基于冗余數(shù)據(jù)分析的船舶主機(jī)控制系統(tǒng)傳感器偶發(fā)性故障檢測

李志，閆明勝，韓寶宏，魏慕恒，朱慧敏，李奇鐘*

（1. 神華中海航運(yùn)（天津）有限公司，天津 300000; 2. 震兌工業(yè)智能科技有限公司，深圳 518101）

0 引言

近年來，伴隨著船舶主機(jī)控制系統(tǒng)日益復(fù)雜化和精密化的發(fā)展趨勢，構(gòu)成控制系統(tǒng)的復(fù)雜電子電路和設(shè)備儀器的老化逐漸成為控制系統(tǒng)故障的重要誘因，而構(gòu)成控制系統(tǒng)終端的眾多傳感器，受到包括振動、電磁干擾等惡劣的工作環(huán)境的影響，其老化速度往往明顯高于線纜和其他對精度要求不甚嚴(yán)格的機(jī)電設(shè)備，而故障傳感器返回的錯誤讀數(shù)又會進(jìn)一步導(dǎo)致控制系統(tǒng)做出錯誤決策，最終可能產(chǎn)生嚴(yán)重的安全事故，造成重大損失。而及時有效檢測出微小故障對于降低系統(tǒng)損傷、減少事故發(fā)生具有重要意義[1]。

當(dāng)傳感器發(fā)生老化時，其故障往往表現(xiàn)出偶發(fā)性的特點，即故障持續(xù)時間有限，沒有外部補(bǔ)償故障仍可自行消失。也正因如此，偶發(fā)性故障在前期往往難以排查，而長期的風(fēng)險累積又會導(dǎo)致嚴(yán)重后果。工業(yè)上通常根據(jù)經(jīng)驗對易損件進(jìn)行定期更換，但難以在成本和安全性之間尋求平衡。

考慮到船舶控制系統(tǒng)通常會在同一設(shè)備上布置多個同類型傳感器，其傳回的數(shù)據(jù)之間往往具有較大的相關(guān)性和冗余度，如果其中某些傳感器的讀數(shù)和總體數(shù)據(jù)規(guī)律發(fā)生明顯偏離，且這種偏離現(xiàn)象以一定頻率重復(fù)出現(xiàn)，則認(rèn)為發(fā)生了偶發(fā)性故障?；谶@種思路，本文提出了一種能夠?qū)Υ爸鳈C(jī)控制系統(tǒng)的傳感器偶發(fā)性故障進(jìn)行準(zhǔn)確檢測的方法和系統(tǒng)。

1 DPCA檢測模型

自Mehra[2]第一次系統(tǒng)探討故障診斷技術(shù)以來，各種數(shù)據(jù)驅(qū)動的故障識別和診斷方法層出不窮，許多基于神經(jīng)網(wǎng)絡(luò)的方法在具體場景都收到了良好效果[3-5]，但是為了達(dá)到理想的檢測效果，往往需要用到深層的神經(jīng)網(wǎng)絡(luò)，算法往往實時性較差，需要對網(wǎng)絡(luò)進(jìn)行優(yōu)化，而優(yōu)化又會導(dǎo)致算法失去可移植性[6]。綜合考慮算法的實時性和通用性，我們選擇使用傳統(tǒng)的多元統(tǒng)計分析方法對高維的冗余數(shù)據(jù)進(jìn)行分析。

主流的多元統(tǒng)計分析故障診斷方法有主成分分析（Principal Component Analysis， PCA）、規(guī)范變量分析（Canonical Variable Analysis, CVA）、Fisher判別分析（Fisher Discriminant Analysis, FDA）、偏最小二乘法（Partial Least Squares, PLS）等[7]。其中尤以PCA最為常用，其結(jié)果的可解釋性較強(qiáng)，適用于需要對模型進(jìn)行機(jī)理解釋的廣闊工業(yè)場景。

利用主成分分析（PCA）對多傳感器傳回的同類型數(shù)據(jù)進(jìn)行降維，可以從冗余數(shù)據(jù)中提取出關(guān)鍵特征，表征數(shù)據(jù)的主要規(guī)律。在工業(yè)上，利用PCA方法對數(shù)據(jù)進(jìn)行降維并利用聚類方法對故障類型進(jìn)行歸納和診斷是一種通用的做法,可以大大降低故障檢測的復(fù)雜性[8]。PCA方法通常與某種聚類方法結(jié)合，前者提取故障特征，后者負(fù)責(zé)對故障進(jìn)行分類，如與SVM結(jié)合對振動傳感器的故障進(jìn)行診斷[9]、與KNN相結(jié)合用于檢測生化過程中的物質(zhì)成分異常[10-11]、與模糊核聚類方法（KFCM）相結(jié)合，對船舶柴油機(jī)故障進(jìn)行診斷[12]等。針對傳感器偶發(fā)性故障，單獨(dú)使用PCA用于提取特征用于后續(xù)檢測即可。

雖然基于主成分分析的過程監(jiān)控方法得到了廣泛的應(yīng)用，然而，該方法假設(shè)獨(dú)立采樣，即樣本之間不存在時序相關(guān)性。在實際中，由于工業(yè)過程的動態(tài)特性，過程數(shù)據(jù)往往很難嚴(yán)格滿足上述假設(shè)。對此，Ku等[13]提出，通過擴(kuò)展主成分分析模型，通過將一部分時延樣本納入數(shù)據(jù)矩陣，可以構(gòu)建動態(tài)主成分分析模型，對時序相關(guān)的動態(tài)過程數(shù)據(jù)進(jìn)行建模。由于各傳感器數(shù)據(jù)之間存在延時，即存在明顯的時間相關(guān)性，所以用DPCA而不是PCA方法來判定，具有更好的準(zhǔn)確性[14]。

我們首先采集船舶主機(jī)控制系統(tǒng)的傳感器在正常工況下的測量樣本x，k時刻的測量樣本記為x(k)，x(k)為m維列向量，m為傳感器個數(shù)，建模過程共采集N個時刻的N組測量樣本；對正常工況下的測量樣本進(jìn)行時延處理構(gòu)造為擴(kuò)增測量矩陣：

（1）中，d是時延樣本長度，x(k)是時刻的測量樣本的轉(zhuǎn)置，k=1-d，2-d，3-d...N；將擴(kuò)增測量矩陣X的各列歸一化為零均值單位方差，得到規(guī)范測量矩陣Xnorm。

對規(guī)范測量矩陣的協(xié)方差矩陣S進(jìn)行特征值分解，表達(dá)式為：：

其中P是[m×（d+1）]×l階矩陣，為主成分矩陣，由的前l(fā)列構(gòu)成，為非主成分矩陣，是的第j個對角元素表示對角元素為的對角矩陣，表示對角元素為的對角矩陣；

至此，我們獲得了冗余數(shù)據(jù)中的主成分特征，以及相應(yīng)的統(tǒng)計量計算參數(shù)與閾值。對于待分析的在線測量樣本序列z，k時刻的測量樣本記為z（k），其兩種統(tǒng)計量的計算表達(dá)式為：

參數(shù)定義同（3）。

將在線計算出的平方預(yù)測誤差SPE和霍特林T2統(tǒng)計量與預(yù)設(shè)閾值進(jìn)行比較，若SPE≤Jth，SPE且，則船舶主機(jī)控制系統(tǒng)傳感器無偶發(fā)性故障，否則發(fā)出預(yù)警。算法流程圖如圖1所示。

圖1 故障檢測流程

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)來源及實驗流程

我們采集了本公司經(jīng)營的一條二十萬噸級貨運(yùn)船出廠后一年內(nèi)的航行數(shù)據(jù)。由于船上的設(shè)備均為全新，我們?nèi)〉谝恢艿臄?shù)據(jù)作為正常樣本，將后半年航行的數(shù)據(jù)作為測試樣本，用于檢測是否存在控制系統(tǒng)傳感器偶發(fā)性故障。其中船主機(jī)氣缸安裝有十六個同型號的不同位點的溫度傳感器（依次稱為傳感器1，傳感器2， ，傳感器16），用于記錄排氣溫度。圖2展示了其中任意選取的三個位點在出廠后第一個星期內(nèi)記錄的溫度值。

圖2 三個傳感器記錄的正常工作數(shù)據(jù)

為了提升算法的準(zhǔn)確性，我們將所有傳感器的數(shù)據(jù)均進(jìn)行去均值和方差歸一化的預(yù)處理，然后用DPCA檢測模型進(jìn)行處理，分別取延時d為0-100的所有整數(shù)，其中d=0意味著沒有任何時延，即PCA方法。而經(jīng)過反復(fù)試驗，d=100是一個遠(yuǎn)超出系統(tǒng)最大延時的邊界，這一點從2.2中的結(jié)果中可以看出。

2.2 結(jié)果與分析

由于存在一個客觀最大時延dmax，所以當(dāng)d≥dmax時，繼續(xù)增大時延不會對準(zhǔn)確率有進(jìn)一步的提升。我們以d=100時找到的所有異常作為基準(zhǔn)，對其他各情況的準(zhǔn)確率進(jìn)行計算，得到準(zhǔn)確率關(guān)于d的變化情況如圖3所示。圖4則展示了d=100時傳感器1的一段數(shù)據(jù)在經(jīng)DPCA處理后，得到的SPE和霍特林T2統(tǒng)計量及相應(yīng)閾值的情況。從圖中可以看出，SPE和霍特林T2統(tǒng)計量檢測到的異常并不完全重合，實際應(yīng)用中我們?nèi)《叩慕患鳛榻Y(jié)果，這是考慮到偶發(fā)性故障尚不明顯時并不會對船舶的航行安全造成明顯影響，為了減少虛警而采用了較為保守的故障檢測原則。

圖3 檢測準(zhǔn)確率關(guān)于時延的變化關(guān)系

圖4 利用基于DPCA的故障檢測方法檢測到240秒時刻前后有偶發(fā)故障發(fā)生

由圖3可以估計，客觀最大時延dmax≈23，隨著d的增加，算法的用時也在逐漸增加，在單核CPU的前提下，其運(yùn)行時間和檢測準(zhǔn)確率見表1。同時，我們也可以從算法理論層面進(jìn)行對比，分別將d取值為（0,10,23,100）的情況下，16維中的前十維的特征貢獻(xiàn)比例如圖5所示。從圖5中可以看出，考慮了時延之后，特征的貢獻(xiàn)比例更加向前幾維集中，這也意味著算法能更加有效地反映冗余數(shù)據(jù)的核心信息，有利于對數(shù)據(jù)的后續(xù)處理。

圖5 不同時延下前十維的特征貢獻(xiàn)比例

表1 不同模型下的檢測準(zhǔn)確率和程序運(yùn)行時間

3 結(jié)論

（1）DPCA方法適用于從冗余的船舶主機(jī)控制系統(tǒng)傳感器數(shù)據(jù)中提取有用的數(shù)據(jù)特征，識別異常數(shù)據(jù)，并據(jù)此排查出傳感器的偶發(fā)性故障。

（2）和傳統(tǒng)的PCA方法相比，由于DPCA考慮了多源數(shù)據(jù)之間時延關(guān)系，能夠更好地完成數(shù)據(jù)對齊和特征提取的工作，而PCA方法更容易受到噪聲和時延影響，難以反映數(shù)據(jù)的真實信息。

（3）實例分析表明，基于DPCA的冗余傳感器數(shù)據(jù)處理方法，為船舶主機(jī)控制系統(tǒng)傳感器偶發(fā)性故障檢測提供了新思路，當(dāng)延時達(dá)到與客觀最大延時相近時，檢測準(zhǔn)確度高，具有較為廣闊的應(yīng)用場景。