CN103809058A - 船艇供配电智能检测*** - Google Patents

Abstract

本发明公开了船艇供配电智能检测***，包括通断检测模块、电量采集模块、工业控制器、电源模块和CAN总线，所述电量采集模块包括三相智能电度表和电流采集模块，通过通断检测模块和电参量检测模块对主配电板的各条输电线路的电参量、断路器和熔断器的通断状态、继电器和接触器的闭合情况、控制开关的触头位置进行检测，所采集数据经CAN总线上传至工业控制器，工业控制器经基于连续隐马尔可夫模型的电路故障诊断软件分析判断，同时工业控制器经基于灰色模型的预测机制对船艇的供配电***进行短期状态预测；本发明的有益效果：模块化设计可移植性强，通用性好；故障点精确定位到故障器件，提高了检测精度；灰色模型预测机制具有自适应性。

Description

船艇供配电智能检测***

技术领域

本发明涉及检测***，尤其涉及一种船艇供配电智能检测***。

背景技术

由于舰船上的舵机、辅机、武备、电子、照明、通风、消磁等都需要使用电力，供配电***的可靠性和供电的连续性对舰船的作战效能的发挥起着决定性作用。069型船艇采用不接地的配电***，也就是采用三相三线绝缘的配电***，虽然这种配电制有着诸多优点，但在实际运行中存在产生过电压、故障定位困难等不足。就069船艇本身组成及结构而言，存在以下问题：（1）器件数量多，故障检测及排除时间长；（2）缺乏检测设备及手段，故障原因排除困难；（3）器件老化，使用寿命及可靠性存在不确定因素。

我国在故障预诊断与健康管理（PHM）方面的研究才刚刚起步，2005年北京航空航天大学曾声奎作了PHM技术的研究现状综述，2006年国防科技大学木志高设计了PHM***的大体结构，提出采用分布式结构，利用故障诊断预测模块接收异常状态信息并进行判断，故障趋势预测模块接收趋势信息，将诊断和预测结果供给分析决策模块以提供维修需求信息；2008年哈尔滨工业大学张嘉钟分析了国外航空设备的PHM***，指出该***包括设备的状态检测、状态预报、故障诊断、故障评估及故障处理等；沈阳航空工业学院王瑞芳针对机器人维护的特点研究了基于统计过程控制的机器人***的故障预测；空军工程大学张亮针对新一代作战飞机的技术特点以及在维修保障方面的需求，提出了机载PHM***的体系结构，设计了3种分离的推理机：异常检测推理机、故障诊断推理机和故障预测推理机。目前我国的PHM技术主要应用在民航，如COMPASS，ECM，ADEPT等，主要是飞机或发动机的性能状态监控的软件***，但功能很有限，PHM核心技术的研究更谈不上成熟。

现有技术大多是针对各类电子***开展故障诊断的研究，很少涉及到***的状态监测与健康管理研究。就舰船供配电******而言，在运行过程中更需要的是能够对***进行在线状态监测，密切关注***的健康状况变化，以便能够根据供配电***的实际健康状况来决定维修与否(即视情维修)。在***出现早期故障时，通常由于故障信号的微弱变化很难直接检测出来，如何把不易检测的早期故障信号转变为容易观测到的信息，评价当前状态偏离正常态的程度并估计***的健康状况，给视情维修提供依据，是项目研究的核心内容。由于早期故障信号的微弱性，仅以一个时间点上的观测信号来估计***的健康状况是远远不够的，应当对供配电***进行多次信号检测并以此来估计***的健康状态。

在视情维修的情况下，需对供配电***的早期故障进行监测与识别，以便在***出现故障之前就及时发现和替换这些潜在的早期故障元件，而早期故障特征的微弱性大大增加了故障诊断的难度。因此如何有效地辨别出故障元件显得尤为重要，特征提取的研究是故障诊断技术中非常重要的步骤，尤其是在早期故障的诊断过程中。由于单类特征包含的信息总是有限的，不同类型的特征包含了供配电***不同角度的状态信息。因此，当采集到供配电***不同类型的特征时，如何实现对这些特征的有效融合，充分挖掘出其中的有用信息，以期望能够提高故障识别率。

状态监测与早期故障诊断是基于监测点瞬时数据来实现的，但是很难了解***的行为特征，实际中还需利用供配电***的历史信息和动态信息，实现对供配电***未来的运行状态和发展趋势做出估计，防止灾难性故障的发生，因此需要有效的预测模型来监督供配电***劣化的变化趋势。状态预测以当前***的状态为起点，结合被预测对象的近期监测数据及历史数据，通过相应的预测算法对被监测数据进行分析，对***未来时刻的运行状态进行预测、分析与决策，以便及时在故障发生之前采取有效措施保证***的顺利运行，实现对故障的提前预警，以便及早采取相应的措施，为***后续的正常运行争取时间，其次也增加了***的故障预测能力，对装备在未来时刻中可能出现的故障进行预测，以便进行预防维修。配电***中各类电器在使用过程中的某些部件老化、磨损、疲劳等性能逐渐下降，最终超出允许值而发生的故障，这类故障占有相当大的比重，具有一定的规律性，能够通过早期的状态运行数据进行预测和防止。

综上所述，对主配电板的工作状态进行实时监测、对各个低压电器进行健康管理、对供配电***进行故障检测与预测是提高舰船工作可靠性、保障作战效能的重要手段。

发明内容

针对上述现有技术，本发明提供一种船艇供配电智能检测***，它具有故障检测范围广、检测精度高、故障预测准、操作简便灵活等优点。

本发明是通过以下技术方案实现的：

船艇供配电智能检测***，包括15个通断检测模块、10个电量采集模块、1台工业控制器、电源模块和CAN总线，所述电量采集模块包括三相智能电度表和电流采集模块，通过通断检测模块、电参量检测模块对主配电板的各条输电线路的电参量、断路器和熔断器的通断状态、继电器和接触器的闭合情况、控制开关的触头位置进行检测，所采集数据经CAN总线上传至工业控制器，工业控制器经基于连续隐马尔可夫模型的电路故障诊断软件分析判断，同时工业控制器经基于灰色模型的预测机制对船艇的供配电***进行短期状态预测。

所述通断检测模块电路包括各采集通道相互对立且灵活组合的信号采集部分、信号处理部分、CAN通讯部分和电源及接口，CAN通讯部分包括CAN协议栈芯片MCP2510、电平转换芯片TJA1050和***电路，TJA1050将在CAN总线上接收到的CAN数据帧电平转换后，传递给MCP2510，MCP2510将接收到的数据进行帧ID匹配，然后MCP2510通过SPI接口与信号处理部分的单片机进行通讯。

所述通断检测模块的检测流程为：首先通断检测模块完成模块初始化，对各个I/O口进行设置，然后通过SPI接口对MCP2510进行CAN通讯参数的设置，设置屏蔽滤波器只接收工业控制器的数据，根据数据采集口的数据组合CAN数据帧，并传输给MCP2510，当接收到工业控制器发来的数据发送命令后，通断检测模块进行命令判定，当工业控制器发来的命令字与本模块ID相符后，单片机向MCP2510发出数据传输命令，包含采集信息的数据帧传输到CAN总线。

所述电流采集模块采用芯片ATT7022B。

所述连续隐马尔可夫模型结构，如下：

（1）供配电***在初始工作或投入运行时总是处于正常工作状态，模型参数中的初始状态概率参数设为：π=[l000]；

（2）状态转移矩阵为：

$A=\left[\begin{array}{cccc}{a}_{00}& a_{01}& 0& 0\\ 0& a_{11}& a_{12}& 0\\ 0& 0& a_{22}& a_{23}\\ 0& 0& 0& 1\end{array}\right]$

其中，状态分为四类：正常态（0），弱故障态（1），中间故障态（2），完全故障态（3），中间故障态包含了两类:状态1，状态2，ai_j（i，j=0，l，2，3）表示状态间的转移概率值，O_k（k=0，l，2，3）表示在各种状态下观测到的数据序列，即故障征兆；

（3）B矩阵表示如下：

$\left\{\begin{array}{c}B=\{b_j\left(0\right),j=\mathrm{1,2},...N\}\\ b_j\left(0\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}H[0,\mathrm{\μm},u_{\mathrm{jm}}]\end{array}\right.$

其中0是观测矢量，c_jm是状态j的第m个混合成分的混合系数，H指高斯概率密度，状态j的第m个混合成分的均值矢量为μ_jm，协方差矩阵为Uj_m，c_jm满足随机约束:

$\left\{\begin{array}{c}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}=\mathrm{1,1}\≤j\≤N\\ C_{\mathrm{jm}}\≥\mathrm{0,1}\≤j\≤N,1\≤m\≤M\end{array}\right.$

（4）概率密度函数满足归一化条件，即：

（5）混合密度系数c_jm、μ_jm、U_jm的重估公式为：

$\left[\begin{array}{c}\stackrel{\‾}{C_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}{{\mathrm{\Σ}}_{t=1}^T{\mathrm{\Σ}}_{m=1}^M{r}_t(j,k)}\\ \stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k).O_t}{{\mathrm{\Σ}}_{t=-1}^T{r}_t(j,k)}\\ \stackrel{\‾}{U_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k).(O_t-{\mathrm{\μ}}_{\mathrm{jk}}){(O_t-{\mathrm{\μ}}_{\mathrm{jk}})}^T}{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}\end{array}\right]$

其中rt(l,k)是t时刻，O_t是在状态j且带有第k个混合成分的概率，可简化为r_t(j)=P(q_t)=θ_j|O,λ)

所述连续隐马尔可夫模型实时检测供配电***的工作状态，提取故障特征值，与正常态特征比较，进行KL距离计算，根据KL距离计算值的大小判断***是否存在突发性故障，并对***的工作状态进行健康估计。

所述KL距离表示p和q之间的接近程度，

$d_{\mathrm{kL}}\left(p\right|\left|q\right)=\underset{X\∈u}{\∑}p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}$

其中，p和q是问题域U上的两个近似的概率密度函数。

采用连续隐马尔可夫模型实现对供配电***的的故障诊断，包括训练过程和测试过程，其中训练过程如下：

a.对电路***的测点信号进行采集，获得N个原始信号；

b.设置各类故障，采用合适的特征提取方法从原始信号上进行提取，获得不同电路状态条件下的N个特征向量；

c.对每类电路状态条件下的特征向量，任意选择L个特征向量构成一组观测序列，从而获得M组观测序列，其中M=N/L，L称为观测序列长度；

d.将观测序列归一化到[-1，1]区间，设Q为输入数据，

是归一化后的数据，则两者的关系如下：

$\stackrel{\·}{Q}=\frac{2*(Q-\min \left(Q\right))-1}{(\max \left(Q\right)-\min \left(Q\right))}-1;$

e.将归一化后的观测序列用于训练隐马尔可夫模型，设有n类故障外加电路***的正常态，共需训练n+1个隐马尔可夫模型；

测试过程如下:

a.采集到K次原始信号；

b.对K次原始信号进行相同的特征提取，获得K个特征向量；

c.将上述K个特征向量构成一组测试序列，并进行[1，l]归一化处理，其中K为测试序列长度；

d.将归一化后的测试序列输入己训练后的n+l个隐马尔可夫模型，获得各个似然概率值，最大似然概率值对应的隐马尔可夫模型决定电路的状态类型。

所述灰色模型，采用新陈代谢法对GM（1，l）进行改进，使得模型参数（a，b）是在线自适应改变：

首先给出灰色模型的有关定义：

GM（1，l）模型的定义：

设检测到的电压或电流数列x^（0）={x^（0）（i）≥0,1，…n}，对序列做一次累加生成：

$x^{\left(1\right)}=x^{\left(1\right)}\left(i\right)\≥0,i=\mathrm{1,2},...n,x^{\left(1\right)}\left(i\right)=\underset{m=1}{\overset{i}{\mathrm{\Σ}}}{x}^{\left(0\right)}\∑\left(m\right)$

计算GM（1,1）模型背景值：z(k)=0.5×(x⁽¹⁾(k)+x⁽¹⁾(k-1)),k=2,...,n;

一阶灰色模型方程为：

$\frac{{\mathrm{ds}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{as}}^{\left(1\right)}=b;$

设

为参数序列：

$B=\left[\begin{array}{cc}-z\left(2\right)& 1\\ -z\left(3\right)& 1\\ ...& ...\\ -z\left(n\right)& 1\end{array}\right],Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],$

由最小二乘法得参数估计值：

；

灰色模型方程的解为：

${\stackrel{.}{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(0\right)-\frac{b}{a}]e^{-\mathrm{at}}+\frac{b}{a}i=\mathrm{1,2},...n;$

取x⁽¹⁾(0)=x⁽⁰⁾(0)，则模型的还原值为：

${\stackrel{.}{x}}^{\left(0\right)}(k+1)={\stackrel{.}{x}}^{\left(1\right)}(k+1)-{\stackrel{.}{x}}^{\left(1\right)}\left(k\right)=(1-e^a)(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}k=\mathrm{0,1},2,...n$

其中，

为原始数据序列x⁽⁰⁾(k)(k=1,2,...,n)的拟合值，

为原始数据x⁽⁰⁾(k)(k＞n)的预测值，GM（1，1）中的参数a为发展系数，b为灰作用量。

灰色模型具体操作如下：

给定预测维数m，选择数据序列{x⁽⁰⁾(l)，…，x⁽⁰⁾(m)}建立GM(l，l)预测出数据x’(m+l)；再选择数据序列{x^(o)(2)，…，x^(o)(m+l)}建立GM(l，l)预测x’(m+2)，依次类推，这样每预测一次数据就要建立新的模型，使得模型参数是在线可变，具有一定的自适应性。

本发明的有益效果：

1模块化设计的通断检测模块、电量采集模块集成化程度高，既可单独工作，也可相互组建，基于CAN总线构成采集***。根据被测***的复杂程度，作为CAN总线节点的通断检测模块、电量采集模块可以灵活挂接，且模块适用于其它装备的供配电***检测，可移植性强，具有较好的通用性。

2根据船艇供电制式、结构原理，建立基于从左至右的连续隐马尔可夫模型结构，对船艇的供配电***的工作参数进行信息量的提取，经过压缩变换后得到最优特征值，将分段训练后形成多个隐马尔可夫模型估算出一套初始模型参数，真实反映故障发展的不可逆性和供配电***的健康状况不断下降的过程。

3将供配电***的各条输电线路作为统一的电参量采集***，融合特征级的电路故障诊断模型有效解决了供配电***中存在的逻辑控制关系造成的突发故障判断不准确的难题，将故障点精确定位到故障器件，提高了检测精度。

4改进的灰色模型预测机制，根据船艇当前的电参量数据，实时建立新的预测模型，减少了检测***数据需求量，使得模型参数在线可变，具有一定的自适应性，数据的动态调整，缩短了船艇工作状态的预测时间。

附图说明

图1为船艇供配电智能检测***原理结构示意图；

图2为线路通断检测模块原理示意图；

图3为电量采集模块原理示意图；

图4为故障诊断软件流程示意图；

图5为通断检测模块原理示意图；

图6为检测通道线路连接示意图；

图7为通断检测模块互联结构示意图；

图8为通断检测模块软件流程图；

图9为电流采集模块原理示意图；

图10为供配电***隐马尔可夫模型结构图；

图11为特征提取过程示意图；

图12为配电线路故障诊断的训练过程示意图；

图13为电路故障诊断测试过程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

船艇供配电智能检测***，如图1和图3所示，包括15个通断检测模块、10个电量采集模块、1台工业控制器、电源模块和CAN总线，所述电量采集模块包括三相智能电度表和电流采集模块，通过通断检测模块、电参量检测模块对主配电板的各条输电线路的电参量、断路器和熔断器的通断状态、继电器和接触器的闭合情况、控制开关的触头位置进行检测，所采集数据经CAN总线上传至工业控制器，工业控制器经基于连续隐马尔可夫模型的电路故障诊断软件分析判断，同时工业控制器经基于灰色模型的预测机制对船艇的供配电***进行短期状态预测。

所述通断检测模块电路，如图5所示，包括各采集通道相互对立且灵活组合的信号采集部分、信号处理部分、CAN通讯部分和电源及接口，CAN通讯部分包括CAN协议栈芯片MCP2510、电平转换芯片TJA1050和***电路，TJA1050将在CAN总线上接收到的CAN数据帧电平转换后，传递给MCP2510，MCP2510将接收到的数据进行帧ID匹配，然后MCP2510通过SPI接口与信号处理部分的单片机进行通讯。如图2所示，供配电***中安装有较多的熔断器、断路器等，其工作状态只有通、断两个状态，当熔断器工作正常时，其输出端有电压，若发生故障时，输出端无电压，有电压时，光电耦合器导通，状态信号经微处理器采集处理后通过CAN总线上传至上位机。

在信号采集部分，每个采集通道相互对立，可以灵活组合，方便对舰艇供配电***中各个支路的通断检测，如，L1、L2接A相熔断器输出端，N1、L3接B相熔断器输出端，N2、N3接C相熔断器输出端，如图6所示，形成三相电路的△负载，任意一相熔断器熔断，根据各个光耦的工作状态，便可判断出故障熔断器的位置，若FU1熔断，在这种状态下则只有光耦的发光二极管LED2导通，若FU3熔断，则只有LED3导通；如果多个熔断器熔断，供配电***必然发生了相间短路事故，所有的发光二极管都不会导通，同时，相应的断路器肯定脱扣，电量采集模块采集到的电流值肯定为零。在熔断器没有熔断的情况下，光耦的发光二极管导通，在其输出端输出低电平，由信号处理模块的单片机检测。发光二极管D11、D12的作用有两个，一是可以直观指示线路的工作状态，熔断器工作正常时点亮，否则熄灭；二是对被测电压进行半波整流，以降低限流电阻R34、R35、R36、R37的功耗。

信号处理部分的核心为高性能1T指令周期51核单片机，为普通单片机处理速度的8～12倍，工作频率高达420MHz，该部分的主要功能是采集通断信号、与CAN通讯部分进行数据交换。

电源及接口电路包括线性电源模块7805和两个4芯插座，其连接如图7所示，线性电源模块7805将外部提供的直流12V转换为5V，为通断检测模块提供电源。由于在整个船艇供配电智能检测***中，挂接的CAN节点较多，为了防止线路压降造成供电电压不足，因此外部电源采用直流12V供电两个4芯插座便于与其它模块形成CAN总线结构。

所述通断检测模块的检测流程为：如图8所示，首先通断检测模块完成模块初始化，对各个I/O口进行设置，然后通过SPI接口对MCP2510进行CAN通讯参数的设置，设置屏蔽滤波器只接收工业控制器的数据，根据数据采集口的数据组合CAN数据帧，并传输给MCP2510，当接收到工业控制器发来的数据发送命令后，通断检测模块进行命令判定，当工业控制器发来的命令字与本模块ID相符后，单片机向MCP2510发出数据传输命令，包含采集信息的数据帧传输到CAN总线。

电流采集模块如图9所示，包括电表芯片ATT7022B及其***电路、电流传感器和采样滤波电路。其中，电表芯片ATT7022B专用于三相三线、三相四线制各种电参量测量，如功率因数、相位、频率、电压、电流、有功功率、无功功率等，性能可靠，在电流采集模块中，只是用于三相电流的测量。ATT7022B采用16位ADC双端差分信号输入，测量精度满足0.5S/0.2S。图9中，P1、P4为电流传感器，根据主配电板各路负载断路器的参数，选择传输比为10A/10mA；根据ATT7022B对输入采样信号的要求，ATT7022B的电流信号输入范围是0～1V有效值，因此采样电阻R61、R60阻值选为10欧姆，当负载电流为10A时，采样电阻电压为0.1V。主配电板的各个负载的性能、性能不同，有些为电动机性质，如风机、泵机等，这些负载的启动电流为额定电流的5～7倍，功率较大时可能达到10倍，为了满足电流的全范围测量，因此电路中选择采样电阻为10欧姆。为了防止由于采样可能引起的失真，电路中采用电阻R50、R51、R52、R53和电容C49、C48、C47、C46构成低通滤波器作为抗混叠滤波器，这是一种单极点滤波器，以-20dB/十倍频程衰减，其中电阻取1.2k，电容取nF，图9中电阻R54、R55、R56、R57为差分采用提供偏置电压。

电量采集模块的软件流程与通断检测模块的程序控制流程相似，所不同的是数据采集部分。电量采集模块数据采集部分是与ATT7022B进行数据传输，接收ATT7022B采集到的电流数值，然后进行CAN数据帧的组合。

所述连续隐马尔可夫模型结构，如图10所示，如下：

（1）供配电***在初始工作或投入运行时总是处于正常工作状态，模型参数中的初始状态概率参数设为：π=[l000]；

（2）状态转移矩阵为：

$A=\left[\begin{array}{cccc}{a}_{00}& a_{01}& 0& 0\\ 0& a_{11}& a_{12}& 0\\ 0& 0& a_{22}& a_{23}\\ 0& 0& 0& 1\end{array}\right]$

其中，状态分为四类：正常态（0），弱故障态（1），中间故障态（2），完全故障态（3），中间故障态包含了两类:状态1，状态2，ai_j（i，j=0，l，2，3）表示状态间的转移概率值，O_k（k=0，l，2，3）表示在各种状态下观测到的数据序列（即故障征兆）；

（3）B矩阵表示如下：

$\left\{\begin{array}{c}B=\{b_j\left(0\right),j=\mathrm{1,2},...N\}\\ b_j\left(0\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}H[0,\mathrm{\μm},u_{\mathrm{jm}}]\end{array}\right.$

其中?是观测矢量，c_jm是状态j的第m个混合成分的混合系数，H指高斯概率密度，状态j的第m个混合成分的均值矢量为μ_jm，协方差矩阵为U_jm，c_jm满足随机约束:

$\left\{\begin{array}{c}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}=\mathrm{1,1}\≤j\≤N\\ C_{\mathrm{jm}}\≥\mathrm{0,1}\≤j\≤N,1\≤m\≤M\end{array}\right.$

（4）概率密度函数满足归一化条件，即：

（5）混合密度系数c_jm、μ_jm、U_jm的重估公式为：

$\left[\begin{array}{c}\stackrel{\‾}{C_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}{{\mathrm{\Σ}}_{t=1}^T{\mathrm{\Σ}}_{m=1}^M{r}_t(j,k)}\\ \stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}\\ \stackrel{\‾}{U_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k).(O_t-{\mathrm{\μ}}_{\mathrm{jk}}){(O_t-{\mathrm{\μ}}_{\mathrm{jk}})}^T}{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}\end{array}\right]$

其中rt₍j,k)是t时刻，O_t是在状态j且带有第k个混合成分的概率，可简化为r_t(j)=P(q_t)=θ_j|O,λ.

所述连续隐马尔可夫模型实时检测供配电***的工作状态，如图4所示，提取故障特征值，与正常态特征比较，进行KL距离计算，根据KL距离计算值的大小判断***是否存在突发性故障，并对***的工作状态进行健康估计；其中如何有效提取供配电***的故障特征，是状态监测和故障诊断领域研究的关键。由于提取的特征常具有冗余性与高维性的特点，将其直接应用于状态监测***，会极大地降低监测效率，导致不准确的健康状况估计，因此根据实际的需要和问题的特性，对所提取的特征有时需要压缩变换，在低维空间内获取最优特征，以利于更精确实现***的状态监测，特征提取过程如图11所示。

所述KL距离表示p和q之间的接近程度，

$d_{\mathrm{kL}}\left(p\right|\left|q\right)=\underset{x\∈u}{\mathrm{\Σ}}p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}$

其中，p和q是问题域U上的两个近似的概率密度函数。

采用隐马尔可夫模型实现对供配电***的的故障诊断，包括训练过程和测试过程，其中训练过程如图12所示：

a.对电路***的测点信号进行采集，获得N个原始信号；

b.设置各类故障，采用合适的特征提取方法从原始信号上进行提取，获得不同电路状态条件下的N个特征向量；

c.对每类电路状态条件下的特征向量，任意选择L个特征向量构成一组观测序列，从而获得M组观测序列，其中M=N/L，L称为观测序列长度；

d.将观测序列归一化到[-1，1]区间，设Q为输入数据，是归一化后的数据，则两者的关系如下：

$\stackrel{\·}{Q}=\frac{2*(Q-\min \left(Q\right))-1}{(\max \left(Q\right)-\min \left(Q\right))}-1;$

e.将归一化后的观测序列用于训练隐马尔可夫模型，设有n类故障外加电路***的正常态，共需训练n+1个隐马尔可夫模型；

测试过程如图13所示:

a.采集到K次原始信号；

b.对K次原始信号进行相同的特征提取，获得K个特征向量；

c.将上述K个特征向量构成一组测试序列，并进行[1，l]归一化处理，其中K为测试序列长度；

d.将归一化后的测试序列输入己训练后的n+l个隐马尔可夫模型，获得各个似然概率值，最大似然概率值对应的隐马尔可夫模型决定电路的状态类型。

所述灰色模型，采用新陈代谢法对GM（1，l）进行改进，使得模型参数（a，b）是在线自适应改变：

首先给出灰色模型的有关定义：

GM（1，l）模型的定义：

设检测到的电压或电流数列x^（0）={x^（0）（i）≥0,1，…n}，对序列做一次累加生成：

$x^{\left(1\right)}={\{x}^{\left(1\right)}\left(i\right)\≥0,i=\mathrm{1,2},...n{\},x}^{\left(1\right)}\left(i\right)=\underset{m=1}{\overset{i}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right);$

计算GM（1,1）模型背景值：

$z\left(k\right)=0.5\×(x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1,),k=2,...,n;$

一阶灰色模型方程为：

$\frac{{\mathrm{ds}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{as}}^{\left(1\right)}=b;$

设

为参数序列：

$B=\left[\begin{array}{cc}-z\left(2\right)& 1\\ -z\left(3\right)& 1\\ ...& ...\\ -z\left(n\right)& 1\end{array}\right],Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],$

由最小二乘法得参数估计值：

；

灰色模型方程的解为：

${\stackrel{.}{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(0\right)-\frac{b}{a}]e^{-\mathrm{at}}+\frac{b}{a}i=\mathrm{1,2},...n;$

取x⁽¹⁾(0)=x⁽⁰⁾(0)，则模型的还原值为：

${\stackrel{.}{x}}^{\left(0\right)}(k+1)={\stackrel{.}{x}}^{\left(1\right)}(k+1)-{\stackrel{.}{x}}^{\left(1\right)}\left(k\right)=(1-e^a)(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}k=\mathrm{0,1},2,...n$

其中，

为原始数据序列x⁽⁰⁾(k)(k=1,2...,n)的拟合值，

为原始数据x⁽⁰⁾(k)(k＞n)的预测值，GM（1，1）中的参数a为发展系数，b为灰作用量。

灰色模型具体操作如下：

给定预测维数m，选择数据序列{x⁽⁰⁾(l)，…，x⁽⁰⁾(m)}建立GM(l，l)预测出数据x’(m+l)；再选择数据序列{x^(o)(2)，…，x^(o)(m+l)}建立GM(l，l)预测x’(m+2)，依次类推，这样每预测一次数据就要建立新的模型(重算a、b参数)，使得模型参数是在线可变，具有一定的自适应性。

由于船艇采用发电机组供电，发电机具有稳压功能，且船艇输电线路不是很长，故认为负载端电压始终与发电机端电压即主配电板母线电压一致。“船艇供配电智能检测***”对母线电压和负载电流进行测量，在估计各个负载健康状况后，即使电流有一定偏离但还不足以维修时，那么就需要密切关注其电流的变化，并对其进行准确的状态预测。供配电***健康状况的下降是缓慢的，因此采样数据的间隔要求也比较大，需要的数据量也非常多，数据存储及处理也非常困难，因此“船艇供配电智能检测***”采用基于灰色模型的预测机制，对船艇的供配电***进行短期状态预测。

本发明主要有以下特点：

1、模块化设计，可扩展性强。各个数据采集模块（线路通断检测模块、电参量检测模块）内部采用高性能微处理器进行单独工作，将采集到的数据通过CAN协议桥接芯片上传给上位机——工业控制器进行处理，根据数据通讯线缆的长度及通讯速率的大小，可以挂接的数据采集模块可超120个，极大方便了智能检测***的移植与扩展。

2、信号采集隔离、功耗低，对原***无影响。线路通断检测模块采用光电耦合器对输入输出信号进行隔离，不论该检测模块是否工作、是否出现故障，都不会对舰艇供配电***造成影响；电参量检测模块采用精密电压传感器或电流传感器，隔离电压达2kV，被测电压或电流与检测***很好隔离。由于被测对象与检测***不存在直接的电连接，因此，不论检测***处于何种状态，均对舰艇原***无影响。此外，该检测***工作时，总耗电约1安培，由于采用DC24V和DC12V供电，其消耗总功率最大24W，与舰艇发电机功率相比可以忽略不计，当检测***开机运行时，不会对舰艇的供配电***照成负担。

3、操作方便，人机界面友好。检测***通过工业控制器将舰船供配电***的当前电参量（母线电压、各负载电流等）进行实时显示，并对供配电***的工作状态进行检测，当检测到船艇供配电***存在故障时，将故障点定位至各个器件，并在工业控制器上进行显示。在整个操作过程中，需要人员参与的只是按下工业控制器显示屏上的各个触控“功能按钮”，进行相应显示界面的切换即可，操作非常简单。

4、技术含量高，预测结果可信度高。该检测***采取线性辨别分析提取船艇供配电***的状态特征，并与基于隐马尔可夫模型相结合，并对离散隐马尔可夫模型设计了改进的训练算法。隐马尔可夫模型作为状态监测器计算未知状态的KL距离，成功实现把微弱变化的早期故障过程转化为明显变化的KL距离，并用之来评价电子***的健康状况，为视情维修提供依据，解决“是否维修”。

5、检测方法多样，故障定位精度高。由于人为误操作或其它不确定因素的存在，有可能引起供配电***的突发故障，造成熔断器熔断或断路器脱扣，甚至其它器件的烧毁。因此，该检测***除了能够对船艇供配电***的健康状态进行评估，预测故障外，还对供配电***的工作状态进行实时检测，一旦出现不正常现象，即可给出故障器件位置的报警信息。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.船艇供配电智能检测***，其特征在于，包括通断检测模块、电量采集模块、工业控制器、电源模块和CAN总线，所述电量采集模块包括三相智能电度表和电流采集模块，通过通断检测模块和电参量检测模块对主配电板的各条输电线路的电参量、断路器和熔断器的通断状态、继电器和接触器的闭合情况、控制开关的触头位置进行检测，所采集数据经CAN总线上传至工业控制器，工业控制器经基于连续隐马尔可夫模型的电路故障诊断软件分析判断，同时工业控制器经基于灰色模型的预测机制对船艇的供配电***进行短期状态预测。

2.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述通断检测模块电路包括各采集通道相互对立且灵活组合的信号采集部分、信号处理部分、CAN通讯部分和电源及接口，CAN通讯部分包括CAN协议栈芯片MCP2510、电平转换芯片TJA1050和***电路，TJA1050将在CAN总线上接收到的CAN数据帧电平转换后，传递给MCP2510，MCP2510将接收到的数据进行帧ID匹配，然后MCP2510通过SPI接口与信号处理部分的单片机进行通讯。

3.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述通断检测模块的检测流程为：首先通断检测模块完成模块初始化，对各个I/O口进行设置，然后通过SPI接口对MCP2510进行CAN通讯参数的设置，设置屏蔽滤波器只接收工业控制器的数据，根据数据采集口的数据组合CAN数据帧，并传输给MCP2510，当接收到工业控制器发来的数据发送命令后，通断检测模块进行命令判定，当工业控制器发来的命令字与本模块ID相符后，单片机向MCP2510发出数据传输命令，包含采集信息的数据帧传输到CAN总线。

4.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述电流采集模块采用芯片ATT7022B。

5.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述连续隐马尔可夫模型结构，如下：

（1）供配电***在初始工作或投入运行时总是处于正常工作状态，模型参数中的初始状态概率参数设为：π=[l000]；

（2）状态转移矩阵为：

$A=\left[\begin{array}{cccc}{a}_{00}& a_{01}& 0& 0\\ 0& a_{11}& a_{12}& 0\\ 0& 0& a_{22}& a_{23}\\ 0& 0& 0& 1\end{array}\right]$

其中，状态分为四类：正常态（0），弱故障态（1），中间故障态（2），完全故障态（3），中间故障态包含了两类:状态1，状态2，ai_j（i，j=0，l，2，3）表示状态间的转移概率值，O_k（k=0，l，2，3）表示在各种状态下观测到的数据序列，即故障征兆；

（3）B矩阵表示如下：

$\left\{\begin{array}{c}B=\{b_j\left(0\right),j=\mathrm{1,2},...N\}\\ b_j\left(0\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}H[0,\mathrm{\μm},u_{\mathrm{jm}}]\end{array}\right.$

其中o是观测矢量，C_jm是状态j的第m个混合成分的混合系数，H指高斯概率密度，状态j的第m个混合成分的均值矢量为μ_jm，协方差矩阵为U_jm，C_jm满足随机约束:

$\left\{\begin{array}{c}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{jm}}=\mathrm{1,1}\≤j\≤N\\ C_{\mathrm{jm}}\≥\mathrm{0,1}\≤j\≤N,1\≤m\≤M\end{array}\right.$

（4）概率密度函数满足归一化条件，即：

（5）混合密度系数C_jm、μ_jm、U_jm的重估公式为：

$\left\{\begin{array}{c}\stackrel{\‾}{C_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}{{\mathrm{\Σ}}_{t=1}^T{\mathrm{\Σ}}_{m=1}^M{r}_t(j,k)}\\ \stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k).O_t}{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}\\ \stackrel{\‾}{U_{\mathrm{jk}}}=\frac{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k).(O_t-{\mathrm{\μ}}_{\mathrm{jk}}){(O_t-{\mathrm{\μ}}_{\mathrm{jk}})}^T}{{\mathrm{\Σ}}_{t=1}^T{r}_t(j,k)}\end{array}\right.$

其中r(_tj,k)是t时刻，O_t是在状态j且带有第k个混合成分的概率，可简化为r_t(j)=P(q_t=θ_j|O,λ)

6.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述连续隐马尔可夫模型实时检测供配电***的工作状态，提取故障特征值，与正常态特征比较，进行KL距离计算，根据KL距离计算值的大小判断***是否存在突发性故障，并对***的工作状态进行健康估计。

7.如权利要求6所述的船艇供配电智能检测***，其特征在于，所述KL距离表示p和q之间的接近程度，

$d_{\mathrm{kL}}\left(p\right|\left|q\right)=\underset{X\∈u}{\∑}p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}$

其中，p和q是问题域U上的两个近似的概率密度函数。

8.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述采用连续隐马尔可夫模型实现对供配电***的的故障诊断，包括训练过程和测试过程，其中训练过程如下：

a.对电路***的测点信号进行采集，获得N个原始信号；

b.设置各类故障，采用合适的特征提取方法从原始信号上进行提取，获得不同电路状态条件下的N个特征向量；

c.对每类电路状态条件下的特征向量，任意选择L个特征向量构成一组观测序列，从而获得M组观测序列，其中M=N/L，L称为观测序列长度；

d.将观测序列归一化到[-1，1]区间，设Q为输入数据，

是归一化后的数据，则两者的关系如下：

$\stackrel{\·}{Q}=\frac{2*(Q-\min \left(Q\right))-1}{(\max \left(Q\right)-\min \left(Q\right))}-1;$

e.将归一化后的观测序列用于训练隐马尔可夫模型，设有n类故障外加电路***的正常态，共需训练n+1个隐马尔可夫模型；

测试过程如下：

a.采集到K次原始信号；

b.对K次原始信号进行相同的特征提取，获得K个特征向量；

c.将上述K个特征向量构成一组测试序列，并进行[1，l]归一化处理，其中K为测试序列长度；

d.将归一化后的测试序列输入己训练后的n+l个隐马尔可夫模型，获得各个似然概率值，最大似然概率值对应的隐马尔可夫模型决定电路的状态类型。

9.如权利要求1所述的船艇供配电智能检测***，其特征在于，所述灰色模型，采用新陈代谢法对GM（1，l）进行改进，使得模型参数（a，b）是在线自适应改变：

首先给出灰色模型的有关定义：

GM（1，l）模型的定义：

设检测到的电压或电流数列x^（0）={x^（0）（i）≥0,1，…n}，对序列做一次累加生成：

$x^{\left(1\right)}={\{x}^{\left(1\right)}\left(i\right)\≥0,i=\mathrm{1,2},...n{\},x}^{\left(1\right)}\left(i\right)=\underset{m=1}{\overset{i}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right);$

计算GM（1,1）模型背景值：

$z\left(k\right)=0.5\×(x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1,),k=2,...,n;$

一阶灰色模型方程为：

$\frac{{\mathrm{ds}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{as}}^{\left(1\right)}=b;$

设

为参数序列：

$B=\left[\begin{array}{cc}-z\left(2\right)& 1\\ -z\left(3\right)& 1\\ ...& ...\\ -z\left(n\right)& 1\end{array}\right],Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],$

由最小二乘法得参数估计值：

；

灰色模型方程的解为：

${\stackrel{.}{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(0\right)-\frac{b}{a}]e^{-\mathrm{at}}+\frac{b}{a}i=\mathrm{1,2},...n;$

取x⁽¹⁾(0)=x，⁽⁰⁾(0)则模型的还原值为：

其中，

为原始数据序列x⁽⁰⁾(k)(k=1,2,...n)的拟合值，

为原始数据x⁽⁰⁽k)(k＞n)的预测值，GM（1，1）中的参数a为发展系数，b为灰作用量。

10.如权利要求9所述的船艇供配电智能检测***，其特征在于，所述灰色模型具体操作如下：

给定预测维数m，选择数据序列{x⁽⁰⁾(l)，…，x⁽⁰⁾(m)}建立GM(l，l)预测出数据x’(m+l)；再选择数据序列{x^(o)(2)，…，x^(o)(m+l)}建立GM(l，l)预测x’(m+2)，依次类推，这样每预测一次数据就要建立新的模型，使得模型参数是在线可变，具有一定的自适应性。

Images