本發(fā)明涉及的是一種船舶動力定位測量系統(tǒng)故障診斷方法，具體地說是一種基于支持向量機(jī)聚類的船舶動力定位測量系統(tǒng)故障診斷方法。

背景技術(shù)：

動力定位系統(tǒng)是一種閉環(huán)的控制系統(tǒng)，其功能是憑借自動或手動控制的水動力系統(tǒng)，使船舶在其作業(yè)時，能夠在規(guī)定的作業(yè)范圍和環(huán)境條件下保持其船位和艏向；及時對船舶動力定位的測量系統(tǒng)進(jìn)行故障診斷對船舶的航行作業(yè)安全性來說非常重要。

機(jī)器學(xué)習(xí)方法是當(dāng)今故障診斷領(lǐng)域研究的熱點(diǎn)之一，而支持向量機(jī)聚類方法是一種非常有效的故障診斷方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種能夠有效解決動力定位船運(yùn)行過程中傳感器發(fā)生多種故障的診斷問題，為故障的處理提供參考的基于支持向量機(jī)聚類的船舶動力定位測量系統(tǒng)多故障診斷方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

步驟一，采集動力定位測量傳感器的標(biāo)準(zhǔn)參數(shù)數(shù)據(jù)、通過動力定位測量系統(tǒng)采樣測量船舶的艏向和位置坐標(biāo)數(shù)據(jù)，得到含有噪聲的傳感器數(shù)據(jù)；

步驟二，對含有噪聲的傳感器數(shù)據(jù)進(jìn)行小波濾波；

步驟三，對小波濾波后的數(shù)據(jù)進(jìn)行預(yù)處理；

步驟四，數(shù)據(jù)特征提??；

步驟五，將數(shù)據(jù)特征提取后的數(shù)據(jù)作為輸入特征向量，并且根據(jù)傳感器的種類設(shè)置閾值和特征數(shù)據(jù)標(biāo)簽，建立訓(xùn)練集；

步驟六，選擇徑向基核函數(shù)；

步驟七，根據(jù)訓(xùn)練集求解最優(yōu)化問題，找出支持向量，求解超平面系數(shù)，建立最優(yōu)分類超平面，獲得支持向量機(jī)分類模型；

步驟八，將采集到的測量傳感器的實(shí)時數(shù)據(jù)，按照步驟二至步驟四進(jìn)行處理，處理之后輸入到支持向量機(jī)分類模型，通過得到的分類決策值判斷是否發(fā)生故障、發(fā)生哪種類型故障，實(shí)現(xiàn)傳感器的故障診斷和分類。

本發(fā)明還可以包括：

1、對不同故障進(jìn)行支持向量機(jī)聚類。

2、所述小波濾波是采用小波域閾值濾波的方法，具體包括：

(1)選擇小波和小波分解層數(shù)，將含有噪聲的傳感器數(shù)據(jù)時間序列利用Mallat快速算法進(jìn)行正交小波變換；

(2)對分解得到的小波系數(shù)進(jìn)行閾值處理，選取軟閾值方法進(jìn)行處理；

(3)將經(jīng)閾值處理的小波系數(shù)進(jìn)行重構(gòu)，得到去噪聲后的傳感器數(shù)據(jù)的估計值。

3、所述預(yù)處理表示為：

其中，X和X'分別為原始數(shù)據(jù)和預(yù)處理后的數(shù)據(jù)；X_max和X_min分別為原始數(shù)據(jù)中的最大值和最小值；B_upper和B_lower分別為期望預(yù)處理結(jié)果的上界和下界值。

4、所述對不同故障進(jìn)行支持向量機(jī)聚類具體包括：

將故障診斷和分類數(shù)據(jù)轉(zhuǎn)化為二維坐標(biāo)點(diǎn)(t_i,a_i)：

其中t_i為故障發(fā)生的時刻，

將以上坐標(biāo)點(diǎn)生成在以時間為橫軸的二維坐標(biāo)上，根據(jù)a_i值得不同顯示不同顏色的點(diǎn)。

本發(fā)明針對船舶動力定位故障診斷技術(shù)，提出了一種基于支持向量機(jī)聚類的故障診斷方法，用以檢測船舶動力定位測量系統(tǒng)中的故障并進(jìn)行分類和對多故障問題進(jìn)行聚類，從而得出什么時間段極易發(fā)生何種故障，能夠有效解決動力定位船運(yùn)行過程中傳感器發(fā)生多種故障的診斷問題，為故障的處理提供參考。本發(fā)明可用于對船舶動力定位測量系統(tǒng)中電羅經(jīng)、水聲、張緊索、DGPS的故障診斷。

本發(fā)明具有以下效果：

1.通過小波濾波可以減少甚至完全剔除信號噪聲，保證信號的一些其他特性不受影響。

2.通過支持向量機(jī)聚類方法能夠有效對測量系統(tǒng)在運(yùn)行過程中存在多種故障問題進(jìn)行分類和聚類，以區(qū)分不同故障的發(fā)生時間點(diǎn)和發(fā)生頻次，從而得出什么時間段極易發(fā)生何種故障，能夠有效解決動力定位船運(yùn)行過程中傳感器發(fā)生多種故障的診斷問題，為故障的處理提供參考。

附圖說明

圖1是本發(fā)明的方法流程圖；

圖2是本發(fā)明中二叉樹支持向量機(jī)多類分類工作流程圖。

具體實(shí)施方式

下面結(jié)合附圖舉例對本發(fā)明作進(jìn)一步描述。

結(jié)合圖1，本發(fā)明具體按以下步驟實(shí)現(xiàn)：

一、測量系統(tǒng)測量并輸出數(shù)據(jù)：

建立動力定位船的三自由度數(shù)學(xué)模型，設(shè)置風(fēng)、浪、流、推力等參數(shù)，并用MATLAB進(jìn)行仿真；通過測量系統(tǒng)每0.1秒采集一次數(shù)據(jù)，采樣測量輸出船舶的艏向和位置坐標(biāo)數(shù)據(jù)。

二、小波濾波：

由于傳感器測量信號中夾雜有噪聲信號，通過小波濾波可以減少甚至完全剔除信號噪聲，保證信號的一些其他特性不受影響。

采用小波域閾值濾波的方法，主要依據(jù)幅值較大的系數(shù)由重要信號產(chǎn)生這一基本假設(shè)來濾波。

(1)選擇合適的小波和小波分解層數(shù)，將含有噪聲的傳感器輸出時間序列利用Mallat快速算法進(jìn)行正交小波變換。

(2)對分解得到的小波系數(shù)進(jìn)行閾值處理。選取軟閾值方法進(jìn)行處理。

(3)將經(jīng)閾值處理的小波系數(shù)進(jìn)行重構(gòu)，得到去噪聲后的原始信號的估計值，該方法得到的是原始信號的最優(yōu)估計值。

三、數(shù)據(jù)預(yù)處理：

對輸入數(shù)據(jù)進(jìn)行一定的預(yù)處理是為了避免支持向量機(jī)輸入數(shù)據(jù)空間中數(shù)據(jù)偏差過大影響分類結(jié)果，同時也能夠避免引入過大的數(shù)據(jù)或特征而增加計算復(fù)雜度。

原始訓(xùn)練數(shù)據(jù)是指隨時間的變化，船舶的測量系統(tǒng)中輸出的艏向，北東坐標(biāo)采樣值。

其中，X和X'分別為原始訓(xùn)練數(shù)據(jù)和預(yù)處理后的數(shù)據(jù)；X_max和X_min分別為原始數(shù)據(jù)中的最大值和最小值；B_upper和B_lower分別為期望預(yù)處理結(jié)果的上界和下界值。

在預(yù)處理的過程中一定要注意需要對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)采取相同的預(yù)處理方法，這樣才可以使得分類結(jié)果具有一致性，來提高可信度。

四、數(shù)據(jù)特征提?。?/p>

為了提高支持向量機(jī)的診斷準(zhǔn)確率，根據(jù)3種傳感器故障類型的特點(diǎn)，用于訓(xùn)練和測試的傳感器數(shù)據(jù)特征將不再是單純的原始屬性值，而是對數(shù)據(jù)進(jìn)行如下處理：

假定

X＝[x₁,x₂,…,x_m]＝[x(t₀),x(t₀+τ),…,x(t₀+(m-1)τ)]

為傳感器在t₀到t₀+(m-1)τ時間段內(nèi)測得的原始數(shù)據(jù)，其中τ為采樣時間；

X'＝[x₁',x'₂,…,x'_m]＝[x'(t₀),x'(t₀+τ),…,x'(t₀+(m-1)τ)]

為X數(shù)據(jù)經(jīng)過預(yù)處理后得到的數(shù)據(jù)。

令

Z＝[z₁,z₂,…,z_m-1]＝[x'(t₀+τ)-x'(t₀),…,x'(t₀+(m-1)τ)-x'(t₀+(m-2)τ)]

為從原始屬性提取的特征向量。Z的維數(shù)比X和X'的維數(shù)少1，Z向量的每一個特征值代表了相鄰兩個數(shù)據(jù)之間的差值，這個差值的大小和數(shù)量特征決定了傳感器是否出現(xiàn)沖擊、偏差和輸出值恒定故障。在不同故障情況下，經(jīng)過差值處理的傳感器數(shù)據(jù)特征差異非常明顯，所以用差值處理后的特征數(shù)據(jù)作為支持向量機(jī)的輸入特征向量，將會大大增強(qiáng)支持向量機(jī)的診斷正確率。

為了進(jìn)一步提高支持向量機(jī)的診斷正確率，可進(jìn)一步提取特征。采用平移窗方法采集差值數(shù)據(jù)，即將得到的差值數(shù)據(jù)中的每10個作為一組，每新增一個采樣數(shù)據(jù)則剔除最早的一個采樣數(shù)據(jù)，并將每組數(shù)據(jù)的方差作為新的提取特征，重新構(gòu)造出特征向量：

Z'＝[z₁',z'₂,…,z'_m-11]

其中，

將最終得到的特征向量Z'作為用于訓(xùn)練或測試的輸入特征。

五、建立訓(xùn)練集：

將數(shù)據(jù)特征提取后的數(shù)據(jù)作為輸入特征向量，并且根據(jù)不同傳感器定義不同閾值和特征數(shù)據(jù)標(biāo)簽。

建立訓(xùn)練集T＝{(z₁',y₁),…,(z'_m-11,y_m-11)}，其中z_i'為經(jīng)過數(shù)據(jù)處理并進(jìn)行特征提取后的輸入特征向量，y_i∈{-1,+1}，i＝1,…,m-11。在建立支持向量機(jī)的訓(xùn)練集時，應(yīng)根據(jù)不同的傳感器和其實(shí)際應(yīng)用環(huán)境特點(diǎn)選取合理的標(biāo)簽，在偏差閾值允許范圍內(nèi)的對應(yīng)傳感器訓(xùn)練特征數(shù)據(jù)標(biāo)簽為-1；超出偏差閾值允許范圍的對應(yīng)特征數(shù)據(jù)標(biāo)簽為+1。

六、選擇核函數(shù)：

選擇徑向基(RBF)核函數(shù)，其可將數(shù)據(jù)從低維特征空間映射到高維特征空間，特別適合于具有非線性關(guān)系的數(shù)據(jù)分布和分類問題。

七、訓(xùn)練：

根據(jù)訓(xùn)練集求解最優(yōu)化問題，找出支持向量，求解超平面系數(shù)，建立最優(yōu)分類超平面，獲得分類模型，訓(xùn)練結(jié)束。

在MATLAB中運(yùn)用libsvm工具箱，運(yùn)用svmtrain函數(shù)對訓(xùn)練樣本和相應(yīng)標(biāo)簽進(jìn)行訓(xùn)練，獲得訓(xùn)練模型model。

八、測試故障診斷和分類：

將采集到的數(shù)據(jù)經(jīng)過同樣的數(shù)據(jù)處理和特征處理之后輸入到支持向量機(jī)，在MATLAB中運(yùn)用libsvm工具箱，運(yùn)用svmpredict函數(shù)對測試樣本進(jìn)行故障診斷，獲得分類決策值。通過得到的分類決策值判斷是否發(fā)生故障，發(fā)生哪種類型故障，實(shí)現(xiàn)傳感器的故障診斷和分類。

主要針對偏差、沖擊、輸出值恒定三種故障進(jìn)行分析。為了診斷出這3種類型的傳感器故障，需要將傳感器正常時測得的數(shù)據(jù)與發(fā)生了故障的時候的數(shù)據(jù)進(jìn)行分類，這時要采用二叉樹法就需要構(gòu)造3個支持向量機(jī)分類器。SVM1分類器是將沖擊故障與其他所有類別作出區(qū)分；SVM2分類器是將偏差故障與其他所有類別作出區(qū)分；SVM3分類器是將輸出值恒定故障與傳感器正常時的數(shù)據(jù)作出區(qū)分，如圖2所示：

在針對電羅經(jīng)建立支持向量機(jī)的訓(xùn)練集時，SVM₁和SVM₂中的偏差閾值為2°，即偏差數(shù)據(jù)大于2°時特征數(shù)據(jù)標(biāo)簽為+1，否則為-1；SVM₃中的偏差閾值為0.1°。

在針對DGPS建立支持向量機(jī)的訓(xùn)練集時，由于DGPS的定位精度通常能達(dá)到1m以內(nèi)，從傳感器故障及控制角度，設(shè)定SVM1和SVM2中允許的閾值為3m，SVM3中閾值為0.1，即方差小于0.1的序列標(biāo)簽為-1，其他為1。

訓(xùn)練數(shù)據(jù)間隔τ為0.1s。

九、對不同故障進(jìn)行支持向量機(jī)聚類：

由于測量系統(tǒng)可能在運(yùn)行過程中存在多種故障發(fā)生，可以通過對相同故障類型進(jìn)行聚類，以區(qū)分不同故障的發(fā)生時間點(diǎn)和發(fā)生頻次。

根據(jù)上一步的診斷和分類，得出故障時刻和對應(yīng)故障類型。統(tǒng)計上述數(shù)據(jù)并進(jìn)行數(shù)據(jù)處理。具體處理方法如下：

將上述數(shù)據(jù)轉(zhuǎn)化為二維坐標(biāo)點(diǎn)(t_i,a_i)：

其中t_i為故障發(fā)生的時刻，

將以上坐標(biāo)點(diǎn)生成在以時間為橫軸的二維坐標(biāo)上，根據(jù)a_i值得不同顯示不同顏色的點(diǎn)。

用不同顏色點(diǎn)代表不同的故障類型，這樣可以清晰地看出不同的故障發(fā)生的時間點(diǎn)。把以上坐標(biāo)點(diǎn)進(jìn)行支持向量機(jī)聚類，運(yùn)用libsvm工具箱,根據(jù)所診斷測量系統(tǒng)傳感器的特點(diǎn)，選擇合適的參數(shù)懲罰系數(shù)C和高斯核函數(shù)q進(jìn)行聚類。

進(jìn)行支持向量機(jī)聚類以后，可以根據(jù)故障點(diǎn)的密集程度判斷故障發(fā)生的頻次，從而得出什么時間段極易發(fā)生何種故障，能夠有效解決動力定位船運(yùn)行過程中傳感器發(fā)生多種故障的診斷問題，為故障的處理提供參考。