的总数量；$ {x_{MV}} $为振动数据的平均值；$ {x_{RMS}} $为振动数据的均方根值。

2.2 故障识别模型的改进

通过时域特征分析，可以对船体结构损伤特征进行提取，作为故障样本数据的选择依据。当获取足够的样本数据后，需要对故障识别模型进行训练。传统神经网络随着模型深度增加会出现训练速度缓慢、模型不收敛等问题，极大地增加了计算机的运算负担^[11]。本文选择卷积神经网络（CNN）模型并对其进行改进，以提高其识别率。

首先在传统卷积神经网络基本结构的基础上，针对其滤波层（即卷积-池化层）进行优化，引入批量归一化层和指数线性单元层，共同构成局部特征学习模块。并将局部特征提取器LFLB模块作为基本单元，将其叠加4次构成局部特征提取器LFLBs。与传统CNN模型的特征提取器相比，LFLBs特征提取器的引入有效避免了在提取船体结构振动信号的局部特征时产生的问题。在局部特征提取器LFLBs后引入长短期记忆LSTM模型作为全局特征提取器，用来提取船体结构振动信号中损伤的全局特征。本文提出的改进CNN-LSTM模型的运行流程如图1所示。

2.3 时间预测模型

2.2节对船体结构损伤的类型和程度进行了分类识别，但是为了实现准确的预防性维修，还需要对损伤发生的时间进行预测。时间序列预测模型ARIMA（p，d，q）模型可以表示为一种基于数据驱动的智能预测方式，它可以根据输入数据的时序关系来预测未来某时刻的数据值，其表达式如下：

$ \begin{aligned} {\nabla ^{{d}}}{X_t} = {\varphi _1}{\nabla ^{{d}}}{X_{t - 1}} + \cdots + {\varphi _p}{\nabla ^{\text{d}}}{X_{t - p}} + \\{\varepsilon _t} - {\theta _1}{\varepsilon _{t - 1}} - \cdots - {\theta _q}{\varepsilon _{t - q}}。\end{aligned}$

(6)

式中：自回归阶数p为用多少个过去的观测值作为自回归项的数量；滑动平均阶数q为使用多少个过去的预测误差作为移动平均项的数量；差分次数d对时间序列进行一阶或多阶的差分，以消除非平稳性。在d≠0时ARIMA（p，d，q）一定不稳定，而d=0时，若

$ \left|{\varphi }_{1}\right|+\left|{\varphi }_{2}\right|+\cdots +\left|{\varphi }_{p}\right|＜1 ，$

(7)

则说明模型平稳，否则非平稳。数据不平稳则进行差分变换将其变成平稳序列。再通过分析输入时序信号的自相关和偏自相关函数，并结合AIC准则完成模型最终定阶。AIC准则又称最小信息准则，它的加权函数如下：

$ {{{AIC}} = - 2{\mathrm{ln}}({{L}})} + 2{{k}}。$

(8)

式中：L为模型的极大似然函数；k为模型参数个数。AIC的值越小说明该拟合模型越优。将其应用于ARIMA（p，d，q）的场景里，其函数表达式可以转变为：

$ AIC = n\ln ({\sigma ^2}) + 2(p + q + 1)。$

(9)

式中：n为样本容量。

ARIMA时间序列模型由于其很强的数据拟合和预测能力，在故障预测中经常被采用^[12]，选用此模型对振动时序数据进行预测的流程如图2所示。

3 案例研究 3.1 特征提取

本文以2023年1月1日振动冲击传感器（编号31）采集到的某型舰船船体结构肋板部位的振动数据为例进行分析。首先对数据通过Python编程进行预处理，再计算特征分析中的均方根值（RMS），并在计算中将分钟作为时间区间的基本单位，可得到如图3所示的时域特征变化。实验开始到15:40时，RMS曲线的有效幅值非常平稳，表明这段时间内该船体结构件未出现明显损伤，性能状态良好。在15:51之后，RMS曲线发生小幅跳跃式变化，之后缓慢震荡上升，说明该时刻船体结构进入轻微损伤阶段，其健康状态慢慢变差。在16:58之后，特征指标呈快速波动上升趋势，说明该时刻船体结构进入一般损伤阶段，其性能不稳定，健康状态快速变差。在17:12之后，各特征指标大幅上升说明该时刻船体结构进入严重损伤阶段，稳定性和性能出现很大问题，极有可能迅速失效。可知，RMS曲线比原始信号曲线能更好地判定损伤临界阈值，从而对船体结构健康状态进行准确评估。通过提取该指标在船体结构各损伤阶段的临界阈值，可以为后续船体结构损伤分类和时间预测提供依据。

3.2 损伤识别

船体结构的大部分破坏源于疲劳损伤，通过船体上的振动冲击传感器（即加速度传感器）获取正常状态的振动信号（即正样本）和3种不同程度的损伤信号（即负样本）建立数据集。针对4种损伤类型，本文每种选取4个原始信号样本，其长度均为26848，总计16个原始样本。对原始样本进行数据增广，每个信号样本再划分为125个子样本，总共获得2000个子样本。按照7∶2∶1的比例将单个类别故障样本库随机分割为训练集、验证集和测试集。同时，为船体结构裂纹损伤的4种典型状态（无损伤、轻微损伤、一般损伤、严重损伤）分别打上标签，以满足模型训练和损伤分类的需要。故障样本库的分类及标签如表1所示。

为了挖掘船体结构振动信号中的深层损伤特征，更准确地完成船体结构损伤识别和分类任务，针对上节改进的卷积神经网络模型进行多次实验验证，最终确定最适合的模型参数为：输入层数据为一维时序数据，卷积层的卷积核大小均为3×1，卷积核数量分别为64、64、128、128个，步长为1；池化层均选择Max Pooling策略，池化核大小为4×1，步长为4；LSTM的输出维度设置为256。使用CNN-LSTM模型结构参数，利用数据集对模型进行训练和验证，通过Python语言编程完成上述实验任务。通过实验可以输出模型测试集和验证集分类准确率和损失率的曲线，如图4所示。

通过观察和分析，可以得出以下结论：当改进的CNN-LSTM模型迭代到30次左右时，模型的准确率和损伤率均达到一种相对稳定状态，不随迭代次数的增加而大幅度变动。其中，训练集的准确率很高，在99%以上；验证集的准确率在95%上下波动。与传统CNN模型70%左右的准确率相比^[13]，很适合用于船体结构损伤的分类预测。将测试集放入训练好的CNN-LSTM模型中进行预测，得到混淆矩阵如图5所示。

可以看出，200个样本总共预测成功195个，预测错误5个，对4种分类平均的预测准确率在97.5%左右，且结果之间的差异较小。这说明在船体结构损伤诊断方面，本文提出的分类模型可以通过振动信号很好地识别船体结构不同严重程度的裂纹损伤。

3.3 时间预测

将原始振动信号的均方根值RMS作为船体结构损伤的特征指标，选取处于上升阶段的RMS值作为模型输入数据（见图3(b)）。因为ARIMA模型对时间序列的要求是平稳型，所以需要对时间序列的平稳性进行判定。本文采用DF检验法对输入序列稳定性进行判定，对该组RMS时序数据进行单位根检验，得到该组时序数据是非平稳的，没有通过稳定性检验。因此需要对时间序列进行差分，对一阶差分和二阶差分的RMS时序数据进行DF单位根检验，得到二阶差分后的数据符合ARIMA模型对输入时间序列平稳性的要求，因此d=2。对ARIMA模型而言，自相关系数与偏相关系数选取还需要引入自相关图ACF及偏相关图PACF，当AIC最小时模型拟合效果最好，预测结果更准确，由此可以确定模型的自回归阶数p和滑动平均阶数q。为了尽可能缩小模型的复杂度，这里限制p+q≤8，计算得到的每一阶AIC值如表2所示。

可知，p=1和q=3时模型的AIC值最小，拟合效果最好，因此确定预测模型为ARIMA（1，2，3）。利用ARIMA模型的最小方差预测法，对接下来的90个采样点进行预报，通过ARIMA（1，2，3）模型预测船体结构振动信号RMS值的未来变化趋势，得到预测曲线如图6所示。根据预测曲线，结合损伤指标阈值，即可判断船体结构的健康状态，并对其未来可能出现的损伤严重程度及其发生的时间进行预测。在图3(b)中，提取到的船体结构不同损伤状态的RMS临界阈值为：轻微损伤0.043、一般损伤0.306、严重损伤0.620。从图6的预测曲线可以看出，该船体结构的监测位置（肋板）在2023年1月1日18：45左右的RMS值将达到0.6212，超过严重损伤阈值，健康状态进入严重损伤状态。经实际查验表明，该处肋板位置出现严重裂纹的实际发生时间在18:50左右，与预测结果基本一致，证明了预测模型的有效性。

4 结　语

本文提出的利用机器学习和人工智能方法实现的船体结构损伤识别分类及预测算法，解决了健康监测大数据环境下船体结构损伤识别准确率低和传统故障诊断方法效率低的问题，在实际应用中可以充分挖掘船舶健康监测数据中蕴含的潜在故障信息，为船舶视情维修和故障的智能诊断提供充分的依据。主要结论如下：

1）振动信号时域特征的均方根（RMS）值可以很好地体现船体结构的损伤状态，结合其他时域特征，如峰峰值和峭度进行特征融合分析，能进一步提高故障分类及预测结果的可靠性和精度。

2）采用卷积神经网络模型等机器学习方法，在经过充分的训练后，能快速地自动识别大量的故障监测数据，相比传统的故障诊断方法，不需要人工参与和专家的经验知识，识别效率和准确率更高，可方便地实现装备的智能化运维和健康监测。

3）ARIMA时间序列预测模型可以根据样本数据的特征对时序数据的发展趋势进行预测，样本数据量的大小决定了预测的时间长度，故障特征阈值的划分决定了预测的精度。如果能够结合特征融合和大数据技术，对模型加以改进，可以有效提高模型的运算速度和预测的准确性，这也是需要进一步研究的方向。