基于KNN分类算法的水下航行器声学故障检测识别研究

　　水下航行器在使用过程中不可避免的会出现振动噪声的异常,此种现象称为声学故障。对水下航行器的安静性状态进行监测和了解,及时发现和修复出现的声学故障,是水下航行器所面临的重要安全性问题。对于水下航行器,当机器或设备出现故障时,其声信号特性一般会发生改变,因而通过实时监测水下航行器的振动和噪声信号,对声学故障进行检测识别,可以及时发现和消除水下航行器在使用过程中出现的声学故障,确保其隐身性能始终处于良好的状态[1]。

　　在噪声源识别方面,传统的研究主要集中在时域和频域两个范畴。在时域处理上,主要有分部运转、时历分析、辐射效率测定和相关分析等方法;在频域处理上主要是谱分析方法、相干分析方法和偏相干分析方法。近20年来国内外又提出了一些新的噪声源识别方法,包括基于多输入/输出模型的噪声源分析方法、自适应噪声抵消法、声全息成像技术,功率流分析方法,基于神经网络的方法,盲信号处理算法以及几种方法的综合集成等[2]。由于水下航行器结构的复杂性,以往的噪声源识别方法在应用上往往受到种种限制,还难以令人满意,本文尝试在水下航行器声学故障的检测和识别方面做一些研究。

　　文章分两步来实现水下航行器声学故障的检测和识别。第一步,依据已有的水下航行器各工况下的正常数据建立比较基准,将水下航行器在各工况下的实时监测数据与基准数据进行对比,可实现声学故障的在线检测。第二步,基于现有的水下航行器常见声学故障特征分类库,将第一步检测到的故障数据送入声学故障分类器,识别出故障源。

　　1 声学故障的检测

　　水下航行器声学故障在线检测实质为一离群值检测问题。离群值检测是数据挖掘的一个重要研究方向,目标是从数据集中发现潜在有用的与其他大部分数据显著不同的数据[3]。而水下航行器声学故障数据正是我们需要从实时监测数据中挖掘出来的与大部分正常数据有明显差异的数据。本文用水下航行器在各工况声学正常态下测得的加速度和水听器信号作为正常样本集,采用正常样本集的L与3R准则作为离群值检测的基准。原理如下:

　　1)数据库建立:对水下航行器在各种工况下航行所采集到的正常数据进行整理和归类, G=(g1,g2,,,gk)为水下航行器的工况集合,k为工况总数。对每种工况gi,分别求得其均值L和标准差R,建立离群值检测基准L和阈值范围。

　　2)实时检测:采集水下航行器在工况gi下的监测数据,实时送到数据处理单元与基准数据库中该工况下的基准数据进行比较,看其是否落入L?3R的区间之内,落入此区间的数据则判定为正常数据,不做记录。若发现超出此阈值范围的数据,则予以记录并储存,并判定发生声学故障。