0 引　言

近年来因海上交通需求量变多，舰船系统应用的设备类型也逐渐多样化，在复杂海上环境中运行时，设备控制难度提升，故障率也逐渐增大^[1]。如果舰船电气设备出现故障，舰船稳定性便会受到影响，此时就算工作人员经验丰富，也不能在短时间内高精度定位故障出现位置，舰船的安全风险便不能很快排除。目前针对舰船系统状态方面的研究较多，邹永久等^[2]使用AEC模型评估舰船燃油供给系统运行的健康情况，评估结果准确，但不能实现故障具体位置所设定。仲国强等^[3]使用深度信念网络诊断舰船系统的异常状态，诊断结果有效，但也不能锁定故障的具体位置。

结合已有研究基础，本文提出基于模糊层次分析的舰船故障数据定位挖掘算法。该算法不仅可以通过模糊层次分析法识别舰船故障状态，还可以有效定位故障数据所在位置，实现舰船故障数据定位挖掘。

1 舰船故障数据定位挖掘算法 1.1 基于模糊层次分析的舰船系统状态量化方法

在模糊数学中设计隶属度，构建舰船系统工作状态评价的模糊概念定量化特征，并使用层次分析方法设置模糊权重，建立模糊评价矩阵，实现舰船系统运行状态的定量评估，从而诊断舰船系统的故障状态^[4]。

在常规状态评价工作中，大部分都是使用专家评估技术、层次分析技术设置权重，后者技术是基于专家知识与主观经验的条件下，通过严谨的数学方法去除主观信息，结合判断矩阵的满意一致性分析权重是否合理，实现权重定量设置，可保证舰船系统状态量化结果的科学性与精准性。权值设置步骤是：

1)分析舰船系统运行状态量化因素的重要性

设置舰船系统运行状态量化因素 $ a $ 与因素 $ b $ 的重要性标度是g(a,b)，标度判断标准如表1所示。

2)设计判断矩阵。假如所有舰船系统运行状态量化因素的集合是 $ Y = \left\{ {{y_1},{y_2},\cdots,{y_m}} \right\} $ ，结合表1标准，将全部因素执行两两对比，设计舰船系统运行状态的判断矩阵 $ D $ ；

3)运算权重 $ {\beta _i} $ ，使用判断矩阵 $ D $ ，运算其特征根最大值 $ {\delta _{\max }} $ ，然后运算 $ D $ 针对 $ {\delta _{\max }} $ 的特征向量 $ \varepsilon = ( {a_1}, {a_2},\cdots,{a_m} ) $ ，并将其执行归一化处理，所获取 $ {a_j} $ 就是每个舰船系统运行状态量化因素的权值。

使用上述方法便可完成舰船系统运行状态定量化分析，结合权值将每个因素执行大小排列后，执行一致性检验：

$ {D_R} = {D_l}/{S_I}。$

(1)

式中：D_R是D的一致性比率；D_l，S_I依次是 $D$ 的常规一致性指标、平均随机一致性指标。

在定量分析舰船系统运行状态时，舰船系统和体现系统运行状态的因素并不一致，设计舰船系统模糊评价模型，确定模糊权值向量 ${\boldsymbol{B}} = ( {b_1}, {b_2},\cdots ,{b_n} )$ 、模糊评价矩阵 $ S $ 、自 $ V $ (舰船系统运行状态评价所用因素集合)至 $ U $ (舰船系统运行状态标志因素集合)的模糊转换算子 $ g $ ，则

$ {A} = g\left( BS \right) $

(2)

式中：A是舰船系统运行状态模糊评价决策集中的子集，代表舰船系统运行状态诊断结果。

1.2 基于主元分析方法的故障数据降维方法

舰船系统故障数据可来源于多个设备，不具有固定性，所以故障数据维度也不一致^[5-7]。如果直接使用故障数据特征进行定位挖掘，需要逐一分析，此过程将耗费大量分析时间^[8]。主元分析可以特征提取的方式，将多个故障数据变换成少量核心主元，核心主元能够体现原始舰船故障数据属性^[9-10]，本文使用主元分析方法将舰船故障数据执行降维处理。假定识别的舰船系统故障所衍生的故障数据集合为 $ Y = \{ {y_j}\left| j \right. = 1, 2,\cdots, m \} $ ， $ Y $ 的协方差矩阵为：

$ F = \sum\limits_{j = 1}^m {y_j^{\rm{T}}{y_j}}。$

(3)

式中：y_j是第 $ j $ 种舰船系统故障设备的运行数据； $ T $ 代表转置。

假定 $ F $ 的正投影方向是 $ W $ ，则 $ Y $ 的特征方程为：

$ \eta W = FW ，$

(4)

式中， $ \eta $ 是特征根。

使用式(5)，将样本 $ {y_j} $ 在向量空间 $ W $ 中的投影结果设成：

$ {Y_p} = {y_j}\eta W 。$

(5)

式中：Y_p就是使用主元分析法将 $ Y $ 处理后获取的主元分析结果，即为降维后的舰船系统故障数据。

1.3 基于深度学习的舰船故障数据定位挖掘模型

考虑到降维后舰船系统故障数据规模大，不能使用逐一处理的方法定位故障数据所在位置。所以，使用深度学习方法构建舰船系统故障特征与故障种类之间的非线性映射关系：

$ \left\{ {\begin{array}{*{20}{l}} {{X_j} = g\left( {{Y_j}} \right)}，\\ {{Y_j} = \left[ {{y_1},{y_2},\cdots,{y_n}} \right]} ，\\ {{X_j} = \left[ {{x_1},{x_2},\cdots,{x_m}} \right]} 。\end{array}} \right. $

(6)

式中：Y_j， $ n $ 依次为舰船系统故障数据集合、数据维度；X_j， $ m $ 依次为故障种类标签、舰船系统故障标签数量。

因为舰船系统故障后，舰船系统故障数据特征信息规模较大^[11]，且还具备序列特征，故障特征和故障种类之间的关联性具有非线性特征^[12]，所以，使用深度学习网络设计舰船故障数据定位挖掘模型，深度学习网络结构见图1。

图1中， $ t $ 时刻的隐藏状态k_t和此时间段的输入Y_t与前一时间段的隐藏状态k_t-1之间存在下式关系：

$ {k_t} = \vartheta \left( {{Y_t} + {k_{t - 1}} + c} \right) 。$

(7)

式中： $ \vartheta $ ， $ c $ 依次是激活函数，网络参数。

$ t $ 时间段中隐藏层的输出 $ {\sigma _t} $ 和最后预测输出X_t为：

$ {\sigma _t} = {k_t} + b ，$

(8)

$ {X_t} = \vartheta {\sigma _t} ，$

(9)

将 $ t $ 时间段第 $ j \in M $ 个故障数据样本的目标输出x_t，预测输出X_t之间差值设成损失函数 $ {\xi _t} $ ，实现模型的量化处理。则

$ {\xi _t} = \sum\limits_{j = 1}^M {{{\left( {X_t^j - x_t^j} \right)}^2}} 。$

(10)

综上所述，基于深度学习的舰船故障数据定位挖掘模型的操作步骤为：

1)将降维后的舰船系统故障数据集合Y_j输入深度学习网络；

2)深度学习网络将降维后的舰船系统故障数据集的故障种类编码后，训练基于深度学习的舰船故障数据定位挖掘模型，训练精度符合需求后，进入舰船系统故障数据定位挖掘的测试阶段，识别故障数据类型，便可定位故障数据来源，以此得到舰船故障数据定位挖掘结果

2 实验结果与分析

在Matlab平台中对本文算法进行性能测试。首先测试本文算法对舰船电力系统(见图2)故障状态的识别结果，结果如表2所示。从表2可知，本文算法对舰船系统故障状态识别结果准确。

识别故障状态后，提取故障数据将其执行降维处理，降维前后数据维度变化如图3和图4所示。对比图3和图4可知，降维前舰船故障数据维度存在差异，对其逐一定位挖掘将耗费大量时间，降维后舰船故障数据维度一致，均处于维度3之内，在此维度中完成故障数据定位挖掘时，可降低数据定位挖掘难度。

测试本文算法对舰船故障数据定位挖掘效果，在节点4、节点9位置分别预设为间歇性接地故障、金属性接地故障，本文算法对此舰船电站故障数据定位挖掘结果如图5所示。可知，本文算法对舰船故障数据定位结果准确，具有可用价值。

3 结　语

舰船系统存在综合应用性特征，其架构所含设备众多，如机电设备、发动机设备等，若舰船系统出现故障，故障数据的定位挖掘难度较大，使用人工检查的模式将耗费较多时间，且存在滞后性。本文算法对舰船故障数据定位挖掘后，被验证具备可用性，其对舰船故障数据定位挖掘结果符合实际。