船舶主动力装置故障诊断系统设计与实现模板.doc

船舶主动力装置故障诊断系统设计与实现

14

资料内容仅供参考，如有不当或者侵权，请联系本人改正或者删除。
11 船舶主动力装置故障诊断系统设计与实现
郑元璋, 陈锋
( 上海船舶运输科学研究所, 上海 35)
摘 要: 船舶主动力装置的故障诊断对船舶的安全运行具有重大意义。当前的研究集中于使用人工智能、 模式识别等进行故障诊断算法的设计和仿真, 而缺乏把故障诊断作为与船舶其它系统有机结合的一个系统来研究。为此, 设计了基于船舶网络平台的诊断系统, 把来源于平台的基础数据进行格式转换, 采用神经网络诊断, 并以直观的形式实时显示训练过程, 包括网络输出的动态曲线和权值阈值的网格表示, 并以文字的形式给出明确的诊断结果。利用此系统, 能够充分发挥网络平台的优势, 对装置故障进行有效诊断和预测, 为船舶管理提供辅助决策。
关键词: 船舶、 舰船工程; 主动力装置; 故障诊断; 神经网络; 网络平台; 系统结构; 数据输入; 格式转换
中图分类号: U664.1 文献标识码: A
Fault Diagnosis Software for Marine Main Propulsion Plant
ZHENG Yuan-zhang, CHEN Feng
(Shanghai Ship and Shipping Research Institute, Shanghai 35, China)
Abstract: The diagnosis of marine main propulsion plant is important for ship’s safe operation. While most of current research focuses on design and simulation of fault diagnosis algorithm, this design puts fault diagnosis as a system which integrates with other vessel systems. The features of designed diagnosis system are as follows. It is based on network platform, the basic data which is for neural network diagnosis comes from historical data and real-time data of marine network platform; The diagnosis system in real-time displays training procedure in the intuitive form, including dynamic curve of network output and grid display of weight and threshold. The diagnosis system gives a clear diagnostic result in the form of text. Using this system, it can fully take advantages of network platform and effectively diagnose and forecast main propulsion plant failures, it can provide decision-making aids for ship Management.
Key words: Ship、 Naval engineering; Main Propulsion Plant; Fault Diagnosis; Neural Network; Network Platform; System Structure; Data entry; Format Conversion

船舶主动力装置是一个复杂的系统, 对管理人员要求知识面很广, 往往装置出现一个小小的故障, 有时甚至仅仅是一种操作失误而造成严重后果, 故迫切需要提供一套故障诊断辅助决策系统, 以帮助管理人员在海上能独立自主地排除故障。主动力装置故障诊断的研究开始较早, 早期使用的传统诊断方法效果不理想, 当前广泛采用人工智能[1] [2]和模式识别[3][4]的方法, 但这些研究大多集中于诊断算法的设计及仿真, 而把它作为船舶上一套辅助系统来研究, 使之真正能应用在船舶上的并不多。本文所研究的就是在船舶监控网络平台提供的历史和实时数据基础上, 如何设计具有实用性的船舶主动力装置故障诊断系统。
1 船舶主动力装置分层诊断模型
本文设计的诊断系统的诊断对象除了作为主动力装置的核心设备——主机, 还包括轴系、 舵桨装置、 控制系统和其它辅助设备等, 其分层诊断模型如图1所示。改变了以往只关心柴油机故障[2—4]而忽略了系统问题。

图1 分层诊断结构
Fig.1 Layered diagnosis structure

2 系统结构和功能设计
2.1 网络结构

图2 网络结构
Fig.2 Network structure
本诊断系统的设计是以船舶监控网络平台为基础, 该平台对船舶主动力装置的各种热工参数及运行工况具有完善的监测功能并可将所有历史数据进行海量存储或回放, 其数据采集的实时性、 完整性、 可靠性均是以往的系统无法比拟的, 一套完整、 实时的基础数据库是诊断结果有效性的强大保证。
诊断系统的网络结构如图2所示, 在服务器上放置了历史数据和实时数据。诊断软件安装在客户端上( 客户端按需要可安装多台) 。经过路由器从服务器传来的数据进入诊断软件, 经过人工智能诊断输出结果供用户辅助决策。客户端数据库存放了故障输入输出关系, 随着关系的增加和更新, 本系统功能也随着扩展。针对不同的机型, 只需修改故障输入输出关系, 诊断程序本身不需要改变, 满足普遍性。
2.2 系统设计
整个系统主要由2个数据库和3个主模块组成。服务器上的数据库提供神经网络运算所需的训练数据和测试数据, 采用满足C/S结构的SQL Server, 本机上的数据库存放了神经网络训练和诊断时的一些参数, 采用ACCESS。3个主模块为数据格式转换模块、 神经网络运算模块和曲线绘制模块, 各个模块间的接口和数据流向如图3所示。
系统的工作过程和数据流向如下:
1) 用户先根据故障名称或类型到本机数据库选中某个神经网络, 这个网络有相应的输入输出变量, 再根据这个变量名到服务器数据库去读取哪几组样本数据, 经过”数据格式转换模块”转换成矩阵。
2) 本机数据库存放了网络的初始权值阈值( 字符串格式) , 经过”数据格式转换模块”转换成矩阵。权值阈值矩阵既能够显示在网格控件上, 也能够直接在上面对矩阵修改。
3) 本机数据库同时存放了神经网络配置的一些参数, 如最大训练次数、 最大允许误差等, 这些参数也能够经过界面进行修改。
4) 将以上3种参数输入”神经网络运算模块”进行训练或诊断并使用多线程技术实现实时显示训练过程, 包括网络输出曲线不断趋近目标曲线和网格控件上权值阈值的不断变化。

图3 各模块间的接口与数据流向
Fig.3 Interface and data flow between modules

2.3 数据输入和格式转换
本机数据库( ACCESS) 表中设计的主要字段及其含义如表1所示:
表1 ACCESS表的主要字段
Table 1 Main field of ACCESS table
字段名称
数据类型
说明
Name
文本
故障名称
Parameter_in
文本
输入参数ID, 对应服务器数据库SQL Server表上的字段
Weight_hide
文本
初始隐层权值
N_MaxError
数字
最大允许误差
Step_TrainStart
数字
服务器数据库SQL Server表上训练样本起始序号

首先, 根据”故障名称”字符串到”Name”字段下找到匹配的那一项, 读出同一项字段”Parameter_in”和”Weight_hide”等中的内容。这项功能由函数GetOtherField完成。
2.3.1 输入输出矩阵
字段”Parameter_in”中的字符串, 如: x1test,x2test,x3test, 计算逗号个数, 然后分离成x1test、 x2test和x3test等, 分别存放在CStringArray类数组里, x1test等为服务器数据库表中的字段名。在这些字段中存放了一连串double型数据, 把起始点Step_TrainStart和终止点Step_TrainStop内的一段数据赋给Mm类型的矩阵( Mm是某第三方类库的矩阵类型) , 这样完成了样本数据的输入。这项功能由函数ParaInOut2Mm完成。
2.3.2 权值阈值矩阵
由函数GetOtherField读出了字段”Weight_hide”中的矩阵, 存放格式为和Matlab中矩阵写法相同的字符串CString, 如:
[0.6822,0.8109;0.4210,0.1465;0.8325,0.4218]。先以分号为标志把M*N矩阵分离成M个字符串, 每个字符串不再有分号, 如字符串: 0.6822,0.8109。再在分离后的字符串以逗号为标志分成N个字符串, 如字符串0.6822和字符串0.8109。最后把CString型数转换成double型, 放到Mm中各行各列。这项功能由函数StrMat2Mm完成。
权值阈值矩阵能够在网格控件( GridCtrl) 上直观显示, 即把Mm矩阵元素放在GridCtrl控件中的各行各列的网格上, 这项功能由函数Mm2DispGrid完成。反之, 网格内的数据也能保存到Mm矩阵中, 这项功能由函数DispGrid2Mm完成。权值阈值矩阵的格式转换和显示如图4所示。

图 4 矩阵格式转换与显示
Fig.4 Format conversion and display of matrix
3 基于LMBP的诊断方法
基于热力参数法, 采用神经网络诊断, 网络训练的数值优化技术采用Levenberg-Marquardt算法( LMBP) 。
考虑如图5所示的LMBP多层网络结构, 其中, W1、 b1和 W2、 b2分别为隐层和输出层的权值阈值, f1和f2为传递函数, a1和a2为网络输出。

图5 多层网络结构
Fig.5 Multilayer network
图6 LMBP算法训练流程图
Fig.6 LMBP training process
对应图5的LMBP训练步骤如图6所示。在图6中, 很关键的一步是如何快速求取Jacobian矩阵[5]。在求得Jacobian矩阵的基础上, 再结合误差e, 计算权值阈值的增长量dw [5]。
图6中, 其它参数含义为: 外循环步数epoch, 网络输出ok, 均方误差mse1, 目标误差err_goal, 内循环步数in_epoch, 均方误差mse2, 规定的最大mu值mu_max, 调节系数sita, 最大内循环步数max_in_epoch, 最大外循环步数max_epoch。

表2 网络输出与期望输出对比
Table 2 Comparison between network output and desired output
时间
序号
网络输出
期望输出
F1
F2
F3
F4
F5
诊断结果
F1
F2
F3
F4
F5
1
0
1.000 419
-0.017 92
0.061 815
-0.027 62
F2严重
0
1
0
0
0
4
0
-0.000 5
0.508 727
0.006 545
-0.002 82
F3中等
0
0
0.5
0
0
5
0
-0.002 06
-0.009 4
1.127 643
-0.081 81
F4严重
0
0
0
1
0
8
0
-0.003 33
-0.004 88
0.152 106
0.362 187
F5中等
0
0
0
0
0.5

4 诊断实现举例
以文献[6]中涡轮增压系统故障诊断为例, 借助其神经网络的输入输出关系和样本数据, 进行编程算法的验证和系统的实现。
输入变量: X1排气总管温度; X2扫气箱压力; X3各缸平均燃烧最大爆发压力; X4增压器转速; X5扫排气道压损系数; X6压气机出口温度; X7扫气箱温度; X8反映柴油机负荷的一个参数。
输出变量: F1正常工况( 无故障) ; F2增压器效率下降; F3空冷器传热恶化; F4透平保护格栅堵塞; F5透平通流部分堵塞。
设计训练样本时, 输入变量的数值需归一化到[-1,1]范围内: 求取输入变量与无故障下基准值的偏差值, 再除以最大偏差值。将输出变量按严重程度分成三级, 即严重故障( Fi=1) 、 中等故障( Fi=0.5) 和无故障( Fi=0) 。
按照文献[6]提供的训练样本对LMBP网络进行训练, 网络一些基本参数为: 3层网络, 隐层9个神经元, 输出层5个神经元, 隐层传递函数为Tansig双曲正切S型, 输出层传递函数为Purelin线性。
按照文献[6]提供的测试样本进行诊断, 得出表2的4次诊断情况, 证明网络能有效诊断。
如图7所示, 网络输出一方面以曲线方式显示, 另一方面在底部编辑框给出一个明确的文字诊断结果。

图 7 诊断结果
Fig.7 Diagnostic results
5 结 语
本文在现有数据库基础上设计了船舶主动力装置的故障诊断系统, 其中诊断算法采用神经网络, 描述了LMBP算法的训练步骤。介绍了系统的使用环境和网络结构, 设计了诊断系统的结构, 包括工作过程和数据流向, 并具体设计了数据输入和格式功能。
利用此系统, 能够有效发挥网络平台数据库的优势, 当遇到故障或出现故障趋势时, 能有效进行诊断和预测, 为船上的管理人员排除故障和设备维护提供辅助决策。
参 考 文 献
[1] 孟宪尧, 韩新洁, 孟松. 优化的BP网络在船舶故障诊断中的应用[J]. 中国航海, , ( 2) : 85—88.
Meng Xianyao, Han Xinjie, Meng Song. Application of Optimized BP Network in Marine Fault Diagnosis[J]. NAVIGATION OF CHINA, , ( 2) : 85—88.
[2] 白广来. 船舶柴油机智能监测与智能诊断的研究[D]. 大连: 大连海事大学, .
Bai Guanglai. Study on Intelligent Monitoring and Intelligent Diagnosis of Marine Diesel Engine [D]. Dalian: Dalian Maritime University, .
[3] 詹玉龙, 翟海龙, 曾广芳. 基于支持向量机的船舶柴油机故障诊断的研究[J]. 中国航海, , ( 2) : 89—92.
Zhan Yulong, Zhai Hailong, Zeng Guangfang. Feasible Research on Fault Diagnosis of Marine Disel Engine Based on Support Vector Machine[J]. NAVIGATION OF CHINA, , ( 2) : 89—92.
[4] 王志华. 基于模式识别的柴油机故障诊断技术研究[D]. 武汉: 武汉理工大学, .
Wang Zhihua. Research on Fault Diagnosis of Diesel Engine Using Pattern Recognition Method [D]. Wuhan: Wuhan University of Technology, .
[5] Martin T. Hagan, Howard B. Dcmuth, Mark H. Beale. Neural Network Design [M].北京: 机械工业出版社, .
[6] 黄加亮. RBF神经网络在船用低速柴油机故障诊断中的应用研究[D]. 大连: 大连海事大学, .
Huang Jialiang. Research on Fault Diagnosis for Low-speed Marine Diesel Engine and Its Applications Using RBF Neural Network [D]. Dalian: Dalian Maritime University, .