船舶电气设备是船舶的重要组成部分,涵盖了船上提供电能的产生、传输、转换、分配和使用的所有电气设备。包括发电设备、驱动设备、电气控制设备、辅助设备、照明设备等,随着船舶电气系统的复杂性和集成度不断提高,电气设备的运行状态也受到一定影响[1],因此,对电气设备状态的准确识别与监测变得尤为重要。传统的状态识别方法往往存在局限性,无法全面反映设备的实际运行状态[2],导致故障诊断和预测维护的精度和效率受到制约。蒋佳炜等[3]为掌握船舶设备的实时运行状态,以船舶运行数据为基础,基于相对混乱度进行特征提取,通过支持向量机对该特征进行处理后获取设备的状态监测结果;但是相对混乱度依赖于特定的设备或系统,对于不同类型的设备或系统,其适用性可能有所不同。此外,它可能还受到操作条件、环境因素等多种因素的影响,其在设备状态监测中的应用存在局限性,无法全面掌握船舶所有设备的状态情况。Nguyen等[4]依据设备的物理信息为基础,通过双盲故障诊断方法完成故障类型未知、位置未知时的设备故障诊断;该方法诊断人员不会事先被告知可能存在的故障类型或范围,如果诊断人员经验不足,则该方法的应用效果会降低。李岩等[5]为实现电气设备运行故障的可靠识别,其性能在一定程度上取决于参数的选择和调整,然而,目前对于如何选择合适的参数并没有明确的指导原则,一旦参数选择不当可能导致算法性能下降,甚至产生误导性的诊断结果。
多源信息融合技术通过综合利用来自不同传感器、监测系统和数据源的信息,能够实现对设备状态的全面、准确评估[6],为此提出了多源信息融合的船舶电气设备状态识别方法,并分析其性能。
1 船舶电气设备状态识别船舶电气设备历史运行数据包含传感器采集数据、监控系统采集数据、远程单元监测数据以及人工记录数据等,采集方式存在明显差异,因此,数据的格式、类型等均不相同。为充分利用这些数据,实现船舶电气设备状态识别,提出基于多源信息融合的船舶电气设备状态识别方法,利用时间序列模型和联合卡尔曼滤波算法实现多源数据的异常检测和融合,充分获取多源数据中的有效数据,依据融合后的数据进行谱聚类和深度神经网络训练,构建谱聚类和深度神经网络模型;依据电气设备的实时运行数据进行设备运行状态的识别,输出识别结果。
1.1 基于时间序列模型的多源数据异常值修正船舶电气设备多源历史数据在获取过程中,测量设备本身可能存在一定的误差或偏差,这些误差会在数据集中表现为异常值。同时,数据采集过程中的干扰因素,如电气噪声、电磁干扰等,也可能导致数据出现异常波动;除此之外,船舶电气设备在启动、停止或转换运行模式时,其运行参数可能会暂时偏离正常范围,从而产生异常值。因此,在多源历史数据集成过程中,不同数据源之间的测量标准、采样频率或数据格式可能存在差异,均会导致数据集中出现异常值,这些差异需要在数据预处理阶段进行统一和校正,以此保证船舶电气设备运行状态的识别效果。采用时间序列模型修正历史数据中的异常值,在
$ {Z_t} = {X_t} + {\omega _e}{I_t}。$ | (1) |
式中:Xt为没有被检测到的异常数据时间序列;ωe为时间序列影响系数;It为判断指标函数。
模型的拟合误差为εt,残差影响算子为ηj,则获取在连续异常和独立异常2种情况下,时间序列影响因子ωe的计算结果;εt的方差和其第
$ {\mu _a}^2 = \sum\limits_{j = 1}^n {\frac{{{\varepsilon _j}^2}}{n}},$ | (2) |
$ Z_t^d = {\omega _e}\sqrt {\sum\limits_{j = 1}^n {\frac{{{\eta _j}^2}}{{{\mu _a}}}} } ,$ | (3) |
$ Z_t^l = \frac{{{\eta _j}}}{{{\mu _a}}}。$ | (4) |
式中,
确定异常数据后,用异常值附近的平均值来替换,以此有效完成数据异常值的修正,输出修正后的船舶电气设备历史运行数据。
1.2 基于联合卡尔曼滤波的多源数据融合依据船舶电气设备历史运行数据异常值修正后,对修正后的数据进行融合,本文采用联合卡尔曼滤波算法完成。联合卡尔曼滤算法通过引入协方差矩阵,可以量化不确定性并对其进行传播和更新,得到更可靠的数据融合结果,为船舶电气设备状态识别提供更可靠的数据支撑。如果联合卡尔曼滤波算法的离散模型公式为:
$ \left\{ \begin{gathered} {X_{t + 1}} = A{x_t} + B{\omega _t},\\ Z_t^i = {H^i}{x_t} + v_k^i。\\ \end{gathered} \right. $ | (5) |
式中:
如果
$ \left\{ \begin{gathered} {{\bar x}_{t + 1\left| k \right.}} = A{x_{t\left| k \right.}},\\ {p_{t + 1\left| k \right.}} = A{p_{t\left| k \right.}}{A^{\mathrm{T}}} + Q 。\\ \end{gathered} \right. $ | (6) |
式中:
计算数据的先验信息,其计算公式为:
$ q_{t + 1\left| k \right.}^i = \psi _{t + 1\left| k \right.}^iA{\left( {\psi _t^i} \right)^{ - 1}}q_{t\left| k \right.}^i 。$ | (7) |
式中,
在融合过程中,每个数据均可将自身的pt+1|k结果发送至相邻数据点的协方差矩阵中,以此完成数据融合。
1.3 基于谱聚类和深度神经网络模型的电气设备状态识别依据融合后的数据进行谱聚类和深度神经网络训练,构建状态电气设备识别网络模型,该模型集合融合后的数据以及电气设备的实时运行数据完成船舶电气设备状态识别。电气设备的运行数据具备倍增特点,为保证数据的处理效果,增加网络的隐含层数量,此时会导致网络的实时性降低。为解决该问题,模型中引入残差模块,使模型满足非线性状态变化需求,通过非线性函数进行输入数据的拟合,并保证网络的实时性。为保证模型的状态识别精度,选择均方根误差作为损失函数,以此实现模型训练参数调整,并且量化预测结果与实际结果之间的差距,提升模型的识别精度,则最小均方根误差对应的电气设备状态变量可输出船舶电气设备状态识别结果。
2 测试结果与分析以某公司的民用船舶作为测试对象,该船舶主要用于货物运输,该船舶长度为30.5 m,重量为554.5 t。该船舶上的电气设备系统复杂程度较高,运行过程中时常发生部分设备故障,影响船舶的正常航行。在该船舶的管控中心部署文中方法,依据该管控中心原有部署的传感器以及监测系统为基础,获取各类别电气设备的运行数据,依据该数据进行文中方法应用效果的分析。搭建的现场实验环境结构如图1所示。
![]() |
图 1 现场实验环境结构 Fig. 1 Structure of on-site experimental environment |
为测试所提方法在船舶电气设备历史运行数据异常修正中的应用效果,随机抽取电气运行的200个时间序列数据,通过该方法进行异常检测和修正,获取其检测以及修正结果,如图2所示。可知,通过所提方法进行历史数据中的异常数据检测后,能够确定数据中的连续异常数据和独立异常数据,并且可完成所有异常数据的修正,保证数据的完整性,为电气设备状态识别提供可靠依据。
![]() |
图 2 异常数据检测和修正结果 Fig. 2 Abnormal data detection and correction results |
所提方法在进行电气设备状态识别前,需对修正后的多源数据进行融合,为验证多源数据融合效果,采用离散度和离散度之和的倒数作为评价指标,其测试结果如表1所示。可知,通过所提方法进行多源数据融合后,离散度之和的倒数的值均在5.56以上,离散度均在0.016以下。因此,该方法能够较好地完成多源数据融合,并且保证融合后数据的有效性。
![]() |
表 1 多源数据融合结果 Tab.1 Results of multi-source data fusion |
为验证所提方法对于电气设备运行状态的识别结果,随机选择一段发电机的运行数据通过所提方法进行该设备的运行状态识别,获取不同状态的识别结果,这里仅呈现异常状态以及紧急状态结果,如图3所示。可知,依据设备的运行数据,所提方法能够可靠完成发电机设备的运行状态识别,并且输出不同状态的识别结果。因此所提方法能够精准掌握船舶电气设备的运行状态。
![]() |
图 3 发电机系统运行状态识别结果 Fig. 3 Identification results of generator system operation status |
以最小均方根误差作为判断标准,分析所提方法在发生瞬时性、小幅度以及大幅度3种扰动下,所提方法的识别结果,如表2所示。可知,在不同数据维度下,数据受到不同扰动后,所提方法均能够较好完成电气设备状态识别,最小均方根误差值均在0.0044以下,识别效果良好。
![]() |
表 2 最小均方根误差测试结果 Tab.2 Minimum root mean square error test results |
船舶电气设备的复杂性和集成度较高,因此在运行过程中设备的运行状态会发生不同程度的变化和干扰,诱发设备故障,为可靠掌握电气设备的运行状态,及时进行预防性管理以及针对性处理,故提出基于多源信息融合的船舶电气设备状态识别方法。对该方法的应用结果进行相关测试后得出:其应用性能较好,保证多源数据的融合效果,确保融合后数据的可用性;并且精准完成电气设备运行状态识别。
[1] |
彭建华, 王岳, 吕峰, 等. 基于SLP和遗传算法的船舶管加工车间设备布局设计[J]. 船舶工程, 2022, 44(10): 15-21+106. PENG Jian−hua, WANG Yue, LV Feng, et al. Equipment layout design of ship processing workshop based on SLP and genetic algorithm[J]. Ship Engineering, 2022, 44(10): 15-21+106. |
[2] |
田凯, 李风生, 楚子林, 等. IGCT三电平变流器故障识别及状态监测方法[J]. 电气传动, 2023, 53(4): 45-50. TIAN Kai, LI Feng−sheng, CHU Zi−lin, et al. A method of IGCT three-level converter fault identification and condition Monitoring[J]. Electric Drive, 2023, 53(4): 45-50. |
[3] |
蒋佳炜, 胡以怀, 丁梦豪, 等. 基于相对混乱度特征选择的船舶风机智能状态监测与故障诊断[J]. 上海海事大学学报, 2023, 44(1): 88-94. JIANG Jia−wei, HU Yi−huai, DING Meng−hao, et al. Intelligent condition monitoring and fault diagnosis of marine fans based on feature selection of relative chaos[J]. Journal of Shanghai Maritime University, 2023, 44(1): 88-94. |
[4] |
NGUYEN, TAT N, PONCIROLI, et al. A digital twin approach to system-level fault detection and diagnosis for improved equipment health monitoring[J]. Annals of nuclear energy, 2022, 170(7): 1-14. |
[5] |
李岩, 刘玉娇, 李国亮, 等. 基于改进BEMD与Res-LSTM电气设备故障辨识方法[J]. 高压电器, 2022, 58(11): 82-87+105. LI Yan, LIU Yu−jiao, LI Guo−liang, et al. Fault identification method of electrical equipment based on improved BEMD and Res-LSTM[J]. High Voltage Apparatus, 2022, 58(11): 82-87+105. |
[6] |
钱进, 童志钢, 余鹰, 等. 基于广义自适应多粒度的多源信息融合研究[J]. 智能系统学报, 2023, 18(1): 173-185. QIAN Jin, TONG Zhi−gang, YU Ying, et al. Multi-source information fusion through generalized adaptive multi-granulation[J]. CAAI Transactions on Intelligent Systems, 2023, 18(1): 173-185. |