CN111523603B - 一种船舶动力设备故障识别方法 - Google Patents

Abstract

本发明涉及一种船舶动力设备故障识别方法，其特征在于：具体方法如下：S1：监测数据样本收集及分类；S2：分类器建立及训练；S3：模型的应用；本发明通过支持向量机对船舶动力设备的故障进行识别，使得在小样本数据下的故障识别结果更加精确；对AFSA算法中的随机行为进行改进，避免了人工鱼通过传统随机行为寻优过程而产生的盲目性，减小了寻优过程中无效寻优的现象；优化GWO‑AFSA算法提高了收敛速度和识别精度并解决了传统AFSA易陷入局部最优的缺点；利用改进GWO‑AFSA对SVM参数寻优，提高了船舶动力设备故障识别精度。

Description

一种船舶动力设备故障识别方法

技术领域

本发明涉及船舶动力设备故障识别技术领域，尤其涉及一种船舶动力设备故障识别方法。

背景技术

船舶动力系统是保证船舶航行能力、机动性和安全的关键系统，被喻为船舶的心脏。船舶动力系统的性能优劣和设备可靠性直接影响到船舶的快速性、航速适应性、生命力、续航力、隐蔽性等一系列性能指标。船舶动力系统由多个设备组成，零件较多，结构复杂，在长期运行过程中，很容易出现故障和问题。作为提供船舶动力的主要设施设备，船舶动力设备一旦发生故障，将对船舶的运行状态造成影响，导致船舶航行不稳定甚至停航，严重时将引发安全事故，造成不可挽回的经济损失和人身安全威胁。因此，利用先进技术对船舶动力设备进行故障诊断和故障识别具有至关重要的现实意义。

近年来，国内外对设备故障诊断的研究日益增多。故障诊断的本质是识别故障模式。模式识别技术如模糊理论、神经网络、支持向量机(SVM)、聚类分析、灰色系统理论、深度学习、超限学习机以及采用FMEA和故障树结合的方法等已经发展较为成熟，并被成功应用于机电设备的故障识别领域。从上述研究方法中可以看出，许多研究的开展是以大量的数据为基础的。而在实际情况中，由于船舶动力设备工作环境的特殊性，很容易出现故障数据不易获取的情况从而导致数据样本较小。此外，在进行大量数据处理的过程中，很容易因为决策延时而造成严重的损失。

支持向量机(SVM)可以较好地解决设备数据小样本的学习问题和评估结果不确定性问题，这一优点使其近年来被广泛应用于各种分类和回归问题中。在使用支持向量机进行故障识别时，对非线性映射核函数的选取及核函数参数的确定将直接影响支持向量机的性能。目前常用的SVM优化方法包括采用遗传算法、粒子群算法等算法对其参数进行优化。

人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA)是一种基于行为的群体智能优化算法，该算法定义了鱼群距离、视野范围、移动步长等概念，模拟出了自然界中鱼群常见的觅食、聚群、追尾和随机移动行为，依靠鱼群中每个个体自发地寻找食物浓度较高的水域而完成寻优任务。人工鱼群算法可用于对SVM进行参数优化，但是传统的AFSA算法存在后期收敛速度慢、易陷入局部最优等问题，因此需要对其进行进一步改进。

发明内容

本发明要解决的技术问题是提供一种船舶动力设备故障识别方法，通过引入灰狼算法中社会等级分层的概念，对传统鱼群算法中的随机行为进行改进，提高其收敛速度和识别精度并解决其易陷入局部最优的缺点；利用改进GWO-AFSA对SVM参数寻优，提高故障识别精度。

为解决上述技术问题，本发明的技术方案为：一种船舶动力设备故障识别方法，其创新点在于：具体方法如下：

S1：监测数据样本收集及分类：收集船舶动力设备在正常情况和不同缺陷情况下的监测数据，将数据进行归一化处理，并把处理后的数据按照一定的比例随机分为训练集数据和测试集数据；

S2：分类器建立及训练：建立GWO-AFSA-SVM分类器，将S1中的测试集数据输入该分类器，通过故障识别结果和实际故障类型的比较，验证船舶动力设备故障识别模型的可行性；

S3：模型的应用：根据S1至S2得到的GWO-AFSA-SVM的船舶动力设备故障识别整体模型，利用该模型实现对船舶动力设备的故障识别。

进一步的，所述S2中GWO-AFSA-SVM分类器利用灰狼算法对传统的人工鱼群算法进行改进，并通过改进后的算法对SVM惩罚因子C和核函数参数g进行寻优，具体步骤如下：

步骤1：初始化如鱼群的种群数量、最大迭代次数、最多试探次数、人工鱼感知距离以及拥挤度因子；初始化灰狼算法相关参数a、A、C；对种群进行初始化，得到N个初始人工鱼个体位置X＝[X1,X²,…,X_N]，其中X_i＝(C_i,g_i)；

步骤2：人工鱼个体在空间中进行自由地觅食行为、追尾行为和聚群行为，完成对人工鱼个体的位置更新；

步骤3：计算种群每个个体适应度值，并对其排序，分别记录适应度最优的三个个体α,β,δ及其所处的位置；

步骤4：未能找到满足移动要求的个体在最优个体的基础上进行随机行为；

步骤5：更新收敛因子a和参数A、C的值；

步骤6：计算个体适应度f(X_i(t))，并对人工鱼群进行降序排序，对排列在后10％的人工鱼个体进行差分变异，计算变异后个体的适应度f(X_i'(t))，比较变异前后的个体适应度，如果f(X_i'(t))≥f(X_i(t))，将变异后的人工鱼个体代替变异前的个体，如果f(X_i'(t))＜f(X_i(t))，保留变异前个体；

步骤7：判断是否达到最大迭代次数MAXGEN，若没有达到MAXGEN，则MAXGEN＝MAXGEN+1，并返回步骤2；若达到，则停止迭代，返回最优个体；

步骤8：根据最优的人工鱼位置得到最优惩罚因子C和最优核函数参数g，利用改进GWO-AFSA-SVM分类器进行故障识别。

进一步的，在所述步骤1中种群初始化公式为：

其中，为[0,1]之间的随机数。

进一步的，所述步骤4中，以最优个体的基础上进行的随机行为满足：

其中，D_α、D_β和D_δ表示该人工鱼与α、β和δ个体之间的距离；X_α、X_β和X_δ分别表示当前鱼群中α、β和δ所处的位置；X表示未能找到满足移动要求的个体人工鱼的位置；C为摇摆因子，其计算方法为：C＝2·r₁，r₁为[0,1]之间的随机数；

其中，A_i,i＝1,2,3表示收敛因子，其具体表达式为：A＝2a·r₂-a，r₂为[0,1]之间的随机数；X_j表示以最优个体为基础进行随机行为后人工鱼的位置。

进一步的，所述步骤6中差分变异公式为：

X'(t)＝X(t)+r·{X_best(t)-X_worst(t)}

其中X_best(t)表示人工鱼群中最优个体所处的位置；X_worst(t)表示人工鱼群中最差个体所处的位置，r为[0,1]的随机数。

本发明的优点在于：

1)本发明中通过支持向量机对船舶动力设备的故障进行识别，使得在小样本数据下的故障识别结果更加精确。对AFSA算法中的随机行为进行改进，避免了人工鱼通过传统随机行为寻优过程而产生的盲目性，减小了寻优过程中无效寻优的现象；通过引入灰狼算法中社会等级分层的概念，对传统鱼群算法中的随机行为进行改进，优化GWO-AFSA算法提高了收敛速度和识别精度并解决了传统AFSA易陷入局部最优的缺点；利用改进GWO-AFSA对SVM参数寻优，提高了船舶动力设备故障识别精度。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明的一种船舶动力设备故障识别方法流程图。

图2为本发明的一种船舶动力设备故障识别方法的改进GWO-AFSA流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1图2所示的一种船舶动力设备故障识别方法，具体方法如下：

S1：监测数据样本收集及分类：收集船舶动力设备在正常情况和不同缺陷情况下的监测数据，将数据进行归一化处理，并把处理后的数据按照一定的比例随机分为训练集数据和测试集数据；

S2：分类器建立及训练：建立GWO-AFSA-SVM分类器，将S1中的测试集数据输入该分类器，通过故障识别结果和实际故障类型的比较，验证船舶动力设备故障识别模型的可行性；

S3：模型的应用：根据S1至S2得到的GWO-AFSA-SVM的船舶动力设备故障识别整体模型，利用该模型实现对船舶动力设备的故障识别。

S2中GWO-AFSA-SVM分类器利用灰狼算法对传统的人工鱼群算法进行改进，并通过改进后的算法对SVM惩罚因子C和核函数参数g进行寻优，具体步骤如下：

步骤1：初始化如鱼群的种群数量、最大迭代次数、最多试探次数、人工鱼感知距离以及拥挤度因子；初始化灰狼算法相关参数a、A、C；对种群进行初始化，得到N个初始人工鱼个体位置X＝[X₁,X₂,…,X_N]，其中X_i＝(C_i,g_i)；

步骤2：人工鱼个体在空间中进行自由地觅食行为、追尾行为和聚群行为，完成对人工鱼个体的位置更新；

步骤3：计算种群每个个体适应度值，并对其排序，分别记录适应度最优的三个个体α,β,δ及其所处的位置；

步骤4：未能找到满足移动要求的个体在最优个体的基础上进行随机行为；

步骤5：更新收敛因子a和参数A、C的值；

步骤6：计算个体适应度f(X_i(t))，并对人工鱼群进行降序排序，对排列在后10％的人工鱼个体进行差分变异，计算变异后个体的适应度f(X_i'(t))，比较变异前后的个体适应度，如果f(X_i'(t))≥f(X_i(t))，将变异后的人工鱼个体代替变异前的个体，如果f(X_i'(t))＜f(X_i(t))，保留变异前个体；

步骤7：判断是否达到最大迭代次数MAXGEN，若没有达到MAXGEN，则MAXGEN＝MAXGEN+1，并返回步骤2；若达到，则停止迭代，返回最优个体；

步骤8：根据最优的人工鱼位置得到最优惩罚因子C和最优核函数参数g，利用改进GWO-AFSA-SVM分类器进行故障识别。

在所述步骤1中种群初始化公式为：

其中，为[0,1]之间的随机数。

步骤4中，以最优个体的基础上进行的随机行为满足：

其中，D_α、D_β和D_δ表示该人工鱼与α、β和δ个体之间的距离；X_α、X_β和X_δ分别表示当前鱼群中α、β和δ所处的位置；X表示未能找到满足移动要求的个体人工鱼的位置；C为摇摆因子，其计算方法为：C＝2·r₁，r₁为[0,1]之间的随机数；

其中，A_i,i＝1,2,3表示收敛因子，其具体表达式为：A＝2a·r₂-a，r₂为[0,1]之间的随机数；X_j表示以最优个体为基础进行随机行为后人工鱼的位置。

步骤6中差分变异公式为：

X'(t)＝X(t)+r·{X_best(t)-X_worst(t)}

其中X_best(t)表示人工鱼群中最优个体所处的位置；X_worst(t)表示人工鱼群中最差个体所处的位置，r为[0,1]的随机数。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种船舶动力设备故障识别方法，其特征在于：具体方法如下：

S1：监测数据样本收集及分类：收集船舶动力设备在正常情况和不同缺陷情况下的监测数据，将数据进行归一化处理，并把处理后的数据按照一定的比例随机分为训练集数据和测试集数据；

S2：分类器建立及训练：建立GWO-AFSA-SVM分类器，将S1中的测试集数据输入该分类器，通过故障识别结果和实际故障类型的比较，验证船舶动力设备故障识别模型的可行性；

S3：模型的应用：根据S1至S2得到的GWO-AFSA-SVM的船舶动力设备故障识别整体模型，利用该模型实现对船舶动力设备的故障识别；

所述S2中GWO-AFSA-SVM分类器利用灰狼算法对传统的人工鱼群算法进行改进，并通过改进后的算法对SVM惩罚因子C和核函数参数g进行寻优，具体步骤如下：

步骤1：初始化如鱼群的种群数量、最大迭代次数、最多试探次数、人工鱼感知距离以及拥挤度因子；初始化灰狼算法相关参数a、A、C；对种群进行初始化，得到N个初始人工鱼个体位置X＝[X₁,X₂,…,X_N]，其中X_i＝(C_i,g_i)；

步骤2：人工鱼个体在空间中进行自由地觅食行为、追尾行为和聚群行为，完成对人工鱼个体的位置更新；

步骤3：计算种群每个个体适应度值，并对其排序，分别记录适应度最优的三个个体α,β,δ及其所处的位置；

步骤4：未能找到满足移动要求的个体在最优个体的基础上进行随机行为；

步骤5：更新收敛因子a和参数A、C的值；

步骤6：计算个体适应度f(X_i(t))，并对人工鱼群进行降序排序，对排列在后10％的人工鱼个体进行差分变异，计算变异后个体的适应度f(X_i'(t))，比较变异前后的个体适应度，如果f(X_i'(t))≥f(X_i(t))，将变异后的人工鱼个体代替变异前的个体，如果f(X_i'(t))＜f(X_i(t))，保留变异前个体；

步骤7：判断是否达到最大迭代次数MAXGEN，若没有达到MAXGEN，则MAXGEN＝MAXGEN+1，并返回步骤2；若达到，则停止迭代，返回最优个体；

步骤8：根据最优的人工鱼位置得到最优惩罚因子C和最优核函数参数g，利用改进GWO-AFSA-SVM分类器进行故障识别；

在所述步骤1中种群初始化公式为：

其中，为[0,1]之间的随机数；

所述步骤4中，以最优个体的基础上进行的随机行为满足：

其中，D_α、D_β和D_δ表示该人工鱼与α、β和δ个体之间的距离；X_α、X_β和X_δ分别表示当前鱼群中α、β和δ所处的位置；X表示未能找到满足移动要求的个体人工鱼的位置；C为摇摆因子，其计算方法为：C＝2·r₁，r₁为[0,1]之间的随机数；

其中，A_i,i＝1,2,3表示收敛因子，其具体表达式为：A＝2a·r₂-a，r₂为[0,1]之间的随机数；X_j表示以最优个体为基础进行随机行为后人工鱼的位置；

所述步骤6中差分变异公式为：

X'(t)＝X(t)+r·{X_best(t)-X_worst(t)}

其中X_best(t)表示人工鱼群中最优个体所处的位置；X_worst(t)表示人工鱼群中最差个体所处的位置，r为[0,1]的随机数。