基于CNN-SVM的船舶電力推進系統故障診斷技術研究

摘 要：綜合電力推進系統是現代船舶技術的跨越式發展，對解決船舶動力平臺問題具有重要意義。為避免因電氣設備運行故障對船舶運行安全性的影響，該文研究基于卷積神經網絡和支持向量機融合的故障診斷方法。通過CNN來提取船舶電力推進系統故障信號的深層特征，將其作為故障分類器的輸入，然后由SVM分類器進行故障分類。通過仿真實驗后，發現學習率為0.001時，懲罰因子為1.5時，對應的故障診斷準確率最高，抗干擾能力較強。利用CNN和SVM融合的故障診斷方法，可有效提升船舶電力推進系統電氣設備運行的可靠性，根據船舶電氣系統運行特點，不斷完善故障診斷方法，進一步推進我國船舶技術的發展進程。

關鍵詞：船舶;電力推進系統;故障診斷;特征提取;信號

中圖分類號：U672 文獻標志碼：A 文章編號：2095-2945（2024）22-0001-04

Abstract： Integrated electric propulsion system is a great-leap-forward development of modern ship technology， which is of great significance to solve the problem of ship power platform. In order to avoid the influence of electrical equipment failure on the safety of ship operation， this paper studies the fault diagnosis method based on the fusion of convolution neural network and support vector machine. The deep features of the fault signals of the marine electric propulsion system are extracted by CNN and used as the input of the fault classifier， and then the fault is classified by the SVM classifier. Through the simulation experiment， it is found that when the learning rate is 0.001 and the penalty factor is 1.5， the corresponding fault diagnosis accuracy is the highest and the anti-interference ability is strong. The fault diagnosis method based on the integration of CNN and SVM can effectively improve the reliability of the operation of electrical equipment in marine electric propulsion system. According to the operation characteristics of marine electrical system， the fault diagnosis method can be continuously improved， and the development process of ship technology in our country can be further promoted.

Keywords： ship; electric propulsion system; fault diagnosis; feature extraction; signal

隨著推進載荷、服務載荷和任務系統等對功率需求的不斷增長，穩定可靠的船舶電力推進系統對于維持船舶的穩定運行具有重要意義。中壓直流電力推進系統作為新一代船舶電力驅動動力方式，具有變壓器尺寸小、功率密度高、高頻運行、節能降耗和電站靈活性等優勢性能，有效解決了船舶動力平臺問題。然而受到運行環境的影響，加之系統自身是一種緊密耦合和復雜的網絡結構，在船舶航行的過程中一旦電氣系統出現故障，將會威脅到船舶航行的安全性和穩定性[1]。為了提升電力推進系統運行的可靠性，應該根據船舶電力推進系統的特點，構建一套科學可靠的故障診斷方法，在船舶不同操作條件下對系統中不同類型的故障都能夠進行快速檢測和定位，為船舶電力推進系統的安全運行提供保障。文章主要研究CNN-SVM故障診斷方法在船舶電力推進系統中的應用，首先利用CNN深度學習算法來提取船舶電力推進系統的故障特征，然后將提取的深層特征輸入到構建的SVM中進行分類，從而實現故障診斷。經過對船舶電力系統某變換器的仿真實驗，確定了學習率和懲罰因子的最佳數值，可實現較高的故障診斷準確率，且具有較強的抗干擾性能，對于提升我國船舶電力推進系統運行的穩定性和可靠性具有重要意義。

1 船舶電力推進系統故障診斷技術當前存在的問題

船舶電力推進系統受到船體空間的限制，電纜長度有限，所以輸電線路的動態特性并不會對整個系統狀態產生較為明顯的影響。在有限的空間系統內設備間的距離較小，系統的狀態信息傳輸速度更快，所以對故障診斷和定位的速度及準確性有了更高的要求。在電力推進系統發電量和轉動慣量有限的情況下，負載的變化會對發電機產生較大的影響，在動態負載變化較大的情況下，其所連接的配電總線會出現較大的電壓和頻率偏差，從而對故障診斷和定位的診斷結果產生較大的干擾。針對中壓直流綜合電力推進系統的特點，傳統的故障診斷方法無法滿足多終端直流配電系統。

故障特征提取是故障診斷方法面臨的難題之一，只有提取到精準的故障特征，并且在故障特征和故障類型之間建立相應的關系，才能夠保證診斷結果的準確性。在船舶電力推進系統中的設備較多，結構復雜，且設備間還會相互干擾，這為故障信號的采集增加了難度。要想獲取更加全面的數據信息，傳感器的安裝位置和數量也是面臨的挑戰。在采集信號時，還會受到周圍環境的噪聲影響，降低信號的純度，容易對診斷結果產生影響，所以對故障特征的提取也是故障診斷技術面臨的問題之一[2]。

2 CNN-SVM故障診斷方法在船舶電力推進系統中的應用

針對船舶電力推進系統的故障診斷方法，要充分考慮到電力推進系統的運行環境和自身特點。中壓直流綜合電力推進系統結構復雜、設備繁多，且運行工況多變，不同的故障類型下數據信號會有明顯的變化，故障位置和結構路徑也會對采集的數據信號質量產生影響。數據信息的獲取是故障診斷的重要基礎，所以需要在電力系統的多個方向和位置安裝傳感器，以獲取更加全面的數據信息，便于實時掌握電力系統的運行狀態。在故障信號處理過程中，是否需要人為參與及對信號的消噪處理都會對故障特征提取產生不同程度的影響，最終影響到故障診斷結果的準確率。基于CNN-SVM的故障診斷方法，利用CNN多層網絡能夠提取到電力推進系統故障信號的深層特征，然后利用SVM分類器代替CNN輸出層作為最后的結果分類器，直接輸出診斷結果，可有效提升故障診斷精度，且抗干擾能力強，具有其他深度學習方法無法比擬的優勢[3]。

2.1 CNN-SVM 故障診斷方法

基于CNN-SVM的故障診斷方法，首先是進行故障數據的采集和預處理，然后將數據劃分為測試集和訓練集2類。為了得到精準的數據，在訓練過程中先通過迭代，將誤差反向傳播的損失值降到最低，再經過SVM分類器分類。經過訓練得到合適的參數，將其保存下來用于測試。將測試集輸入到已經訓練好的網絡模型中，得到提取的深層特征信號，將其輸入到SVM中進行分類，進而實現故障診斷，具體流程如圖1所示。

2.2 CNN-SVM故障診斷模型

基于CNN-SVM的故障診斷方法，CNN模型結構共有2個卷積層，1個全連接層，2個池化層，最后一層為輸出層。在此模型中，先將經過預處理的數據輸入到CNN模型中，然后設置CNN模型的卷積核大小，池化核尺寸及步長，再經過多層的卷積后，得到深度提取的故障特征，通過全連接層輸入到SVM，CNN模型參數見表1。

3 實驗結果與分析

3.1 仿真實驗結果

利用CNN-SVM故障診斷方法，對船舶電力推進系統中某變換器進行開關管開路仿真實驗。在實驗中輸入側電壓設為1 000 V，電壓頻率設為50 Hz，電壓控制方式采用載波移相正弦脈沖控制，輸出部分是阻性負載。診斷結果顯示，某變換器開關管故障可概括為3大類13小類，見表2。

在仿真實驗中，故障電壓的采樣頻率為5 kHz，采樣時間0.5 s，故障時間點設置在0.4 s，有效故障區間0.40～0.50 s，大約包含800個數據點。在每組故障中會采集80組數據，其中60組用于訓練，20組用于測試。

3.2 仿真實驗結果分析

在采用CNN模型訓練時，學習率和激活函數的選取會對訓練結果產生一定的影響，學習率太低會消耗訓練資源，網絡結構更新慢，學習率太高又會影響最優解[4]。在此項仿真模型訓練時，運用等比調制法來設定學習率，分別用0.1，0.01，0.001，0.000 1進行網絡性能分析，使用控制變量法，除學習率外其他參數不變，得到測試數據損失函數和準確率與學習率變換關系曲線圖，如圖2所示。由圖2（a）可以看出，隨著學習率的減小，損失值逐漸降低，在0.001時所對應的損失值達到最小。由圖2（b）可以看出，隨著學習率的減小，準確率逐步上升，在0.001時對應的準確率最高，所以最終CNN模型訓練的學習率選擇0.001。

核函數和相關參數的選擇對SVM的分類有重要的影響，較為常見的核算數主要有線性核函數、高斯核函數、徑向基核函數和多項式函數[5]。本次仿真實驗中所用的數據為離散的電壓數據，所以選用徑向基核函數作為核函數，懲罰因子的參數選擇在[0.1，10]之間。懲罰因子的選擇會影響到測試集的準確率，使用控制變量法，通過改變懲罰因子來進行測試集訓練，可得到懲罰因子與測試集準確率的關系圖，如圖3所示。由圖3可以看出，當懲罰因子為1.5時，測試集的準確率最高，所以在仿真實驗中選用懲罰因子為1.5作為SVM分類的參數。

經過以上仿真實驗，得到了CNN的學習率等相關參數以及SVM懲罰因子等相關參數，將這些參數應用到訓練測試中，對故障數據進行訓練測試，可以得到訓練和測試過程的損失函數和準確率，如圖4所示。由圖4可以看出，隨著迭代次數的增加，訓練和測試的損失值逐漸接近于0，而準確率隨著損失值的降低反向增大，并且二者之間的波動也存在相關性，最終獲得的準確率為99.8%。

為了驗證CNN-SVM故障診斷方法在故障分類中的優勢，將其與SVM、CNN、DNN進行比較，經過一系列的測試比較，得到CNN-SVM的故障診斷結果具有較強的優越性。以上仿真實驗都是在無干擾的情況下進行的，然而船舶在海上航行時環境較為復雜，電力推進系統會受到周圍電氣設備的噪聲干擾，傳感器所采集到的電壓數據也會受到干擾，導致采集到的信號不純，可能會影響到診斷結果的準確率[6]。為了保證故障診斷結果的準確性，對船舶航行環境進行噪聲模擬，在測試樣本的基礎上添加高斯白噪聲，然后對不同方法添加不同程度的白噪聲進行準確率的分析。通過添加20 、10 、5 、0 dB的信噪比，得到診斷結果如圖5所示。

由圖5可以看出，過高的噪聲會造成故障信號特征的混亂，模型對故障識別的準確率會有所下降，在4種方法中，CNN-SVM在不同噪聲情況下仍然能夠保證90%以上的準確率，說明CNN-SVM故障診斷方法的抗干擾能力較強。

4 結束語

電力系統作為船舶的核心組成部分，其運行的穩定性直接關系到船舶航行的安全性和可靠性。由于海上環境復雜，船舶在航行過程中電力系統的穩定性會受到一定的影響。在船舶電力系統運行工況復雜的情況下，增加了電氣故障的診斷難度。中壓直流電力推進系統作為一個獨立控制的小型微電網電力系統，其與其他常規電網相比具有獨特的性質，電纜的長度受限，系統內各設備間的距離緊密，發電量和轉動慣量有限。所以要根據電力推進系統自身的特點，選擇一套與之相適應的故障診斷方法。文中選擇了CNN-SVM故障診斷方法，具有較好的診斷效果。可用于船舶電力推進系統的故障診斷技術還處于不斷發展階段，隨著故障診斷技術的提升，船舶電力推進系統運行的穩定性會進一步提升。

參考文獻：

[1] 張雪琴，盛晨興，歐陽武.基于證據推理的電力推進系統軸承多特征融合故障診斷研究[J].武漢理工大學學報，2021，43（4）：27-34.

[2] 潘俊文，馮波，牛山草，等.基于BP神經網絡的繼電保護設備狀態評價方法研究[J].電器工業，2024（2）：28-31.

[3] 唐承娥，朱冬冬，明鑫.基于卷積神經網絡的電氣設備故障診斷研究[J].中阿科技論壇（中英文），2024（2）：103-107.

[4] 馬文超.基于神經網絡的電氣設備故障智能自診斷系統研究應用[J].能源技術與管理，2023，48（5）：39-41，50.

[5] 楊磊，權偉，李亮，等.基于ITD-MFCC與卷積神經網絡的核電電氣設備異音檢測技術[J].噪聲與振動控制，2023，43（4）：122-128，207.

[6] 洪祥，房淑華，王學永.基于機器學習算法的船舶電氣故障分類與診斷方法[J].艦船科學技術，2023，45（15）：143-146.

第一作者簡介：任世超（1988-），男，碩士，工程師，保障師。研究方向為智能儀器儀表。