1.本发明涉及舰船维保技术，尤其涉及一种舰船装备状态监测和故障诊断方法。
背景技术：
2.舰船装备修理目前主要以定期计划修理和事后修理为主，缺少状态评估与寿命预测的方法，装备“过修”和“失修”的现象并存，装备保障资源配置粗放，同时装备存在突发故障风险，无法满足装备战备完好性需要。目前舰船装备主要通过包括神经网络、模糊理论、专家系统等进行故障预测研究，因此有必要结合舰船装备特点，构建故障预测模型，支撑装备使用和维修决策。
技术实现要素：
3.本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种舰船装备状态监测和故障诊断方法。
4.本发明解决其技术问题所采用的技术方案是：一种舰船装备状态监测和故障诊断方法，包括以下步骤：
5.1)装备故障特征信号提取
6.根据装备主要故障模式，分析装备故障机理，采集装备故障关联的特征信号数据；并将特征信号数据分为以下类型：波形数据、数值型数据和多维型数据；
7.波形数据；在某个采集时刻，所采集的监测变量是一系列时间序列数据，这些时间序列数据被称为时域波形；
8.数值型数据；在某个数据采样时刻，所采样的监测变量是单数值型数据；
9.多维型数据；在某个采集时刻，所采集的监测变量是多维的；
10.2)特征信号预处理
11.根据特征信号数据类型和信号的统计特征进行特征信号预处理；特征向量预处理包括以下方式的一种或多种：傅立叶变换与快速傅立叶变换、包络解调分析去噪、小波变换、经验模态分解、局部均值分解、独立分量分析；
12.3)特征向量与损伤累积相关性分析
13.根据特征信号预处理的结果，针对不同的损伤累积对特征信号进行特征选择和相关性分析，先对选取的特征向量进行特征表征，然后进行相关性分析选取相关特征向量集合；
14.进行相关性分析选取特征向量主要包括子集搜索、子集评价以及相关性分析三部分；
15.3.1)子集搜索；给定完整的特征向量集合{a1，a2，
…
，ad}，使用“前向”搜索、“后向”搜索或“双向”搜索获得最优的候选特征子集；
16.3.2)子集评价；对于特征向量子集给定数据集d，假定d中第i类样本所占的比例为pi(i＝1，2，
…
n)，n为样本类别数，对属性子集a，假定根据其取值将d分成了v个子集{d1，
d2，
…
，dv}，每个子集中的样本在a上取值相同，于是计算属性子集a的信息增益：
[0017][0018]
其中，信息熵定义为：
[0019][0020]
信息增益gain(a)越大，意味着特征向量子集a包含的有助于分类的信息越多；于是，对每个候选特征向量子集，基于训练数据集d来计算其信息增益，以此作为评价准则；
[0021]
3.3)特征相关性分析；特征向量相关性分析主要采用主成分分析法，通过降维处理寻找到能够代表原始数据集中信息特征的低维度的特征向量集合；
[0022]
4)故障预测模型构建；
[0023]
应用深度前馈神经网络和卷积神经网络，分别训练装备故障预测算法参数，形成装备故障预测模型；
[0024]
当对模型进行训练时，采用k折交叉验证法，把数据集d划分为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致；然后每次用k-1个子集的并集作为训练集，余下的子集作为测试集，从而可进行k次训练和测试，最终返回k个测试结果的均值；
[0025]
5)采用统计假设检验方法，验证故障预测模型在给定置信度下的准确率，开展模型验证和优选，遴选具备泛化性能的故障预测模型进行舰船装备状态监测和故障诊断。
[0026]
本发明产生的有益效果是：
[0027]
本发明针对舰船装备故障机理不明确、系统运行关联耦合、环境应力复杂等特点，结合装备运行特征向量，提出了一种故障预测模型构建方法，可用于评估舰船装备状态和预测舰船装备寿命，以及支撑装备的使用维修决策。
附图说明
[0028]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0029]
图1是本发明实施例的方法流程图；
[0030]
图2是本发明实施例的温差电偶传感器信号时域图；
[0031]
图3是本发明实施例的温差电偶传感器信号fft后频域图；
[0032]
图4是本发明实施例的温差电偶信号能量趋势图；
[0033]
图5是本发明实施例的神经网络拟合温差电偶信号验证示意图。
具体实施方式
[0034]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0035]
如图1所示，一种舰船装备状态监测和故障诊断方法，包括以下步骤：
[0036]
1)装备故障特征信号提取
[0037]
根据装备主要故障模式，分析装备故障机理，采集装备故障关联的特征信号数据；并将特征信号数据分为以下类型：波形数据、数值型数据和多维型数据；
[0038]
波形数据；在某个采集时刻，所采集的监测变量是一系列时间序列数据，这些时间序列数据被称为时域波形；如轴承振动、压力脉动、发电机振动信号等；
[0039]
数值型数据；在某个数据采样时刻，所采样的监测变量是单数值型数据；如温度、流量、水头等；
[0040]
多维型数据；在某个采集时刻，所采集的监测变量是多维的；如轴承轨迹、轴承位置图等多维数据组成的图谱；
[0041]
2)特征信号预处理
[0042]
根据特征信号数据类型和信号的统计特征进行特征信号预处理；特征向量预处理包括以下方式的一种或多种：傅立叶变换与快速傅立叶变换、包络解调分析去噪、小波变换、经验模态分解、局部均值分解、独立分量分析；
[0043]
傅立叶变换与快速傅立叶变换；傅立叶变换以及快速傅立叶变换主要用于分析信号成分，适合于周期性平稳信号的特征提取，如振动信号等。但是对于故障特征分量与强背景噪声、大干扰信号相互混叠，呈现出低信噪比性的信号，有一定的局限性。
[0044]
包络解调分析去噪；包络解调分析去噪可以用于信噪比不高以及存在噪声的信号，如冲击信号与振动信号等。其信号处理程度较低而在信号预处理方面采用较多,起到去除原始信号中部分的噪声,提高信噪比,得到较为光滑与平缓的信号。
[0045]
小波变换；小波变换是一种非平稳信号处理方法，小波基函数与信号中的非平稳分量的相似性是决定小波变换的关键，采用小波变换需要选择合适的小波基函数。可以采用二代小波基函数的时域构造法，即提升法，提高小波基函数的自由度和时效性；采用双树复小波变换和多小波变换，克服单小波的缺陷，提高信号分析时频和频域的局部化特征和平移敏感度，降低频率泄露，能够有效地提取出混合激励信号中的多重分量成分。
[0046]
经验模态分解；经验模态分解可以根据信号自身的时域特点，自适应地将信号分解成为一系列本征模态函数，且分解获得的本征模态函数之间几乎完全正交。经验模态分解适用于复杂的非平稳的信号，每一个本征模态函数代表信号的自然震荡模式的基础函数，用于描述信号局部分量的能量-频域-时域分布特征。经验模态分解在处理非平稳、非线性信号方面有着明显的优势，对于机械故障类特征向量较为适用。
[0047]
局部均值分解；局部均值分解采用滑动平均法将多成分非线性非平稳信号分解成为一系列乘积函数。局部均值分解适用于非线性非平稳的信号，局部均值分解比经验模态分解更能准确获得瞬时频率和更具有物理意义分量成分。
[0048]
独立分量分析；独立分量分析是基于高阶统计分析的多变量独立统计分析方法，可将多通道振动信号分解成为一系列统计独立分量。它在一定程度上对干扰信号和环境噪声具有强免疫力，在旋转机械微弱故障或早期潜故障信号特征提取方面性能优越。
[0049]
3)特征向量与损伤累积相关性分析
[0050]
根据特征信号预处理的结果，针对不同的损伤累积对特征信号进行特征选择和相关性分析，先对选取的特征向量进行特征表征，然后进行相关性分析选取相关特征向量集合；
[0051]
进行相关性分析选取特征向量主要包括子集搜索、子集评价以及相关性分析三部分；
[0052]
3.1)子集搜索。给定特征集合{a1，a2，
…
，ad}，可将每个特征看作一个候选子集，对
这d个候选单特征子集进行评价，假定{a2}最优，于是将{a2}作为第一轮的选定集；然后，在上一轮的选定集中加入一个特征，构成包含两个特征的候选子集，假定在这d-1个候选两特征子集中{a2，a4}最优，且优于{a2}，于是将{a2，a4}作为本轮的选定集，假定在第k+1轮时，最优的候选(k+1)特征子集不如上一轮的选定集，则停止生成候选子集，并将上一轮选定的k特征集合作为特征选择结果。这样逐渐增加相关特征的策略称为“前向”搜索。类似的，若我们从完整的特征集合开始，每次尝试去掉一个无关特征，这样逐渐减少特征的策略称为“后向”搜索。还可将前向与后向搜索结合起来，每一轮逐渐增加选定相关特征(这些特征在后续轮中将确定不会被去除)、同时减少无关特征，这样的策略称为“双向”搜索。
[0053]
3.2)子集评价；对于特征信号子集给定数据集d，假定d中第i类样本所占的比例为pi(i＝1，2，
…
n)，n为样本类别数，对属性子集a，假定根据其取值将d分成了v个子集{d1，d2，
…
，dv}，每个子集中的样本在a上取值相同，于是计算属性子集a的信息增益：
[0054][0055]
其中，信息熵定义为：
[0056][0057]
信息增益gain(a)越大，意味着特征信号子集a包含的有助于分类的信息越多；于是，对每个候选特征信号子集，基于训练数据集d来计算其信息增益，以此作为评价准则；
[0058]
3.3)特征相关性分析；特征相关性分析主要采用主成分分析法，通过降维处理寻找到能够代表原始数据集中信息特征的低维度的集合；主成分首先照顾方差最大的指标，以此作为第一主成分，以变换后方差的大小决定后续主成分。
[0059]
4)故障预测模型构建；
[0060]
应用深度前馈神经网络和卷积神经网络，分别训练装备故障预测算法参数，形成装备故障预测模型；
[0061]
当对模型进行训练时，采用k折交叉验证法，把数据集d划分为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致；然后每次用k-1个子集的并集作为训练集，余下的子集作为测试集，从而可进行k次训练和测试，最终返回k个测试结果的均值；
[0062]
4.1)深度前馈神经网络。
[0063]
深度前馈神经网络具有多隐层结构，优化算法采用bp算法。深度前馈神经网络应用于舰船装备渐变型故障预测时，需要根据不同故障模式设置不同输入向量。活函数采用sigmoid函数，整个bp神经网络模型形式为：
[0064]
f(x；ω，θ)＝sigmoid(sigmoid(xω
1-θ1)ω
2-θ2)
[0065]
深度前馈神经网络回归的算法流程如下：
[0066]
输入：训练集d＝{xb，yb}，t＝{(xm，ym)}，学习率η。
[0067]
实现过程为：
[0068]
1、根据训练集d对参数ω，θ进行初始化设置
[0069]
2、根据当前参数和神经网络模型式计算输出向量
[0070]
3、根据算法描述计算δω和δθ的值；
[0071]
4、根据以上计算更新连接权数ω和阈值θ；
[0072]
5、检查是否达到停止条件，若没有，返回第/2步；否则，算法结束。
[0073]
4.2)卷积神经网络
[0074]
卷积神经网络是一种专门用来处理具有类似网格结构的数据的神经网络，网格状结构数据可以认为是在时间轴上有规律采样形成的数据，这适用于舰船电子装备故障监测数据。
[0075]
选取装备监测时序数据，即可以序列化网格化的数据，对其进行卷积神经网络的训练，目的是基于某种预先确定的渐变型指标值，使用卷积神经网络算法对压缩处理和相关性分析后的特征向量进行拟合。卷积神经网络的优化流程和算法与深度前馈网络相似，运行结构是前馈方式，优化流程使用反向传播算法，目标函数优化方法是梯度下降算法。
[0076]
5)采用统计假设检验方法，验证故障预测模型在给定置信度下的准确率，开展模型验证和优选，遴选具备泛化性能的故障预测模型进行舰船装备状态监测和故障诊断。
[0077]
假设检验算法流程步骤如下:
[0078]
1、给定置信水平α，建立原假设h0和备择假设h1；
[0079]
2、通过样本构造检验统计量z，z的选取要使得在原假设h0成立时，其分布为已知；
[0080]
3、根据构造出的检验统计量的抽样概率分布和置信水平α，得出检验的拒绝域；统计量z的取值如果落在拒绝域内，则拒绝原假设h0，接受备择假设h1，否则接受原假设h0。
[0081]
采取实船数据或者试验数据，对构建的故障预测模型进行验证。重点需要采集装备从完好、故障、报废全寿期阶段的数据，以便开展故障预测模型构建和验证。
[0082]
本次以舰船上轴承试验为例，通过对连动杆上的4个轴承布控的8个传感器，采集失效前及失效过程中的各传感器数据，包括加速度、径向载荷、温差电偶等信息构成。结合上述数据可开展故障预测模型构建工作。
[0083]
一种舰船轴承状态监测和故障诊断方法，包括以下步骤：
[0084]
1)装备故障特征信号提取
[0085]
根据舰船轴承主要故障模式，分析故障机理，采集故障关联的特征信号数据；
[0086]
选取采集传动轴轴承的8维特征：2维加速度信号特征、4维径向载荷信号特征和2维温差电偶信号特征。
[0087]
2)信号处理与特征向量提取。主要采用fft方法提取信号频域信息，如图2和图3所示。对温差点偶信号时域图进行fft，得到频域相关信息，提取频域峰峰值、频域能量等相关信息。
[0088]
3)特征表征与相关性分析。根据对各个维度下原始信号的分析，提取了信号的“能量”和“峰峰值”作为每个测点信号的特征表征，并选取了典型的3个测点的信号作为研究对象，构造出6维输入。由于轴承试验进行了2156次采样，因此整理出2156
×
6维矩阵作为输入，6维矩阵分别为：
[0089]
维度1＝温差电偶2号传感器的能量值；
[0090]
维度2＝温差电偶2号传感器的峰峰值；
[0091]
维度3＝径向载荷2号传感器的能量值；
[0092]
维度4＝径向载荷2号传感器的峰峰值；
[0093]
维度5＝加速度2号传感器的能量值；
[0094]
维度6＝加速度2号传感器的峰峰值。
[0095]
通过主成分分析可知，维度1的累计贡献率达到了95％，即维度1的特征是第一主成分。这个特征已经可以对所有6维特征具有95％的信息覆盖和解释能力，只需要提取该维度特征即可以对设备状态进行有效学习和判别。
[0096]
另外，装备研制时，可基于主成分分析结果，对各维度特征进行优先级排序，在装备测试性设计时，结合经济性和可靠性要求，优先考虑对主成分排序靠前的测试点进行设计和布置，从而实现对装备测试性设计的指导。
[0097]
(4)故障预测模型构建。图4为温差点偶信号频谱能量退化趋势图，由图4中可知轴承退化具有较为明显的渐变趋势，大致分为四个阶段，与失效物理对于轴承的划分阶段相类似：第一阶段，采样次数在大概0-1300次之间，能量处于平稳状态，上下波动不明显，轴承处于正常工作状态；第二阶段，采样次数达到大概1300-1750次之间，能量显示出明显上升趋势，并逐步达到峰值，此时轴承处于早期失效状态，主要是由于时间积累造成内部结构发生失效点(疲劳裂纹点)；第三阶段，采样次数在大概1750-2100之间，能量由峰值开始下降，但仍处于较高水平，此时轴承处于即将失效状态，主要是因为失效点逐渐累积发展为面，测试点的能量产生扩散；第四阶段是采样大概2100次之后的状态，即轴承处于完全失效状态。通过状态划分，可以进行分类，从而通过神经网络进行训练，实现状态预测。
[0098]
以深度反馈神经网络为例，将各阶段数据进行标签划分，分别划分为正常状态，能量范围为(0-0.01)；早期失效状态，能量范围为(0.01-0.02)；即将失效与完全失效状态，能量(》0.02),通过训练后进行基于假设检验的精度验证，如图5所示，图5中红色为能量退化曲线，蓝色部分为训练输出，黄色部分为测试输出。图5上显示测试的输出都能精准的落在红色曲线附近，证明了通过神经网络的曲线拟合效果，通过构建的预测模型验证可知准确率高于98％。
[0099]
因此可知，通过深度反馈神经网络构建的该故障预测模型可以较好的实现基于状态的预测。
[0100]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。