关键词：
船舶舵机液压系统
故障诊断
LSTM
GAN
Shapelet
负载模拟器
摘要：
舵机液压系统作为掌控船舶航向的执行机构,对于船舶的安全航行至关重要,舵机系统的故障将可能引发严重的海难事故,会造成巨大的人员和经济损失。因此,实现船舶舵机液压系统的故障诊断对提高船舶航行的安全性和可靠性具有重要的意义。然而,液压系统是集机械、电气、流体特性于一体的耦合复杂系统,具有不确定性、非线性和时变性等特点,其故障形式多样,引发某种故障的因素通常不单一,且故障具有隐蔽性,对系统进行快速准确的故障诊断已成为亟待解决的科学问题。本文以船舶舵机液压系统为对象,研究基于数据的智能故障诊断方法。此类方法中样本数据的质量和数量对故障诊断模型的精度有重要影响,但在液压系统的故障诊断领域,已有的研究成果并未考虑数据不充足的情况。为此,本文探索了在数据充足程度不同的情况下,设计相应的故障诊断方法,并在现有的通用方法基础上,针对船舶舵机液压系统的数据特点进行一定的算法改进。具体研究工作如下:(1)在数据充足的情况下,针对数据时序性的特点,提出了基于LSTM(long short-term memory)神经网络的船舶舵机液压系统的故障诊断方法。首先,对船舶舵机液压系统的工作原理及各故障工况的现象进行了详细的理论分析,在AMESim和Matlab中搭建了联合仿真平台,用于模拟多种系统工况。其次,从仿真平台中采集充足的样本数据,为LSTM神经网络的训练和测试提供数据支持。然后,设计了多种LSTM神经网络结构和参数配置方案,通过大量对比实验确定了最优的监测器网络结构,并通过FPGA完成了算法的硬件加速,使运算速度提升了约10倍。最终,实验表明本研究所提出的故障诊断方法在计算和资源开销、分类准确率等各方面都优于其他神经网络,信噪比高于70dB的噪声干扰下的故障诊断准确率可达到99.5%以上。(2)针对数据集不平衡的问题,提出了基于GAN-RF(generative adversarial network and random forest)的船舶舵机液压系统的故障诊断方法。从实际船舶舵机液压系统中可获取的故障样本数往往远少于正常工况的样本数,而基于这种不平衡数据集设计的故障诊断方法准确率往往不高。目前,在液压系统中对该类问题的研究尚处于空白。本文通过联合仿真平台获得不平衡的时序样本数据,提出将时序数据的时频特征转换为二维图像来训练GAN神经网络,并用直观的样本特征分布图展示GAN生成样本的可行性。时频特征的提取采用MEMD(multivariate empirical mode decomposition),样本特征分布图显示了所设计的GAN深度学习网络结构能够合成特征分布趋向于真实的样本。用GAN生成的故障样本扩充不平衡的数据集,再应用CFS(correlation-based feature selection)进行特征选择,实验表明所选择的特征在不同工况下具有可区分性。最后,设计了RF分类器实现故障诊断,信噪比在50dB以上的分类准确率超过98.5%。(3)针对无法获取实测数据的情况,提出了基于MTES(multidimensional time-series trend extracted shapelet)的船舶舵机液压系统的故障诊断方法。在船舶舵机液压系统的研发阶段或运行初期,可获得实际系统的实测数据很少,尤其是故障工况下的数据。根据仿真系统与实际系统的信号具有趋势变化(即形状特征)一致的特点,本文从仿真系统的时序数据中提取形状特征(shapelets)设计分类器,使其能够在实际系统中进行故障诊断。在训练过程中,将舵机液压系统中的多通道时序信号看作是多个独立的一元时间序列,提出了基于多趋势特征的快速shapelet发现方法获得候选集,然后以信息增益为依据,为各信号分别筛选k个最佳的shapelets。实验结果显示所选择的shapelet具备区分于其他类的形状特征。在测试过程中,提出了基于贝叶斯概率的加权投票机制,综合多通道信号的分类结果,实现对船舶舵机液压系统的故障诊断。最终,用加入噪声的测试样本模拟真实系统数据进行测试,结果表明信噪比高于30dB的情况下,分类准确率均在98%以上,验证了该方法对真实系统有效且可靠性很高。(4)为验证所提出的三种方法在实际舵机液压系统中的故障诊断效果,提出了基于负载模拟器的实验验证方法。本文设计了一套舵机工况模拟试验系统来模拟多种系统工况,采集系统的信号输出,为验证故障诊断方法提供数据。在该试验系统中,需为舵机系统建立带载环境,使采集的数据包含反映真实系统响应的信息,实验中利用负载模拟器实现。为此,本文提出了基于IAKF(improved adaptive Kalman filter)的速度前馈加载力控制策略,提升负载模拟器对舵机系统的变力加载能力。通过试验系统与仿真系统的实验结果对比,表明两者的故障现象
