船用LNG发动机燃气喷射阀健康状态评估方法、系统、船舶

船用lng发动机燃气喷射阀健康状态评估方法、系统、船舶
技术领域
1.本发明属于船用设备以及一般燃烧发动机可燃混合物的供给或其组成部分技术领域，尤其涉及一种船用lng发动机燃气喷射阀健康状态评估方法、系统、船舶。


背景技术：

2.船舶行业蓬勃发展和船舶发动机设计制造技术水平的突飞猛进，船用lng发动机燃气喷射阀的工作质量决定着燃油雾化质量，从而影响着整个燃烧过程。如果燃气喷射阀出现故障，则燃料雾化不良会导致燃烧恶化，造成发动机功率下降、油耗增加、冒黑烟、排放超标、启动困难甚至不能正常运转等问题。因此，为了精准掌握船用lng发动机燃气喷射阀健康状态，加速双燃料发动机的智能化进程，针对船用lng发动机燃气喷射阀健康状态评估方法展开研究是十分必要的。
3.喷射阀的退化特征信息是船用lng发动机燃气喷射阀健康状态诊断指标，准确获取船用lng发动机燃气喷射阀的退化特征信息以区分不同性能退化状态，是影响诊断和评估的准确性的重要前提。在提取退化特征之前，首先要对压力信号进行滤波处理，降低噪声和冗余信号干扰。
4.由于船用lng发动机燃气喷射阀高压供气管道振动信号具有非平稳非线性的特征，提取非线性退化特征缺乏精度，对lng发动机燃气喷射阀健康状态评估造成影响。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种船用lng发动机燃气喷射阀健康状态评估方法。
6.本发明是这样实现的，一种船用lng发动机燃气喷射阀健康状态评估方法，所述船用lng发动机燃气喷射阀健康状态评估方法包括以下步骤：
7.s1、获取供气管的压力波动信号，并将采集的压力信号分为训练信号样本和测试信号样本；
8.s2、使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号：
9.s201、利用改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子；
10.s202、利用获取核参数与惩罚因子后的支持向量回归算法延拓信号序列；
11.s203、使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量imf；
12.s204、计算每个本征模态分量的皮尔逊积矩相关系数；
13.s3、利用层次加权排列熵作为压力信号健康状态特征。
14.在一个实施例中，所述船用lng发动机燃气喷射阀健康状态评估方法还包括以下步骤：
15.s4、以所有训练信号样本的层次加权排列熵为特征向量输入支持向量机多分类器
进行训练；
16.s5、采用训练后的支持向量机多分类器对测试样本的层次加权排列熵进行健康状态识别，并输出状态评估结果。
17.在一个实施例中，所述的改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子计算步骤如下：
18.(1)将支持向量回归的惩罚因子c与核参数g组成的向量作为鲸鱼种群的一个鲸鱼个体，设置鲸鱼群的初始化规模，初始化鲸鱼群位置，计算鲸鱼群体的适应度值；将适应度值最小的个体作为鲸鱼群体全局最优位置向量；
19.(2)鲸鱼群迭代寻优：计算鲸鱼群熵值，并计算熵差，鲸鱼群体熵值计算公式如下：
[0020][0021]
其中：s(t)为第t次迭代的熵值；n为鲸鱼种群的总个数；p(x
ti
)为鲸鱼群第t次迭代中第i个鲸鱼的权重，0＜p(x
ti
)＜1且
[0022][0023]
其中：g
ti
为第t次迭代中第i个鲸鱼的适应度值；
[0024]
熵差计算公式为：
[0025]
d(t)＝s(t)-s(t-1)
[0026]
其中，s(t)为第t次迭代的熵值；s(t-1)为第t-1次迭代的熵值；
[0027]
(3)计算惯性权重，并更新鲸鱼位置，惯性权重计算公式及鲸鱼位置更新公式如下：
[0028]
惯性权重计算公式为：
[0029][0030]
其中：ω(t)为鲸鱼群体第t次迭代的惯性权重值；ω
min
、ω
max
分别为惯性权重的最小和最大值，此处取ω
min
＝0.3，ω
max
＝0.9；t为最大迭代次数；
[0031]
按照下式更新鲸鱼个体位置：
[0032][0033]
其中：t为当前的迭代次数；x
t
为当前位置向量；为当前全局最优位置向量；d为最优个体位置与当前个体位置的距离，定义如下：
[0034][0035]
系数向量a和c定义如下:
[0036]
a＝2a
·
rand
1-a
[0037]
c＝2
·
rand2[0038]
其中：rand1和rand2为[0，1]范围内均匀分布产生的随机数；a为收敛因子，随迭代次数t从2线性减小到0，即
[0039]
a＝2-2t/t
max
[0040]
其中t
max
为最大迭代次数；
[0041]
(4)如果熵差d(t)小于阈值1
×
10-10
或达到最大迭代次数则迭代结束，输出鲸鱼群体最佳位置向量。
[0042]
在一个实施例中，所述利用获取核参数与惩罚因子后的支持向量回归算法延拓信号序列，其具体步骤为：
[0043]
支持向量回归模型对训练样本信号进行端点延拓，对于给定的压力信号序列s(1)，s(2)...s(n)(n为原始压力信号序列的采样点数)，首先确定样本训练个数l，按照一定的规则产生一个训练集l＝{(x1，y1)，(x2，y2)，...，(x
l
，y
l
)}，其中：
[0044]
xi＝[s(i) s(i+1) ... s(n-l+i-1)]
t
[0045]
yi＝s(n-l+i)，1≤i≤l
[0046]
预测第一个端点序列值，利用支持向量回归模型可得到边界外第一个预测值s(n+1),即
[0047][0048]
其中：x
l+1
＝[s(l+1) s(l+2) ... s(n)]
t
然后逐步迭代，获得预测信号序列值。在一个实施例中，所述计算每个本征模态分量的皮尔逊积矩相关系数，公式如下：
[0049][0050]
其中：ρi代表imfi与原信号x(t)的皮尔逊积矩相关系数，σ(x)
′
代表原信号序列方差，cov(
·
)表示原始信号序列与各分量的协方差；
[0051]
根据各分量与原信号的相关性大小选择阈值，高于阈值的本征模态分量进行分量重构，输出经过去噪的高压油管压力信号，预处理结束。
[0052]
在一个实施例中，所述利用层次加权排列熵作为压力信号健康状态特征进行提取，其具体算法步骤如下：
[0053]
给定长度为n的时间序列{u(i)，i＝1，2，...，n}，定义平均算子q0和q1如下：
[0054][0055]
[0056]
其中，n＝2n，n是正整数；算子q0和算子q1的长度为2
n-1
；根据平均算子q0和q1原始序列可重构为：
[0057]
u＝{(q0(u)j+q1(u)j)，(q0(u)
j-q1(u)j)}
[0058]
式中，j＝0，1，2，...，2
n-1
，当j＝0或j＝1时，定义矩阵qj算子如下：
[0059][0060]
构造一个n维向量则整数e可表示为
[0061][0062]
式中，正整数e对应的向量是[γ1，γ2，...，γn]；k∈n；
[0063]
基于向量定义时间序列u(i)每一层分解的节点分量如下：
[0064][0065]
式中，k表示层次分割中的第k层，原始时间序列u(i)在第k+1层的低频和高频部分分别用u
k，0
和u
k，1
表示；
[0066]
构造一个计算分层后每个节点的wpe，以获得hwpe
[0067]
hwpe＝wpe(u
k，e
，m，τ)。
[0068]
本发明还提供一种适用于上述的船用lng发动机燃气喷射阀健康状态评估方法的评估系统，该系统包括：
[0069]
信号样本获取单元，用于获取供气管的压力波动信号，并将采集的压力信号分为训练信号样本和测试信号样本；
[0070]
滤波处理单元，用于使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号；
[0071]
特征提取单元，用于利用层次加权特征熵作为压力信号健康状态特征进行提取；
[0072]
训练单元，用于以所有训练信号样本的层次加排列熵为特征向量输入支持向量机多分类器进行训练；
[0073]
健康状态识别单元，用于采用训练后的支持向量机多分类器对测试样本的层次加排列熵进行健康状态识别，并输出状态评估结果。
[0074]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的船用lng发动机燃气喷射阀健康状态评估方法。
[0075]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
[0076]
(1)利用本专利方法实现有效滤波处理，还原真实故障信息，而且滤波效果优于常用方法，得到的真实信号具有更高的信噪比。
[0077]
(2)hwpe将层次分析与加权排列熵融合，该方法能充分考虑时间序列分量，具有良好的计算稳定性，使lng发动机燃气喷射的不同健康状态样本有明显的分界，提高lng发动机燃气喷射健康状态识别精度。
附图说明
[0078]
图1是本发明实施例一提供的船用lng发动机燃气喷射阀健康状态评估方法的步骤流程图；
[0079]
图2是本发明实施例一提供的iwoa-svr参数寻优流程图；
[0080]
图3是本发明实施例一提供的层次加权排列熵hwpe结果示意图；
[0081]
图4是本发明实施例提供的船用lng发动机燃气喷射阀健康状态评估结果示意图；
[0082]
图5为经过集合经验模态分解的imf1信号图；
[0083]
图6为经过集合经验模态分解的imf2信号图；
[0084]
图7为经过集合经验模态分解的imf3信号图；
[0085]
图8为经过集合经验模态分解的imf4信号图；
[0086]
图9为经过集合经验模态分解的imf5信号图；
[0087]
图10为经过集合经验模态分解的imf6信号图；
[0088]
图11为经过集合经验模态分解的imf7信号图；
[0089]
图12为经过集合经验模态分解的imf8信号图；
[0090]
图13为经过集合经验模态分解的imf9信号图；
[0091]
图14为经过集合经验模态分解的imf10信号图；
[0092]
图15为经过集合经验模态分解的imf11信号图；
[0093]
图16为经过集合经验模态分解的imf12信号图；
[0094]
图17为各imf的皮尔逊积矩相关系数；
[0095]
图18为信号去噪前后对比图；
[0096]
图19为多尺度加权排列熵mwpe结果示意图；
[0097]
图20为多尺度排列熵mpe结果示意图。
具体实施方式
[0098]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0099]
传统的lng发动机燃气喷射阀健康状态评估方法，退化特征需要高灵敏度才能区分不同性能退化状态，因此退化特征提取的有效性直接影响诊断和评估的准确性；由于lng发动机燃气喷射阀高压供气管道振动信号具有非平稳非线性的特征，无法有效地提取非线性退化特征以实现lng发动机燃气喷射阀健康状态评估。
[0100]
经验模式分解(emd)是常用的滤波方法。经验模态分解(emd)由于具有自适应处理时频信号的优点，被广泛应用于船用机械故障诊断和健康状态监测。尽管如此，emd仍然存
在模态混叠和端点效应的问题。为了克服这些缺陷，huang在2009年提出了eemd，它通过添加成对白噪声抵消原始信号包含的随机噪声。相比于emd分解，eemd分解改善了模态混叠问题，但端点效应问题依然存在。
[0101]
目前，抑制端点效应的方法主要分为两类：一是改进插值法，但是由于其他样条插值性能通常比三次样条插值差，所以这类方法对于端点效应的抑制效果往往不佳；二是数据延拓法，数据延拓法可细分为基于自身波的延拓法和基于序列的预测法，该方法是当前常用的端点效应抑制方法。其中，支持向量回归(support vactor regression，svr)可以根据小样本来获取信号的全局最优预测值，通过核函数的引入来处理非线性问题，具有较强的泛化能力，因此下述实施例选用svr来抑制eemd的端点效应。
[0102]
由于核函数参数g与惩罚因子c会影响svr的预测精度，目前尚无统一的理论或标准用于svr参数选取，而经验选择和网格搜索等传统方法存在耗时长、计算量大的问题。鲸鱼优化算法(woa)是2016年提出的一种新的启发式算法，它可以通过模拟鲸鱼收缩包围、螺旋更新狩猎、搜索猎物来实现优化搜索的目的，在解决优化问题方面具有很大潜力。然而，woa算法存在收敛精度低，容易陷入局部最优的缺点。下述实施例选用改进的鲸鱼优化算法(iwoa)进行svr参数寻优，加快了标准鲸鱼优化算法的迭代速度，提高了参数寻优精度，实现了信号自适应延拓。
[0103]
由于船用lng发动机燃气喷射阀压力信号具有非平稳非线性的特征，有效地提取非线性退化特征是实现lng发动机燃气喷射阀健康状态评估的关键步骤。近年来，常用的非线性动力学分析方法包括关联维数，排列熵，模糊熵，离散熵。模糊熵能够描述内部细节变化，而且克服了样本熵类别定义模糊的缺点，但是它计算效率低下。排列熵(pe)可以用来分析时间序列的复杂性。而后li等人提出了多尺度排列熵(mpe)。然而，pe和mpe都忽略了相同排列模式之间的振幅差异。为了解决这个难题，法德拉等人提出了加权排列熵(wpe)，并证明了wpe在估计信号复杂度方面有更可靠的表现形式。由于wpe与pe只在单一尺度上考虑时间序列的复杂性和动态变化，而忽略了其他尺度上的有用信息。这里采用层次加权排列熵(hierarchical weighted permutation entropy,hwpe)，hwpe将层次分析与加权排列熵融合，该方法能充分考虑时间序列分量，具有良好的计算稳定性。
[0104]
为了提高退化特征对气阀机构健康状态灵敏度，退化特征既要反映整理能量变化情况，也要能刻画出能量内部变化趋势，因此提出利用层次加权排列熵作为健康状态因子输入svm中，完成气阀机构健康状态识别。
[0105]
实施例一：
[0106]
针对现有技术存在的问题，本发明实施例一提供了一种船用lng发动机燃气喷射阀健康状态评估方法，下面结合附图对本发明作详细的描述。
[0107]
如图1所示，一种船用lng发动机燃气喷射阀健康状态评估方法，包括如下步骤：
[0108]
s1、通过安装在供气管的压力传感器采集压力波动信号，并将采集的压力信号分为训练信号样本和测试信号样本。
[0109]
s2、使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号；iwoa-svr-eemd流程如图2所示，具体为：
[0110]
s201、根据改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子；
[0111]
s203、使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量
imf；
[0112]
s204、计算每个本征模态分量的皮尔逊积矩相关系数；
[0113]
所述的s201、改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子计算步骤如下：
[0114]
(1)将支持向量回归的惩罚因子c与核参数g组成的向量作为鲸鱼种群的一个鲸鱼个体，设置鲸鱼群的初始化规模，初始化鲸鱼群位置，计算鲸鱼群体的适应度值；将适应度值最小的个体作为鲸鱼群体全局最优位置向量。
[0115]
(2)鲸鱼群迭代寻优。计算鲸鱼群熵值，并计算熵差，鲸鱼群体熵值计算公式如下：
[0116][0117]
其中：s(y)为第t次迭代的熵值；n为鲸鱼种群的总个数；p(x
ti
)为鲸鱼群第t次迭代中第i个鲸鱼的权重，0＜p(x
ti
)＜1且
[0118][0119]
其中：g
ti
为第t次迭代中第i个鲸鱼的适应度值。
[0120]
熵差计算公式为：
[0121]
d(t)＝s(t)-s(t-1)
[0122]
(3)计算惯性权重，并更新鲸鱼位置，惯性权重计算公式及鲸鱼位置更新公式如下。惯性权重计算公式为：
[0123][0124]
其中：ω(t)为鲸鱼群体第t次迭代的惯性权重值；ω
min
、ω
max
分别为惯性权重的最小和最大值，此处取ω
min
＝0.3，ω
max
＝0.9；t为最大迭代次数。
[0125]
按照下式更新鲸鱼个体位置：
[0126][0127]
其中：t为当前的迭代次数；x
t
为当前位置向量；为当前全局最优位置向量；d为最优个体位置与当前个体位置的距离，定义如下：
[0128]
[0129]
系数向量a和c定义如下：
[0130]
a＝2a
·
rand
1-a
[0131]
c＝2
·
rand2[0132]
其中：rand1和rand2为[0，1]范围内均匀分布产生的随机数；a为收敛因子，随迭代次数t从2线性减小到0，即
[0133]
a＝2-2t/t
max
[0134]
其中t
max
为最大迭代次数。
[0135]
(4)如果熵差d(t)小于阈值1
×
10-10
或达到最大迭代次数则迭代结束，输出鲸鱼群体最佳位置向量。
[0136]
所述的支持向量回归模型对训练样本信号进行端点延拓，对于给定的压力信号序列s(1)，s(2)...s(n)(n为原始压力信号序列的采样点数)，首先确定样本训练个数l，按照一定的规则产生一个训练集l＝{(x1+y1)，(x2+y2)，...，(x
l
+y
l
)}，其中：
[0137]
xi＝[s(i) s(i+1) ... s(n-l+i-1)]
t
[0138]
yi＝s(n-l+i)，1≤i≤l
[0139]
预测第一个端点序列值，利用支持向量回归模型可得到边界外第一个预测值s(n+1)，即
[0140][0141]
其中：x
l+1
＝[s(l+1) s(l+2) ... s(n)]
t
然后逐步迭代，获得预测信号序列值；
[0142]
计算每个本征模态分量的皮尔逊积矩相关系数，公式如下：
[0143][0144]
其中：ρi代表imfi与原信号x(t)的皮尔逊积矩相关系数，σ(x)
′
代表原信号序列方差，cov(
·
)表示原始信号序列与各分量的协方差；
[0145]
最后根据各分量与原信号的相关性大小选择阈值，高于阈值的本征模态分量进行分量重构，输出经过去噪的高压油管压力信号，预处理结束。
[0146]
s3、用层次加权排列熵作为压力信号健康状态特征，hwpe结果如图3所示，hwpe算法具给定长度为n的时间序列{u(i)，i＝1，2，...，n}，定义平均算子q0和q1如下：
[0147][0148][0149]
其中，n＝2n，n是正整数；算子q0和算子q1的长度为2
n-1
；根据平均算子q0和q1原始序列可重构为：
[0150]
u＝{(q0(u)j+q1(u)j)，(q0(u)
j-q1(u)j)}
[0151]
式中，j＝0，1，2，...，2
n-1
，当j＝0或j＝1时，定义矩阵qj算子如下：
[0152][0153]
构造一个n维向量则整数e可表示为
[0154][0155]
式中，正整数e对应的向量是[γ1，γ2，...，γn]；k∈n。
[0156]
基于向量定义时间序列u(i)每一层分解的节点分量如下：
[0157][0158]
式中，k表示层次分割中的第k层，原始时间序列u(i)在第k+1层的低频和高频部分分别用u
k，0
和u
k，1
表示。
[0159]
构造一个计算分层后每个节点的wpe，以获得hwpe
[0160]
hwpe＝wpe(u
k，e
，m，τ)。
[0161]
s4、以所有训练样本的层次加权排列熵为特征向量输入支持向量机多分类器进行训练。
[0162]
s5、采用训练后的支持向量机多分类器对测试样本的层次加权排列熵进行故障诊断和模式识别，并输出诊断结果，分类结果如图3所示。
[0163]
实施例二：
[0164]
一种适用于根据实施例一所述的船用lng发动机燃气喷射阀健康状态评估方法的评估系统，该系统包括：
[0165]
信号样本获取单元，用于获取供气管的压力波动信号，并将采集的压力信号分为训练信号样本和测试信号样本；
[0166]
滤波处理单元，用于使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号；
[0167]
特征提取单元，用于利用层次加权特征熵作为压力信号健康状态特征进行提取；
[0168]
训练单元，用于以所有训练信号样本的层次加排列熵为特征向量输入支持向量机多分类器进行训练；
[0169]
健康状态识别单元，用于采用训练后的支持向量机多分类器对测试样本的层次加排列熵进行健康状态识别，并输出状态评估结果。
[0170]
实施例三：
[0171]
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述
计算机程序被处理器执行时实现实施例一所述的船用lng发动机燃气喷射阀健康状态评估方法。
[0172]
利用实施例一的方法结合实施例二的硬件系统以实现有效滤波处理，还原真实故障信息，而且滤波效果优于常用方法，得到的真实信号具有更高的信噪比，层次加权排列熵方法能充分考虑时间序列分量，具有良好的计算稳定性，使lng发动机燃气喷射的不同健康状态样本有明显的分界，提高lng发动机燃气喷射健康状态识别精度。提出适用于强噪声干扰的现场工业环境下的lng发动机燃气喷射阀健康状态评估。
[0173]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0174]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述船用lng发动机燃气喷射阀健康状态评估方法包括以下步骤：s1、获取供气管的压力波动信号，并将采集的压力信号分为训练信号样本和测试信号样本；s2、使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号：s201、利用改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子；s202、利用获取核参数与惩罚因子后的支持向量回归算法延拓信号序列；s203、使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量imf；s204、计算每个本征模态分量的皮尔逊积矩相关系数；s3、利用层次加权排列熵作为压力信号健康状态特征。2.根据权利要求1所述的船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述船用lng发动机燃气喷射阀健康状态评估方法还包括以下步骤：s4、以所有训练信号样本的层次加权排列熵为特征向量输入支持向量机多分类器进行训练；s5、采用训练后的支持向量机多分类器对测试样本的层次加权排列熵进行健康状态识别，并输出状态评估结果。3.根据权利要求2所述的船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述的改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子计算步骤如下：(1)将支持向量回归的惩罚因子c与核参数g组成的向量作为鲸鱼种群的一个鲸鱼个体，设置鲸鱼群的初始化规模，初始化鲸鱼群位置，计算鲸鱼群体的适应度值；将适应度值最小的个体作为鲸鱼群体全局最优位置向量；(2)鲸鱼群迭代寻优：计算鲸鱼群熵值，并计算熵差，鲸鱼群体熵值计算公式如下：其中：s(t)为第t次迭代的熵值；n为鲸鱼种群的总个数；p(x
ti
)为鲸鱼群第t次迭代中第i个鲸鱼的权重，且其中：g
ri
为第t次迭代中第i个鲸鱼的适应度值；熵差计算公式为：d(t)＝s(t)-s(t-1)其中，s(t)为第t次迭代的熵值；s(t-1)为第t-1次迭代的熵值；(3)计算惯性权重，并更新鲸鱼位置，惯性权重计算公式及鲸鱼位置更新公式如下：惯性权重计算公式为：
其中：ω(t)为鲸鱼群体第t次迭代的惯性权重值；ω
min
、ω
max
分别为惯性权重的最小和最大值，此处取ω
min
＝0.3，ω
max
＝0.9；t为最大迭代次数；按照下式更新鲸鱼个体位置：其中：t为当前的迭代次数；x
t
为当前位置向量；为当前全局最优位置向量；d为最优个体位置与当前个体位置的距离，定义如下：系数向量a和c定义如下：a＝2a
·
rand
1-ac＝2
·
rand2其中：rand1和rand2为[0，1]范围内均匀分布产生的随机数；a为收敛因子，随迭代次数t从2线性减小到0，即a＝2-2t/t
max
其中t
max
为最大迭代次数；(4)如果熵差d(t)小于阈值1
×
10-10
或达到最大迭代次数则迭代结束，输出鲸鱼群体最佳位置向量。4.根据权利要求3所述的船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述利用获取核参数与惩罚因子后的支持向量回归算法延拓信号序列，其具体步骤为：支持向量回归模型对训练样本信号进行端点延拓，对于给定的压力信号序列s(1)，s(2)
…
s(n)(n为原始压力信号序列的采样点数)，首先确定样本训练个数l，按照一定的规则产生一个训练集：l＝{(x1，y1)，(x2，y2)，...，(x
l
，y
l
)}，其中：x
i
＝[s(i) s(i+1)
ꢀ…ꢀ
s(n-l+i-1)]
t
y
i
＝s(n-l+i)，1≤i≤l预测第一个端点序列值，利用支持向量回归模型可得到边界外第一个预测值s(n+1)，即其中：x
l+1
＝[s(l+1) s(l+2)
ꢀ…ꢀ
s(n)]
t
然后逐步迭代，获得预测信号序列值。5.根据权利要求3所述的船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述计算每个本征模态分量的皮尔逊积矩相关系数，公式如下：
其中：ρ
i
代表imf
i
与原信号x(t)的皮尔逊积矩相关系数，σ(x)代表原信号序列方差，cov(
·
)表示原始信号序列与各分量的协方差；根据各分量与原信号的相关性大小选择阈值，高于阈值的本征模态分量进行分量重构，输出经过去噪的高压油管压力信号，预处理结束。6.根据权利要求5所述的船用lng发动机燃气喷射阀健康状态评估方法，其特征在于，所述利用层次加权排列熵作为压力信号健康状态特征进行提取，其具体算法步骤如下：给定长度为n的时间序列{u(i)，i＝1，2，...，n}，定义平均算子q0和q1如下：如下：其中，n＝2
n
，n是正整数；算子q0和算子q1的长度为2
n-1
；根据平均算子q0和q1原始序列可重构为：u＝{(q0(u)
j
+q1(u)
j
)，(q0(u)
j-q1(u)
j
)}式中，j＝0，1，2，...，2
n-1
，当j＝0或j＝1时，定义矩阵q
j
算子如下：构造一个n维向量则整数e可表示为式中，正整数e对应的向量是[γ1，γ2，
…
，γ
n
]；k∈n；基于向量定义时间序列u(i)每一层分解的节点分量如下：式中，k表示层次分割中的第k层，原始时间序列u(i)在第k+1层的低频和高频部分分别用u
k，0
和u
k，1
表示；构造一个计算分层后每个节点的wpe，以获得hwpehwpe＝wpe(u
k，e
，m，τ)。7.一种适用于根据权利要求1-6任一所述的船用lng发动机燃气喷射阀健康状态评估方法的评估系统，其特征在于，该系统包括：信号样本获取单元，用于获取供气管的压力波动信号，并将采集的压力信号分为训练
信号样本和测试信号样本；滤波处理单元，用于使用iwoa-svr-eemd算法对压力信号进行滤波处理，获得降噪滤波的压力信号；特征提取单元，用于利用层次加权特征熵作为压力信号健康状态特征进行提取；训练单元，用于以所有训练信号样本的层次加排列熵为特征向量输入支持向量机多分类器进行训练；健康状态识别单元，用于采用训练后的支持向量机多分类器对测试样本的层次加排列熵进行健康状态识别，并输出状态评估结果。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的船用lng发动机燃气喷射阀健康状态评估方法。

技术总结
本发明属于机船舶或其他水上船只及船用设备领域，公开一种船用LNG发动机燃气喷射阀健康状态评估方法、系统、船舶，包括：获取供气管的压力波动信号；使用IWOA-SVR-EEMD算法对压力信号进行滤波处理，获得降噪滤波的压力信号：利用改进鲸鱼优化算法估计支持向量回归算法的核参数与惩罚因子；利用获取核参数与惩罚因子后的支持向量回归算法延拓信号序列；使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量imf；计算每个本征模态分量的皮尔逊积矩相关系数；利用层次加权排列熵作为压力信号健康状态特征。本发明的技术方案适用于强噪声干扰下的船用LNG发动机燃气喷射阀健康状态评估，能降低噪声干扰，提高船用LNG发动机燃气喷射阀健康状态评估精度。发动机燃气喷射阀健康状态评估精度。发动机燃气喷射阀健康状态评估精度。


技术研发人员：宋恩哲 任畅 柯赟
受保护的技术使用者：烟台哈尔滨工程大学研究院
技术研发日：2023.05.10
技术公布日：2023/9/20