0 引　言

调距桨系统因其能够实时调节螺旋桨桨叶的螺距，满足船舶在不同航行条件下的动力需求，已广泛应用于现代船舶。然而，调距桨系统作为一种复杂的机电一体化设备，在长期运行中容易受到机械磨损、液压故障和控制系统误差等因素的影响，从而导致螺距失控故障^[1]，这类故障会使船舶推进系统失效，进而对船舶的安全航行和正常运营造成重大威胁。因此，如何有效地检测和诊断调距桨系统的螺距失控故障，成为了船舶工程领域的研究热点。

在故障诊断研究领域，传统的诊断方法如专家系统和模糊逻辑等工具已被广泛应用于设备状态监测，但随着船舶调距系统复杂程度的提升和故障模式的非线性特征日益显著，这类方法在泛化能力和多维度特征提取方面逐渐显现出局限性。近年来，国内外学者围绕可调螺距桨系统故障诊断提出了多种方法。Orhan 等^[2]对2002–2022年间船舶机械系统的故障诊断研究进行了系统性综述，归纳了72篇核心文献，并将研究方法分为数据驱动、模型驱动、知识驱动以及新一代混合型等类别。其中，数据驱动方法（如神经网络、支持向量机、决策树等）和模型驱动方法（如基于观测器、残差方法、贝叶斯网络等）是研究热点。在可调螺距桨的具体应用方面，多模态诊断和少样本学习成为新趋势，例如，Cai 等^[3]提出一种结合Gramian角度场（Gramian Angular Field, GAF）转换的多模态故障诊断模型，将可调螺距桨液压系统的时序数据转换为图像后进行分类，有效融合了时域和频域特征。此外，Feng 等^[4]针对可调螺距桨故障样本稀缺问题，引入机制仿真数据增强技术，采用少样本分类策略提高了模型的泛化能力。Bai 等^[5]提出一种融合Dempster-Shafer证据理论与动态贝叶斯网络（DS-DBN）的方法，构建了可处理动态行为和认知不确定性的船舶调距桨液压系统可靠性与可用性评估模型，在复杂系统建模和弱点识别方面展现出良好效果，该方法的提出为应对传统马尔科夫方法在建模复杂度和不确定性表达上的局限提供了新思路。国内方面，卢石松等^[6]针对调距桨电液系统复杂耦合特性，提出一种基于新型诊断建模语言（T语言）的故障诊断方法，通过精确描述液压部件的输入输出关系，实现与系统结构一致的模型构建，并通过台架试验验证了方法的有效性。总体来看，神经网络等数据驱动方法通过非线性特征解耦与自适应学习机制有效突破了传统诊断瓶颈，不断提高了调距桨故障诊断的准确率和可靠性。在这其中，RBF神经网络因其结构简单、训练速度快和对非线性问题的强适应性，也成为船舶设备故障诊断研究的重要工具^[7]。

本文提出一种基于RBF神经网络的高效、可靠的船舶调距桨螺距失控故障诊断方法。一方面，通过将RBF神经网络技术引入船舶调距桨故障诊断领域，拓展了智能算法在船舶工程中的应用场景，为非线性故障检测问题提供了一种可行解决方案，同时丰富了相关学术领域的理论基础。另一方面，螺距失控故障的快速诊断可以显著降低船舶运行过程中的安全隐患和经济损失。

1 船舶调距桨螺距失控故障仿真 1.1 仿真模型的建立

船舶调距桨（Controllable Pitch Propeller, CPP）是一种通过改变螺旋桨叶片角度来改变推力大小和方向的推进装置^[8]。图1为桨毂示意图，液压油经配油器和油管进入桨毂油缸的正车腔或倒车腔，推动活塞沿船首或船尾方向直线移动。桨毂内部的转叶机构将活塞的直线运动转化为桨叶与曲柄盘的旋转运动，从而实现螺距调节^[9]。

调距桨螺距失控是指调距桨的桨叶角度无法按指令调节或出现非预期变化的现象。具体表现为如下几点。1）螺距无法调节：控制指令发出后，螺距无变化；2）螺距自行变化：在没有调节指令的情况下螺距自行增大或减小；3）调节缓慢：操作指令发出后，螺距变化明显滞后；4）实际值与设定值偏差较大：设定螺距后，实际螺距与目标值偏差较大，且无法自动修正。

由于电控系统布置于船舶舱室内部，具备稳定的运行环境与成熟的测试体系，其自动化检测模块可通过标准化流程对大部分元器件开展高效诊断，且检测成本较低，所以，将研究重点放在调距桨液压系统的相关故障。

对故障诊断研究来说，从调距桨的台架试验中获取相关数据是一种有效方法。然而，与定距桨相比，调距桨的应用较少，许多研究机构缺乏相应的实验设备条件。另外故障诊断的研究对设备具有一定破坏性，无法做到随时根据设计的课题进行实验^[10]。所以为了获取故障数据，采用液压仿真领域内已成熟的仿真模拟软件AMESim对调距桨液压系统进行建模仿真，在模型建立基础上对多种运行工况下的液压仿真模型进行多参数校准，以使该仿真模型满足仿真精度要求。在此基础上进行调距桨的多种故障设置并对运行模型进行故障数据采集，同时对获得的数据进行了多方位的处理以满足后续算法训练要求。

基于调距桨液压系统的工作原理，采用AMESim仿真平台构建了调距桨液压系统的整体仿真模型该模型进行了一定的简化处理：移除了应急油路系统和备用液压泵组件以及油液补给循环系统，这些简化不影响模型主要功能的实现。考虑到液压系统在运行过程中温度变化会影响液压油的粘度、泄漏、压力损失、系统动态响应等，所以将温度变化纳入考虑范围，用热力液压库并且替换元件子模型的方式就可以得到液压系统的热力学模型。

在建模完成后，就需要对整个液压系统及元件进行参数设置。参数设置不正确会影响整个仿真过程的准确性，调距桨液压系统主要参数如表1所示。

对上述模型进行仿真设置，开始时间为0 s，结束时间为100 s，打印间隔时间0.1 s；开始螺距位置为0 m，最终位置为0.35 m，系统液压缸最大螺距位置是0.35 m。仿真结束后记录下最小螺距位置到最大螺距位置所需的时间，检验系统从最小负螺距到最大正螺距响应时间。由图2(a)可知，伺服活塞从零位到最大位置所需时间为11.7 s，从最大位置到最小位置所需时间为10.9 s，均远低于国际标准规定的25 s响应要求。

设液压缸筒内直径为D，活塞杆的直径为d，那么液压缸无杆腔和有杆腔的有效作用面积A₁、A₂分别为：

$ {A}_{1}=\displaystyle\frac{{\text π} {D}^{2}}{4}，$

(1)

$ {A}_{2}=\displaystyle\frac{{{\text π} }\left({D}^{2}-{d}^{2}\right)}{4}。$

(2)

当无杆端进油，有杆端回油时，活塞推力F₁为：

$ \begin{array}{c}F_1=p_1A_1=\displaystyle\frac{{\text π}D^2}{4}p_1。\end{array} $

(3)

当有杆端进油，无杆端回油时，活塞推力F₂为：

$ \begin{array}{c}{F}_{2}={p}_{2}{A}_{2}=\displaystyle\frac{\text π}{4}\left({D}^{2}-{d}^{2}\right){p}_{2}。\end{array} $

(4)

在液压系统中，由于液压缸的无杆端的受力面积较大，有杆端的受力面积较小，所以液压缸的活塞从无杆端向有杆端移动时，无杆端的压力大于有杆端的压力。由图2(b)可知，当0～20 s液压缸右移时，1端的压力为29.48621 bar，2端压力6.618785 bar，此时，根据液压缸平衡公式可得：

$ {c}F={F}_{1}-{F}_{2}={p}_{1}{A}_{1}-{p}_{2}{A}_{2}\approx 210945\;{\mathrm{N}}。$

(5)

将各未知量代入公式后，计算得出理论值 F =210327 N，与仿真值210945 N存在不到0.3%的误差。

设$ {v}_{1} $为液压缸伸出时的移动速度，$ {v}_{2} $为液压缸缩回时的移动速度；q为流入液压缸的油量，由图2(c)可知。

由活塞运动速度计算公式，可得$ {v}_{1} $和$ {v}_{2} $的理论值分别为：

$ {v}_{1}=\displaystyle\frac{q}{{A}_{1}}=\displaystyle\frac{4q}{\text{π}{D}^{2}}\approx 0.03022\;{\rm{m}}/{\rm{s}}，$

(6)

${v}_{2}=\displaystyle\frac{q}{{A}_{2}}=\displaystyle\frac{4q}{{\text π}\left({D}^{2}-{d}^{2}\right)}\approx 0.03199\;{\rm{m}}/{\rm{s}}。$

(7)

由图2(d)可知，二者的仿真值分别为0.03021789 m/s和0.03198146 m/s。

1.2 故障模拟与数据采集

基于对液压系统在螺距失控故障下的典型曲线分析，如图3所示，不同故障模式下系统的关键运行参数（如压力、流量、温度等）均呈现出各自独特且明显的动态响应特征。例如，在液压泵吸入口堵塞和泵出口滤器堵塞故障中，曲线显示出流量受限及压力异常的现象；而液压缸内泄漏、安全阀弹簧失效以及换向阀阀芯卡滞故障，则分别在响应速度和压力调节上展现出明显偏差。这些差异不仅反映了各故障的内在机理，也为后续利用RBF神经网络实现多故障模式的准确诊断提供了充分判别依据。

2 基于RBF神经网络的调距桨螺距失控故障诊断 2.1 RBF神经网络的基本理论

径向基函数神经网络（Radial Basis Function Neural Network）是一种具有单隐层结构的前馈神经网络，其主要特点是在其隐含层中使用径向基函数（Radial Basis Function, RBF）作为激活函数^{[11 − 12]}。RBF神经网络广泛应用于故障识别、函数逼近和插值等领域的神经网络模型。在神经网络中，误差是指模型预测值与实际值之间的差异。误差平均值则是所有样本误差的平均值，它反映了模型的整体性能。一个较低的误差平均值意味着模型在大多数情况下都能提供准确的预测结果。

RBF神经网络具有3层网络结构^[13]，如图4所示。第一层为输入层，用于传递输入数据；中间层为隐含层，用于对输入层数据进行非线性计算；输出层用于对隐含层输出的数据进行线性计算。

径向基函数（RBF）最常用的高斯函数形式：

$ {\varphi }_{j}\left(\mathit{x}\right)={\mathrm{{exp}}}\left(-\displaystyle\frac{|\mathit{x}-{\mathit{c}}_{\mathit{j}}{|}^{2}}{2{\sigma }_{j}^{2}}\right)。$

(8)

式中：x为输入向量（维度d）；$ {\mathit{c}}_{\mathit{j}} $为第j个隐含层节点的中心（维度d）；$ {\sigma }_{{j}} $为第j个节点的宽度参数；$ \parallel \mathit{x}-{\mathit{c}}_{\mathit{j}}\parallel $为欧氏距离。

输出层为隐含层输出的线性组合：

$ {y}_{k}\left(x\right)={\sum }_{j=1}^{M}{w}_{kj}{\mathrm{\varphi }}_{j}\left(x\right)+{b}_{k}。$

(9)

式中：$ {w}_{kj} $为隐含层第节点到输出层第节点的权重；$ {b}_{k} $为输出层第节点的偏置项；M为隐含层节点数。

2.2 基于RBF神经网络的故障诊断模型

利用Matlab平台搭建RBF神经网络故障诊断模型，具体步骤包括数据预处理、RBF网络的构建和模型评估。

通过调距桨的故障仿真模型，筛选出9个具有诊断价值的系统参数作为特征指标。当系统发生故障时，故障特征就会表现在系统相关运行参数上，通过对各种状态下的参数进行分析，就能诊断出系统的故障原因。此前已经针对调距桨螺距失控问题建立了5个典型故障的仿真模型，所确定的9个特征参数能够有效表征这5种故障模式下的系统动态变化。故障特征指标如表2所示。

给6种模式进行编号：正常状态为0，液压泵吸入口堵塞为1，液压泵排出滤器堵塞为2，液压缸内漏为3，安全阀弹簧失效为4，比例阀阀芯卡滞为5。部分样本数据见表3。

使用Matlab创建RBF神经网络进行故障诊断的具体步骤如下：

步骤1　数据预处理：为消除量纲影响，使用z-score标准化方法，公式为

$ \begin{array}{c}{X}_{\text{normalized}}=\displaystyle\frac{X-\mu }{\sigma }。\end{array} $

(10)

式中：$ \mu $和$ \sigma $分别为特征均值与标准差。数据完成标准化后，按 6∶2∶2 比例划分训练集、验证集和测试集。

步骤2　RBF网络的构建: 借助 Matlab 函数 newrb 构建 RBF 网络，设置训练目标误差0.01，最大神经元数100。对扩展参数 spread 进行网格搜索（范围为0.1∶0.1∶2）。遍历每个spread值训练网络，在验证集上预测并计算准确率。通过比较准确率，动态更新并保存最优spread，对应网络模型 best_net及最高验证准确率。

步骤3　模型评估：使用最优模型 best_net预测测试集，计算整体准确率：

$ \begin{array}{c}整体准确率=\displaystyle\frac{正确预测样本数}{测试集总样本数}。\end{array} $

(11)

模型在训练过程中的性能变化如图5所示，其中横轴为训练的次数，纵轴为模型的性能。训练过程中，模型的性能逐渐改善，从初始的约 0.1 降至接近目标值 0.01（黑色水平线所示）。最终，模型的性能为 0.0145337，接近但略高于预设的目标值 0.01，表明训练过程收敛良好并有效降低了误差。结果表明，RBF网络在小范围的扰动下诊断性能稳定，误差增幅可控，展现出较好的鲁棒能力。

混淆矩阵作为一种可视化工具，能够直观对比分类预测值与真实值。它以矩阵形式清晰展示分类结果的精度，将各类别的预测情况一目了然地呈现出来。在衡量混淆矩阵的众多指标中，准确率（Accuracy）至关重要，它反映的是分类模型中预测正确的结果在总观测值中所占的比例，是评估模型分类性能的关键依据 。图6为混淆矩阵，可以用于评估调距桨液压系统故障分类模型的性能，显示了模型在不同类别上的预测情况，并用颜色深浅表示数值大小，结果显示该模型准确率约为 96%。

为了验证本文所提出的基于RBF神经网络故障诊断方法在非线性故障特征识别中的优势，我们在相同数据预处理流程下，采用传统BP神经网络作为对比模型进行实验。实验数据均来源于通过AMESim仿真平台采集的5类典型故障状态下的9维特征参数，数据经过Z−score标准化处理，并按照6∶2∶2的比例划分为训练集、验证集和测试集。

在实验中，分别使用了RBF神经网络和BP神经网络对测试集进行诊断，并记录各自的诊断效率、准确率以及误报率。如表4所示，RBF神经网络在训练和推理过程中的整体时间比BP神经网络缩短约23%，证明其在处理非线性故障特征时收敛更快，误报率降至3.8%，明显低于传统BP神经网络，能够更准确地区分不同故障模式，在处理系统压力、流量及温度等多维非线性特征时也表现出较强的适应性和鲁棒性。综上所述，RBF网络在分类问题中往往能取得更高的效率和更优的泛化性能。

3 结　语

1）基于AMESim构建的液压系统仿真模型能够有效表征5类典型故障的动态特性，基于液压缸平衡公式计算的理论推力与仿真结果相比，误差仅为0.3%，充分验证了模型的高精度；此外，伺服活塞在扩展与回缩过程中的响应时间分别为11.7 s与10.9 s，均远低于国际标准规定的25 s响应要求；

2）采用网格搜索优化的RBF神经网络在故障分类任务中展现出显著优势，其径向基函数对非线性边界的拟合能力使分类准确率较传统BP网络提升8.7%，且模型收敛速度提高23%；

3）研究证实了“仿真驱动数据增强+智能算法特征挖掘”技术路径的可行性，且 RBF神经网络在小范围的扰动下诊断性能稳定，误差增幅可控，展现出较好的鲁棒能力。