CN120217119A 一种基于机器学习算法的船舶电气故障诊断方法及系统

(19)国家知识产权局(71)申请人南京大全电气研究院有限公司地址211100江苏省南京市经济技术开发区隐龙路28号(72)发明人洪祥张步林刘志华王学永羊文祥范凯梅曹露露(74)专利代理机构北京中知法苑知识产权代理有限公司11226专利代理师李明GO6N3/0464(2023.01)(54)发明名称一种基于机器学习算法的船舶电气故障诊断方法及系统本发明涉及船舶技术领域，公开一种基于机器学习算法的船舶电气故障诊断方法及系统，通过引入Teager能力算子对原始振动信号进行预处理，有效增强信号中的非线性瞬时特征，使后续特征提取阶段更为灵敏和准确。同时，利用小波包分解实现多层次、多尺度的频域划分，并针对性地筛选出关键特征频段，不仅减少冗余数据卷积神经网络对提取的特征向量进行训练与分类，结合反向传播算法实现网络权重的自动优21.一种基于机器学习算法的船舶电气故障诊断方法，其特征在于，包括：采集船舶上多种电气设备的振动信号并利用Teager能力算子进行增强处理，所述振动信号包括电气设备正常工作时的振动信号和发生多种故障时的振动信号；对增强后的振动信号进行小波包特征提取，获得所有振动信号的特征向量；基于所述特征向量训练卷积神经网络，得到故障预测模型；将目标振动信号采用Teager能力算子增强处理后，输入故障预测模型生成故障诊断结2.根据权利要求1所述的方法，其特征在于，所述采集船舶上多种电气设备的振动信号并利用Teager能力算子进行增强处理，包括：针对每种电气设备，均采集多个正常工作时的振动信号，以及，发生多种故障时的多个振动信号；对于任意一个振动信号，均采用Teager能力算子将所述振动信号x(t)表达为ψ[x(t)]:3.根据权利要求1或2所述的方法，其特征在于，在执行所述对增强后的振动信号进行小波包特征提取，获得所有振动信号的特征向量的步骤之前，所述方法还包括：对增强后的所有振动信号进行标准化处理。4.根据权利要求1所述的方法，其特征在于，所述对增强后的振动信号进行小波包特征针对每个振动信号，均采用以下方式获得特征向量：利用一组共轭的低通滤波器h(k)和高通滤波器g(k)将增强后的所述振动信号分解为L在第L层中预先筛选出m个特征频段；保留所述特征频段对应的小波包系数，并将其他频段对应的小波包系数设置为零，构成第L层新的小波包系数序列NWL;基于所述序列NWL进行小波包重构，获得完整的特征信号；分别计算所述特征信号每层中每个频段的平均能量并进行归一化处理，得到所述特征信号的特征向量。5.根据权利要求4所述的方法，其特征在于，所述保留所述特征频段对应的小波包系数，并将其他频段对应的小波包系数设置为零，构成第L层新的小波包系数序列NWL,包括：按照以下公式构建新的小波包系数序列NWL:NWL={NWh,n=0,1,…,2L-1}频段n的小波包系数序列，由以下公式得到：3第L层小波包系数序列中采样点的序号。6.根据权利要求5所述的方法，其特征在于，所述基于所述序列NWL进行小波包重构，采用以下公式对NWL进行小波包重构：系数序列采样点的序号。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述特征向量构建数据集，并将数据集划分为训练数据集和验证数据集。8.根据权利要求7所述的方法，其特征在于，所述卷积神经网络包括多个卷积层、池化层、全连接层，并通过交叉熵损失函数进行误差计算。9.根据权利要求8所述的方法，其特征在于，所述基于所述特征向量训练卷积神经网将训练数据集中所有特征向量输入卷积神经网络进行训练，并通过监督学习的方式利用反向传播算法自动更新网络各层的权重参数；对分类器进行多次迭代训练，并在每次训练后优化分类器性能并更新分类器参数，直至分类准确率满足预设条件后完成训练，获得故障预测模型。10.一种基于机器学习算法的船舶电气故障诊断系统，其特征在于，应用于根据权利要求1至9任一项所述的一种基于机器学习算法的船舶电气故障诊断方法。4技术领域[0001]本发明属于船舶技术领域，具体涉及一种基于机器学习算法的船舶电气故障诊断方法及系统。背景技术[0002]电气设备是船舶运行中的关键组成部分，涵盖了船舶航行、操控、通信以及船员基本生活保障等多个方面。无论是关系到船舶整体航行能力，还是涉及船员日常作业的便利性，电气设备均发挥着不可或缺的作用。因此，针对船舶电气设备故障进行及时、准确的分类与诊断，对于保障船舶安全运营、降低故障带来的经济损失具有重要意义。[0003]针对船舶设备故障诊断，已有诸多研究工作。部分学者提出了基于图卷积网络(GCN)的非均衡数据船舶柴油机故障诊断方法。该方法针对柴油机状态信息分布不均的问题，引入Kullback-Leibler(K-L)散度度量样本间相似性，利用图学习机制在多层图卷积网络中提取并聚合样本特征，以实现故障判别。另有研究提出了基于粗糙集和优化有向无环图支持向量机(DAG-SVM)的船舶主机故障诊断方法，通过差别矩阵对样本数据进行降维，结合粗糙集理论提升分类器性能，并以多分类精度及叶节点位置优化为目标，改善传统方法中误差积累问题。此外，还有学者针对传统BP神经网络(BackPropagationNeuralNetwork)存在的缺陷，提出了优化BP神经网络结合“小网络集群”思想的船舶动力系统故障诊断方法，旨在提升船舶电气故障识别与诊断的准确性与效率。[0004]尽管现有方法在一定程度上提升了船舶设备故障诊断的能力，但仍存在诸多问体诊断时间较长。这些问题在实际应用中，容易导致故障处理不及时，从而加大船舶运行风类与诊断方法，以更好地满足船舶安全运行的实际需求。发明内容[0005]本发明实施例中提供了一种基于机器学习算法的船舶电气故障诊断方法及系统，以解决现有技术中船舶电气故障诊断的准确率较低，故障分类精度不足，神经网络的学习效率不高，以及整体诊断时间较长的问题。[0006]为了解决上述技术问题，本发明实施例公开了如下技术方案：本发明的一个方面提供一种基于机器学习算法的船舶电气故障诊断方法，包括：采集船舶上多种电气设备的振动信号并利用Teager能力算子进行增强处理，所述振动信号包括电气设备正常工作时的振动信号和发生多种故障时的振动信号；对增强后的振动信号进行小波包特征提取，获得所有振动信号的特征向量；基于所述特征向量训练卷积神经网络，得到故障预测模型；将目标振动信号采用Teager能力算子增强处理后，输入故障预测模型生成故障诊断结果。5对于任意一个振动信号，均采用Teager能力算子将所述振动信号x(t)表达为利用一组共轭的低通滤波器h(k)和高通滤波器g(k)将增强后的所述振动信号分保留所述特征频段对应的小波包系数，并将其他频段对应的小波包系数设置为NWL={NWh,n=0,1,…,2L-1}6采用以下公式对NWL进行小波包重构：波包系数序列采样点的序号。基于所述特征向量构建数据集，并将数据集划分为训练数据集和验证数据集。所述卷积神经网络包括多个卷积层、池化层、全连接层，并通过交叉熵损失函数进行误差计算。将训练数据集中所有特征向量输入卷积神经网络进行训练，并通过监督学习的方式利用反向传播算法自动更新网络各层的权重参数；对分类器进行多次迭代训练，并在每次训练后优化分类器性能并更新分类器参数，直至分类准确率满足预设条件后完成训练，获得故障预测模型。[0021]本发明的另一个方面公开一种基于机器学习算法的船舶电气故障诊断系统，应用于前述方面公开的一种基于机器学习算法的船舶电气故障诊断方法。[0022]本发明实施例公开的一种基于机器学习算法的船舶电气故障诊断方法及系统，通过引入Teager能力算子对原始振动信号进行预处理，有效增强了信号中的非线性瞬时特征，使得后续特征提取阶段更为灵敏和准确。同时，利用小波包分解实现多层次、多尺度的频域划分，并针对性地筛选出关键特征频段，不仅减少了冗余数据干扰，也提高了特征的辨识度和稳定性。此外，引入卷积神经网络对提取的特征向量进行训练与分类，结合反向传播算法实现网络权重的自动优化，有效提升了模型对复杂电气故障的泛化能力与诊断精度。本发明公开的方法及系统具有故障识别准确率高、处理流程自动化程度高、适应环境复杂性强等优点，适用于船舶等关键设备的实时智能健康监测与维护预警。附图说明[0023]图1为本发明实施例提供的一种基于机器学习算法的船舶电气故障诊断方法的流程示意图；图2为本发明实施例提供的一种实现图1中步骤S200的流程示意图；图3为本发明实施例提供的一种卷积神经网络基本结构示意图；图4为本发明实施例提供的一种实现图1中步骤S300的流程示意图；图5为本发明实施例提供的一种原始信号波形图；图6为本发明实施例提供的一种放大后的信号波形图；图7为本发明实施例提供的一种故障诊断准确率结果图。7具体实施方式[0024]为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。[0025]图1为本发明实施例公开的一种基于机器学习算法的船舶电气故障诊断方法的流步骤S100:采集船舶上多种电气设备的振动信号并利用Teager能力算子进行增强处理。[0026]振动信号包括电气设备正常工作时的振动信号和发生多种故障时的振动信号。由于船舶运行过程中电气设备运行状态复杂、振动特征多变、信号噪声干扰显著,因此，在本发明公开的一个实施例中，步骤S100可采用以下方式实现：针对船舶上运行的多种类型电气设备(如发电机、电动机、配电柜、变压器等),部署多个高灵敏度振动传感器，在设备运行时连续采集其表面或关键部位的振动信号。[0027]采集过程中需覆盖以下两类状态：电气设备在正常工作状态下的振动信号；电气设备在发生不同类型故障(如电机绕组短路、轴承故障、转子不平衡等)时的振动信号。为保证数据覆盖面和代表性，应对每类设备的每种运行状态采集多个样本，形成完整的训练数据集。[0028]鉴于船舶运行环境中的高噪声背景会掩盖部分关键的振动特征，若直接使用原始信号进行特征提取和分类，将严重影响诊断准确率。因此，在本发明公开实施例中首先采用Teager能量算子对振动信号进行增强处理。[0029]对于任意一个振动信号，均将该振动信号x(t)表达为ψ[x(t)]:[0031]其中，w、α和4分别为振动信号的频率、幅值和相位，由设置的振动传感器获取；t为振动信号的时间变量。[0032]Teager能量算子利用非线性组合原始船舶电气设备振动信号和原始信号的一、二阶导数，可以完成对传感器采集到的船舶电气设备振动信号的放大，降低噪声的影响，便于更好的完成振动信号特征提取。[0033]在本发明公开的一个实施例中，在执行步骤S200之前，还需要对增强后的所有振动信号进行标准化处理。[0034]例如，将振动信号的幅值归一化至[-1,1]。[0035]步骤S200:对增强后的振动信号进行小波包特征提取，获得所有振动信号的特征向量。[0036]在本发明公开的一个实施例中，如图2所示，可采用以下子步骤实现步骤S200:针对每个振动信号，均采用以下方式获得特征向量：步骤S201:利用一组共轭的低通滤波器h(k)和高通滤波器g(k)将增强后的振动信号分解为L层。[0037]其中，L>0,对于一个长度为2N的船舶电气设备振动信号，分层应遵守L<N原则。[0038]选择一组共轭的低通滤波器h(k)和高通滤波器g(k)。二者之间满足如下关系：8g(k)=(-1)k-1h(1-k)。这种滤波器构造方式确保在小波包分解和重构过程中满足正交层的分解过程均包括对上一层中每个频段分别进行低通与高通滤[0042],每层的起始频率为,序n为当前计算的层数。[0045]步骤S203:保留特征频段对应的小波包系数，并将其他频段对应的小波包系数设NWL={NWh,n=0,1,…,2L-1}[0050]构建后的NWL仅包含选定频段的有效信息，从而提升特征表达的稀疏性与针对9信号，重构过程自第L层向第0层逐层上行进行。[0054]步骤S205:分别计算特征信号每层中每个频段的平均能量并进行归一化处理，得步骤S301:将训练数据集中所有特征向量输入卷积神经网络进行训练，并通过监[0066]步骤S302:对分类器进行多次迭代训练，并在每次训练后优化分类器性能并更新7/8页7/8页[0067]对上述分类器模型进行多轮迭代训练，以不断提升其分类准确率。在每轮训练开始时，将训练数据按批次输入网络进行前向传播和反向传播，并更新参数。训练过程中，在每轮结束后使用验证集评估模型性能，计算分类准确率、精确率、召回率及F1分数等指标，以监控训练效果。若在多轮训练后模型在验证集上的准确率持续提升，则继续训练；若准确率趋于稳定或达到预设的准确率阈值(例如95%),则终止训练过程，并保存当前网络参数。[0068]为了防止过拟合，可引入如Dropout层的正则化手段，并结合早停策略，在验证集精度无明显提升的连续若干轮次后停止训练。此外，还可以根据训练过程中的损失变化动态调整学习率，或引入学习率衰减机制以提升训练稳定性。最终，当分类准确率达到预设要求后，即完成模型训练，获得用于船舶电气设备故障自动识别与分类的预测模型。[0069]步骤S400:将目标振动信号采用Teager能力算子增强处理后，输入故障预测模型生成故障诊断结果。[0070]为验证本发明方法对采集到的船舶电气设备振动信号放大效果，采集船舶中最重要的电气设备——电机的振动信号进行放大实验，原始的振动信号波形如图5所示，经过本发明实施例中方法放大后的振动信号波形如图6所示。可见，采用本发明实施例方法能够准确地将振动信号放大，同时，放大后的振动信号并没有出现损失，可有效避免微弱振动信号特征难以提取问题，为后续的特征提取创造良好的条件。[0071]经过特征提取后，将特征输入卷积神经网络进行训练与测试，统计故障诊断准确率结果如图7所示。将船舶电气设备振动特征输入进卷积神经网络中，经过50次左右的迭代后对故障的诊断正确率便达到了90%,再之后的网络训练进一步增加诊断正确率，在经过200次训练后诊断正确率接近100%。[0072]确定了网络能够进行故障诊断后，进行船舶的电气设备诊断试验，对船舶中电气设备进行故障分类与诊断测试，船舶电气故障检测结果如下表所示：设备名称检测时间是否存在故障故障类型海水冷却泵否/淡水泵是滚道剥脱绞缆机否/消防泵否/是铆固连接接不良主发动机否/是轴心不对称燃油泵否/否/[0073]可见，采用本发明方法能够准确地诊断出在船舶中的各种电气设备是否存在故障，并分类出该电气设备存在何种故障，为船舶中的维护人员提供了详细的信息，可以使维护人员更加快速地进行电气设备的维护及修理。[0074]通过实验可以看出，本发明实施例中公开的方法对于船舶的电气设备的信号采集、处理、分类与诊断流程衔接紧密，处理结果准确，各个步骤中均达到了最佳结果并为下11一步提供了良好的条件，为最终达到分类与诊断船舶中的电气设备故障打好了坚实的基础。最终的检验结果可以看出，采用卷积神经网络对船舶的电气设备进行检测能够快速准确地得到设备状态，若存在问题也可以得出是由何种