李奇鐘，朱慧敏，譚笑，張瑞，薛晨，習(xí)文

（震兌工業(yè)智能科技有限公司，廣東 深圳 518101）

0 引言

近年來，隨著電子、信息等技術(shù)的高速發(fā)展，一種不同于傳統(tǒng)持續(xù)故障形式的特殊故障類型，即偶發(fā)性故障逐漸引起了人們的重視。偶發(fā)性故障是指一類持續(xù)時間有限，沒有外部補(bǔ)償措施仍然可以自行消失使系統(tǒng)重新恢復(fù)可接受性能的故障。

目前，對船舶主機(jī)控制系統(tǒng)的故障檢測已成為熱點(diǎn)研究課題。然而多年來，人們大多僅關(guān)注持續(xù)故障的檢測問題，而偶發(fā)性故障檢測問題研究較少。船舶主機(jī)控制系統(tǒng)由復(fù)雜電子電路構(gòu)成，虛焊老化等都會導(dǎo)致控制電路松動進(jìn)而引發(fā)控制器偶發(fā)性故障。此外，船舶主機(jī)控制系統(tǒng)運(yùn)行環(huán)境復(fù)雜，傳感器易受震動、電磁干擾等影響，導(dǎo)致傳感器偶發(fā)性失效。

隨著偶發(fā)性故障的積累，最終失效無法自行消失而影響主機(jī)控制系統(tǒng)的正常工作，對船舶安全構(gòu)成嚴(yán)重威脅，如果能在偶發(fā)性失效轉(zhuǎn)化為永久性失效之前就提前檢測到傳感器的異常，提前予以修復(fù)或更換，便可以避免更大的經(jīng)濟(jì)損失和安全風(fēng)險(xiǎn)。船舶主機(jī)上布置有多種傳感器，其所監(jiān)測的物理量對于船舶主機(jī)的工況（通常用轉(zhuǎn)速表征）都有不同程度的貢獻(xiàn)，主機(jī)的工況（輸出）正是由這些物理量構(gòu)成的狀態(tài)向量及狀態(tài)方程所決定的，其非線性動態(tài)系統(tǒng)可簡化為如下模型[1]。

規(guī)范變量分析是一種動態(tài)過程監(jiān)控和分析的技術(shù)，通過最大化歷史和未來數(shù)據(jù)集之間的相關(guān)度來獲取系統(tǒng)的特征信息，并進(jìn)一步建立系統(tǒng)的統(tǒng)計(jì)模型。如果某傳感器傳回的讀數(shù)相較于正常值間歇性發(fā)生明顯偏移，則認(rèn)為傳感器可能發(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 CVA檢測模型

基于CVA算法的故障診斷技術(shù)最早由Negiz和Cinar在1997年提出[2]，文獻(xiàn)［3-4］對CVA在故障檢測中的應(yīng)用做了詳細(xì)的介紹。

CVA作為一種子空間算法能有效處理高階多變量系統(tǒng)，能直接從數(shù)據(jù)中辨識狀態(tài)變量的特性使其適用于多變量系統(tǒng)。

（2）按照一定的準(zhǔn)則如交叉驗(yàn)證法，確定規(guī)范變量的個數(shù)f，p。

（3）求標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣Χf、ΧP的協(xié)方差和互協(xié)方差矩陣，并執(zhí)行奇異值分解：

（4）根據(jù)給定的置信水平a，設(shè)置狀態(tài)空間霍特林統(tǒng)計(jì)量和殘差空間霍特林統(tǒng)計(jì)量的閾值和[5]：

其中l(wèi)為保留的狀態(tài)個數(shù)，U1包含了U的前l(fā)列，Ue包含了U的最后mp-l列，為從數(shù)據(jù)中提取的CVA狀態(tài)。

（5）實(shí)時檢測故障時，取一段時間的實(shí)時數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，在線計(jì)算兩種統(tǒng)計(jì)量：

若結(jié)果超出（4）中的閾值，則認(rèn)為發(fā)生了故障。

CVA算法屬于故障診斷方法中的多變量統(tǒng)計(jì)的方法，與CVA類似的還有包括PCA、PLS、FDA等常見算法[6]，但由于船舶主機(jī)的各種變量之間往往具有強(qiáng)烈的自相關(guān)性和互相關(guān)性，使得考慮變量相關(guān)性最大化的CVA從多種多變量統(tǒng)計(jì)算法中脫穎而出。雖然DPCA和DFDA等算法通過對原有的基礎(chǔ)算法進(jìn)行改進(jìn)，考慮狀態(tài)變量的時滯性，但對于自相關(guān)性較強(qiáng)的系統(tǒng)仍然容易顯得力不從心[7]。同時，考慮到對傳感器偶發(fā)性故障檢測的實(shí)時性要求，我們需要選擇一種計(jì)算代價(jià)小、效率高的算法，而CVA以其只需要計(jì)算一次奇異值分解的理論優(yōu)勢超越了其他許多同類算法[8]。綜上所述，我們最終選擇了CVA算法作為故障檢測的基礎(chǔ)算法。

近年來，CVA及其改進(jìn)算法往往用于化工過程的故障檢測，相關(guān)的工作大多在公開的數(shù)據(jù)集比如田納西-伊斯曼（TE）化工過程仿真平臺[6,9-15]和模擬青霉素生產(chǎn)過程[16]產(chǎn)生的數(shù)據(jù)上進(jìn)行仿真和研究，研究者從算法的魯棒性[17]、時變性[10]等各個角度予以創(chuàng)新，但很少脫離化工過程的模型進(jìn)行仿真，這一方面是出于化工過程往往有清晰的狀態(tài)方程可以用于理論驗(yàn)證，另一方面缺少其他工業(yè)過程的數(shù)據(jù)集也導(dǎo)致難以開展仿真工作。王寶祥[18]利用CVA算法對滾動軸承退化過程監(jiān)測，得到振動信號故障特征之后再用經(jīng)驗(yàn)?zāi)B(tài)法（EMD）進(jìn)行分解，再從模態(tài)的角度予以分析，對于將CVA算法用于非化工過程有很好的指導(dǎo)意義。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)來源及實(shí)驗(yàn)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。算法流程圖如圖1所示。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。

值得注意的是，由于CVA本身只關(guān)注對主機(jī)狀況貢獻(xiàn)較大的一些特征變量，可能會舍棄部分貢獻(xiàn)較小的變量，通過控制前l(fā)個變量的累積貢獻(xiàn)率達(dá)到95%以上，被舍棄的變量對于主機(jī)控制系統(tǒng)無足輕重，即使傳感器發(fā)生了故障，其對主機(jī)控制系統(tǒng)的決策的影響也微乎其微，甚至我們可以據(jù)此去掉一些不必要的傳感器。

圖1 故障檢測流程

我們的數(shù)據(jù)包含船主機(jī)氣缸上多個傳感器的讀數(shù)。具體變量情況如表1所示。

表1 變量編碼表

2.2 結(jié)果與分析

利用CVA方法，首先可以根據(jù)各變量的貢獻(xiàn)率選出特征變量，其中各變量的貢獻(xiàn)率如圖2所示。為了驗(yàn)證算法的正確性，我們也用了動態(tài)主成分分析（Dynamic Principal Component Analysis, DPCA）算法計(jì)算出了各變量的貢獻(xiàn)率（如圖3所示），通過對上述兩種方法的比較，可以看出對于主要特征變量的選擇是一致的。

圖2 CVA方法下各變量的貢獻(xiàn)率

圖3 DPCA方法下各變量的貢獻(xiàn)率

從中選取貢獻(xiàn)率累積超95%的前l(fā)個變量，可得l=19。后續(xù)統(tǒng)計(jì)量閾值畫線，我們只針對這19個特征變量進(jìn)行。由于奇異值分解時一些小量的倒置，導(dǎo)致統(tǒng)計(jì)量可能過于敏感，故只有當(dāng)連續(xù)3個采樣點(diǎn)都超過閾值，才認(rèn)為發(fā)生了故障[5]。在某段時間內(nèi)19個變量的兩種T2統(tǒng)計(jì)量以及相應(yīng)閾值畫線如圖4所示。由此可見氣缸排氣溫度、滑油出口壓力、燃油進(jìn)出口溫度三種物理量對應(yīng)的傳感器最容易發(fā)生偶發(fā)性故障，這可能與其惡劣的工作環(huán)境有關(guān)。

為了進(jìn)一步驗(yàn)證CVA方法的準(zhǔn)確性，我們采用在高關(guān)聯(lián)度數(shù)據(jù)集上常用的DPCA算法對同一數(shù)據(jù)集進(jìn)行分析，將兩種算法的結(jié)果進(jìn)行比較。DPCA算法需要預(yù)先設(shè)定最大延時，延時越大則考慮數(shù)據(jù)時序相關(guān)性越充分，結(jié)果越準(zhǔn)確，但計(jì)算效率也更低。當(dāng)延時超過某個閾值（在系統(tǒng)的物理最大延時附近）時，其檢測結(jié)果趨于穩(wěn)定。通過計(jì)算，本數(shù)據(jù)集的物理最大延時大約在30個單位時間，保險(xiǎn)起見，取延時為50個單位長度的DPCA模型檢測結(jié)果作為標(biāo)準(zhǔn)，各模型的相對準(zhǔn)確率及在同一單核CPU上的運(yùn)行時間如表2所示。從中可以看出，CVA利用很小的算量開銷，達(dá)到了較大延時下DPCA模型的同等效果，這也從側(cè)面印證了CVA適用于高關(guān)聯(lián)性數(shù)據(jù)分析的理論優(yōu)勢。

圖4 變量1-22（除去9,15,19）的兩種統(tǒng)計(jì)量以及相應(yīng)閾值

表2 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）CVA方法適用于從船舶主機(jī)控制系統(tǒng)的多維傳感器數(shù)據(jù)中提取特征變量，可以找出對主機(jī)工作狀態(tài)有主要影響的物理量，利用相應(yīng)的統(tǒng)計(jì)量閾值設(shè)置算法，可以排查出傳感器的偶發(fā)性故障。

（2）和PCA方法相比，CVA方法考慮了數(shù)據(jù)的自相關(guān)性和互相關(guān)性，更適用于對來自船舶主機(jī)傳感器組等高維強(qiáng)關(guān)聯(lián)數(shù)據(jù)的分析；DPCA方法雖然也考慮了數(shù)據(jù)的時序相關(guān)性，但計(jì)算效率不及CVA，后者更加適用于實(shí)時故障檢測。

（3）實(shí)例分析表明，基于CVA的數(shù)據(jù)分析方法，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，在實(shí)船數(shù)據(jù)上表現(xiàn)出較高的準(zhǔn)確性，具有較為廣闊的應(yīng)用前景。