模糊神經(jīng)網(wǎng)絡(luò)在船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估中的應(yīng)用

梁樹甜，郝春學(xué)，王孟蓮

1 武漢船用電力推進(jìn)裝置研究所，湖北武漢430064

2 中國(guó)船舶重工集團(tuán)公司（青島）機(jī)電裝備有限公司，山東青島266555

0 引 言

隨著電力半導(dǎo)體技術(shù)、交流調(diào)速理論以及微機(jī)控制技術(shù)的迅速發(fā)展，船舶電力推進(jìn)系統(tǒng)在機(jī)動(dòng)性、可靠性、運(yùn)行效率、推進(jìn)功率等方面都取得了突破性的進(jìn)展。其應(yīng)用范圍不斷擴(kuò)大，除應(yīng)用于破冰船、挖泥船等工程船以外，還廣泛應(yīng)用于游輪、油輪、集裝箱船、散貨船等大中型客、貨船舶，顯示出廣闊的市場(chǎng)前景［1］。電力推進(jìn)以其諸多的優(yōu)越性已成為船舶推進(jìn)方式的發(fā)展方向。由于船舶電力推進(jìn)系統(tǒng)的組成設(shè)備多、結(jié)構(gòu)復(fù)雜，且運(yùn)行中各設(shè)備相互關(guān)聯(lián)，其安全狀態(tài)是一個(gè)整體，所以要保證船舶電力推進(jìn)系統(tǒng)工作的持續(xù)性和可靠性，需要從宏觀上對(duì)電力推進(jìn)系統(tǒng)設(shè)備的運(yùn)行安全進(jìn)行整體的狀態(tài)評(píng)估（Condition Assessment，CA），及時(shí)發(fā)現(xiàn)和排除故障，減少維修工作量，實(shí)現(xiàn)電力推進(jìn)設(shè)備的狀態(tài)維修和自動(dòng)化控制［2］。

基于知識(shí)的智能評(píng)估方法是將人工智能理論和方法應(yīng)用于狀態(tài)評(píng)估，其不需要建立評(píng)估對(duì)象的精確數(shù)學(xué)模型，只需引入狀態(tài)信息，就能進(jìn)行準(zhǔn)確評(píng)估，因而比較適合實(shí)際工程應(yīng)用，具有很好的應(yīng)用前景，是狀態(tài)評(píng)估技術(shù)的研究熱點(diǎn)。例如：倪麗等［3］應(yīng)用模糊綜合評(píng)判理論進(jìn)行電力變壓器的狀態(tài)評(píng)估，獲得了評(píng)估結(jié)果，但由于模糊綜合評(píng)判理論沒有學(xué)習(xí)能力，且模糊關(guān)系矩陣建立困難，導(dǎo)致評(píng)估結(jié)果的準(zhǔn)確性不高；向木生等［4］應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)對(duì)橋梁的技術(shù)狀態(tài)等級(jí)進(jìn)行了狀態(tài)評(píng)估，但由于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需經(jīng)過幾千次迭代才能完成，速度較慢，因而影響了狀態(tài)評(píng)估的實(shí)時(shí)性。鑒此，本文擬采用模糊理論（Fuzzy Theory，F(xiàn)T）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）方法進(jìn)行船舶電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估。

1 模糊神經(jīng)網(wǎng)絡(luò)方法概述

基于知識(shí)的智能評(píng)估方法主要包括人工神經(jīng)網(wǎng)絡(luò)和模糊理論，各有特點(diǎn)［5］。模糊神經(jīng)網(wǎng)絡(luò)能將模糊理論與人工神經(jīng)網(wǎng)絡(luò)適當(dāng)?shù)亟Y(jié)合起來，組成比單獨(dú)的模糊系統(tǒng)或單獨(dú)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)性能更好的系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)適合表達(dá)模糊或定性的知識(shí)，推理方式類似于人的思維模式，能夠處理不確定性、非線性和其他不確定問題，并具有并行計(jì)算、分布式信息存儲(chǔ)、容錯(cuò)能力強(qiáng)以及具備自適應(yīng)學(xué)習(xí)功能等優(yōu)點(diǎn)。目前，模糊神經(jīng)網(wǎng)絡(luò)已在復(fù)雜系統(tǒng)中得到廣泛應(yīng)用，具有較好的精度和效率。

1.1 模糊綜合評(píng)判

模糊綜合評(píng)判法（Fuzzy Comprehensive Evalu?ation，F(xiàn)CE）［6］是目前常用的基于模糊理論的狀態(tài)評(píng)估方法。對(duì)一個(gè)對(duì)象進(jìn)行狀態(tài)評(píng)估，設(shè)有m 個(gè)評(píng)判級(jí)別，n 個(gè)評(píng)判指標(biāo)，以此建立2個(gè)論域V，U ：

式中：V 為評(píng)判集；U 為評(píng)判指標(biāo)集（也稱為因素集）；v1，v2，…，vm為m 個(gè)評(píng)判級(jí)別；u1，u2，…，un為n 個(gè)評(píng)判指標(biāo)（也稱為因素）。

模糊綜合評(píng)判的關(guān)鍵在于找出因素集U 與評(píng)判集V 之間的模糊關(guān)系矩陣R。根據(jù)被評(píng)判事物的某一因素ui（i=1～n）求出其相對(duì)于各評(píng)價(jià)等級(jí)的隸屬度rij（j=1～m），記Ri=[ri1，ri2，…，rim]。當(dāng)完成每個(gè)因素的單因素評(píng)價(jià)后，便可得到n 個(gè)因素的單因素評(píng)價(jià)矩陣

得到模糊關(guān)系矩陣R 后，對(duì)于因素集U 的模糊子集A={a1，a2，…，an}，通過運(yùn)算A·R，就可以得到評(píng)判集V 的一個(gè)模糊子集B，從而得出評(píng)判結(jié)果。這里，模糊子集A 表示的是因素集U 各因素在評(píng)判集中所起作用的大小，即權(quán)重，所以也稱因素權(quán)重集。若運(yùn)算結(jié)果B={b1，b2，…，bm}，當(dāng)bj= max｛bi｝時(shí)，bj相對(duì)應(yīng)的等級(jí)即為模糊綜合評(píng)判應(yīng)判定的結(jié)果，即狀態(tài)評(píng)估的結(jié)果。

1.2 模糊神經(jīng)網(wǎng)絡(luò)

結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法之后，上述模糊綜合評(píng)判的狀態(tài)評(píng)估過程可以表示為如圖1 所示的神經(jīng)網(wǎng)絡(luò)過程。圖中，設(shè)從對(duì)象得到的歸一化后的狀態(tài)評(píng)估指標(biāo)為｛g1，g2，…，gn｝。神經(jīng)網(wǎng)絡(luò)分為3層：輸入層n 個(gè)神經(jīng)元接收n 個(gè)輸入信號(hào)g1，g2，…，gn；隱含層也有n 個(gè)神經(jīng)元，是根據(jù)輸入信號(hào)計(jì)算的因素集U 的一個(gè)模糊子集{a1，a2，…，an}；輸出層有m 個(gè)神經(jīng)元，輸出評(píng)價(jià)集V 的一個(gè)模糊子集{b1，b2，…，bm}。網(wǎng)絡(luò)中，輸入層只接收和傳輸輸入信號(hào)，無計(jì)算功能，隱含層和輸出層則根據(jù)適當(dāng)?shù)乃阕訉?duì)變量進(jìn)行處理，屬于計(jì)算單元。通過觀察可以發(fā)現(xiàn)，隱含層與輸出層之間連線的權(quán)值與模糊關(guān)系矩陣R 的各元素一一對(duì)應(yīng)，故可用模糊關(guān)系矩陣R 的各元素初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值，以此克服神經(jīng)網(wǎng)絡(luò)初始權(quán)值設(shè)置任意性強(qiáng)、網(wǎng)絡(luò)收斂速度慢、有可能陷入局部極小困境等缺點(diǎn)。

圖1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 The structure of FNN

圖1 所示為模糊神經(jīng)網(wǎng)絡(luò)的典型應(yīng)用方式之一。模糊理論和神經(jīng)網(wǎng)絡(luò)有多種結(jié)合方式［7］，其中包括：以模糊算子代替神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的傳遞函數(shù)、采用模糊變量作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)、采用模糊參數(shù)作為神經(jīng)網(wǎng)絡(luò)的權(quán)值。上面介紹的模糊神經(jīng)網(wǎng)絡(luò)屬于采用模糊參數(shù)作為神經(jīng)網(wǎng)絡(luò)權(quán)值的結(jié)合方式。

2 船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估流程

船舶綜合電力推進(jìn)系統(tǒng)按功能可劃分為供電系統(tǒng)、推進(jìn)系統(tǒng)和監(jiān)控系統(tǒng)3 個(gè)分系統(tǒng)。其中：供電系統(tǒng)包括發(fā)電機(jī)組和配電板；推進(jìn)系統(tǒng)包括推進(jìn)變壓器、推進(jìn)變頻器、推進(jìn)電動(dòng)機(jī)、軸系及螺旋槳；監(jiān)控系統(tǒng)包括機(jī)艙監(jiān)控系統(tǒng)、推進(jìn)操控系統(tǒng)和功率管理系統(tǒng)。本文主要研究推進(jìn)系統(tǒng)的狀態(tài)評(píng)估。

狀態(tài)評(píng)估系統(tǒng)要提高評(píng)估準(zhǔn)確率、發(fā)揮其應(yīng)有的作用，基本前提是必須得到大量信息。應(yīng)選取哪些參數(shù)作為狀態(tài)評(píng)估的指標(biāo)，對(duì)于具體的設(shè)備要進(jìn)行具體分析。為此，采用專家統(tǒng)計(jì)法建立了船舶電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估指標(biāo)體系，如圖2 所示。

圖2 船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估指標(biāo)體系Fig.2 The condition assessment index system of marine electric propulsion system

根據(jù)船舶電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估指標(biāo)體系，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)方法，構(gòu)造船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估流程，如圖3 所示［8］。

圖中，電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估分為推進(jìn)變壓器狀態(tài)評(píng)估、推進(jìn)變頻器狀態(tài)評(píng)估、推進(jìn)電動(dòng)機(jī)狀態(tài)評(píng)估、其他設(shè)備狀態(tài)評(píng)估和外環(huán)境狀態(tài)評(píng)估5 個(gè)部分，分別進(jìn)行狀態(tài)評(píng)估，然后根據(jù)各部分對(duì)整個(gè)系統(tǒng)的權(quán)重對(duì)系統(tǒng)進(jìn)行綜合評(píng)估，得出評(píng)分結(jié)果。評(píng)估結(jié)果采取百分制，為0～100 分。0 分表示狀態(tài)評(píng)估指標(biāo)接近或超過規(guī)定的注意值；100分則表示所有狀態(tài)評(píng)估指標(biāo)均遠(yuǎn)離注意值或與優(yōu)質(zhì)產(chǎn)品的出廠值相近，即電力推進(jìn)完全處于正常狀態(tài)，無需維護(hù)；其他情形的狀態(tài)評(píng)分介于0 分與100 分之間。根據(jù)評(píng)估分?jǐn)?shù)，把電力推進(jìn)系統(tǒng)的運(yùn)行狀態(tài)分為優(yōu)、良、中、差、劣5 個(gè)類別［9］，各運(yùn)行狀態(tài)的分?jǐn)?shù)及維修策略見表1。

圖3 船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估流程Fig.3 The condition assessment flow chart of marine electric propulsion system

表1 電力推進(jìn)系統(tǒng)運(yùn)行狀態(tài)分類Tab.1 The running state classification of electric propulsion system

3 基于模糊神經(jīng)網(wǎng)絡(luò)的狀態(tài)評(píng)估模型

3.1 船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估模型

船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估流程將電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估分為5 個(gè)部分，所以為每個(gè)部分建立一個(gè)模糊神經(jīng)網(wǎng)絡(luò)的狀態(tài)評(píng)估子網(wǎng)絡(luò)，將各子網(wǎng)絡(luò)的評(píng)估結(jié)果乘以權(quán)值并求和，即可得到系統(tǒng)的狀態(tài)評(píng)估結(jié)果。由此設(shè)計(jì)的船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估模糊神經(jīng)網(wǎng)絡(luò)模型如圖4 所示。

圖中，N1～N5 為5 個(gè)模糊神經(jīng)網(wǎng)絡(luò)，稱為整個(gè)模糊神經(jīng)網(wǎng)絡(luò)狀態(tài)評(píng)估系統(tǒng)的子網(wǎng)絡(luò)，表示電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估的5 個(gè)部分：推進(jìn)變壓器、推進(jìn)變頻器、推進(jìn)電動(dòng)機(jī)、其他設(shè)備和外環(huán)境。其中每個(gè)子網(wǎng)絡(luò)由于評(píng)估設(shè)備的不同，輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)也不同。網(wǎng)絡(luò)模型的第2 層根據(jù)第1 層判定的設(shè)備所處的狀態(tài)求出設(shè)備的狀態(tài)評(píng)估分grade1～grade5，第3 層根據(jù)grade1～grade5 和各設(shè)備的權(quán)重求出電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估的最終評(píng)分grade。

圖4 船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估模糊神經(jīng)網(wǎng)絡(luò)模型Fig.4 The condition assessment FNN model of marine electric propulsion system

3.2 狀態(tài)評(píng)估的步驟

針對(duì)某個(gè)模糊神經(jīng)網(wǎng)絡(luò)子網(wǎng)絡(luò)，狀態(tài)評(píng)估的步驟如圖5 所示。

圖5 模糊神經(jīng)網(wǎng)絡(luò)狀態(tài)評(píng)估的步驟Fig.5 The condition assessment steps of FNN

1）確定評(píng)判集V 、因素集U 。

評(píng)判集和因素集的內(nèi)容要根據(jù)具體的評(píng)估對(duì)象而定，一般格式為V={f1，f2，…，fp，l1，l2，…，lq}，U={g1，g2，…，gn} 。其中：評(píng)判集中的f1，f2，…，fp表示對(duì)象的p 種故障，l1，l2，…，lq表示對(duì)象的q種正常模式；因素集中的g1，g2，…，gn表示輸入的n 個(gè)狀態(tài)評(píng)估指標(biāo)。

2）確定隸屬函數(shù)。

只有確定了隸屬函數(shù)，才能建立模糊關(guān)系矩陣R。隸屬函數(shù)有專家打分法、模糊統(tǒng)計(jì)法、指派法等多種確定方法。

3）建立模糊關(guān)系矩陣R 并初始化神經(jīng)網(wǎng)絡(luò)。

4）樣本歸一化。

樣本的歸一化是指將訓(xùn)練樣本中所有的數(shù)據(jù)參數(shù)采用極差標(biāo)準(zhǔn)化方法予以標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后的數(shù)據(jù)值在[0，1] 之間，歸一化樣本能提高精確度，減少計(jì)算誤差，簡(jiǎn)化數(shù)據(jù)運(yùn)算，加快訓(xùn)練模型的收斂速度。歸一化公式如下：

式中：x(i)為樣本中待歸一的值；max x(i)，min x(i)分別為該樣本中的極大和極小值。

5）訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

用歸一化后的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。MATLAB 仿真軟件提供有Neural Network Toolbox（神經(jīng)網(wǎng)絡(luò)工具箱），工具箱中包括各種神經(jīng)網(wǎng)絡(luò)的計(jì)算函數(shù)［10-11］，其中train（）函數(shù)是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，此函數(shù)可設(shè)置訓(xùn)練誤差和訓(xùn)練次數(shù)，調(diào)用方便。

6）狀態(tài)評(píng)估。

將評(píng)估數(shù)據(jù)輸入到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行狀態(tài)評(píng)估，最后得到評(píng)估結(jié)果。

4 仿真試驗(yàn)

本研究以某實(shí)船應(yīng)用的電力推進(jìn)系統(tǒng)為例進(jìn)行狀態(tài)評(píng)估仿真試驗(yàn)。由圖3 可知，船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估分為5 個(gè)部分，首先進(jìn)行推進(jìn)變壓器的狀態(tài)評(píng)估。該電力推進(jìn)系統(tǒng)推進(jìn)變壓器的參數(shù)為：額定功率1 450 kVA，初級(jí)電壓660 V，次級(jí)電壓690 V，絕緣等級(jí)F 級(jí)，額定電流1 220 A。

選取因素集U={g1，g2，g3，g4}= {繞組溫度，溫度變化值，輸出電流，輸出電壓}，評(píng)判集V={f1，f2，f3，f4，l1，l2}={繞組過熱，溫度上升過快，過流，過壓，正常1，正常2}。其中，“正常1”表示系統(tǒng)以額定功率的一半運(yùn)行，“正常2”表示系統(tǒng)滿功率運(yùn)行。

采用指派法的半梯分布函數(shù)并結(jié)合專家建議確定隸屬函數(shù)，繞組溫度屬于“繞組過熱”的隸屬函數(shù)為

繞組溫度屬于“溫度上升過快”、“過流”、“過壓”無隸屬關(guān)系，即r12=r13=r14=0。

繞組溫度屬于“正常1”、“正常2”的隸屬函數(shù)分別為：

同理，可以得到其他隸屬函數(shù)。取U={110，0，800，690}，得到模糊關(guān)系矩陣

用R 初始化模糊神經(jīng)網(wǎng)絡(luò)，并用如表2 所示的訓(xùn)練樣本歸一化后進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到如圖6（a）所示的訓(xùn)練曲線。

圖6（b）所示為沒有經(jīng)過初始化的普通人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線，可見模糊神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)相比其訓(xùn)練速度提高了約6 倍，且收斂性較好。

為測(cè)試模糊神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，將表3 所示的測(cè)試樣本輸入到訓(xùn)練完成的模糊神經(jīng)網(wǎng)絡(luò)，得到模糊關(guān)系矩陣

表2 訓(xùn)練樣本Tab.2 Training samples

圖6 訓(xùn)練曲線Fig.6 Training curves

表3 測(cè)試樣本Tab.3 Test samples

可見，模糊神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性較高。

把某一時(shí)刻的輸入值U={101.5，0.01，837.1，690.6}輸入到推進(jìn)變壓器狀態(tài)評(píng)估的模糊神經(jīng)網(wǎng)絡(luò)，計(jì)算結(jié)果為V={0.000 1，0.049 2，0，0，0.999 5，0.000 1}，可判斷此時(shí)推進(jìn)變壓器為“正常1”狀態(tài)，進(jìn)行相關(guān)計(jì)算，得到狀態(tài)評(píng)估分為grade1=98.5。

電力推進(jìn)系統(tǒng)其他設(shè)備狀態(tài)評(píng)估的模糊神經(jīng)網(wǎng)絡(luò)與推進(jìn)變壓器原理相同，此處不再贅述。求出其他設(shè)備的狀態(tài)評(píng)估分后，根據(jù)各設(shè)備對(duì)總評(píng)分的權(quán)重，可得到系統(tǒng)狀態(tài)評(píng)估的總評(píng)分為

上式中，各權(quán)重經(jīng)專家統(tǒng)計(jì)法取為［12］

5 結(jié) 語

本文對(duì)船舶電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估方法進(jìn)行了研究，將模糊神經(jīng)網(wǎng)絡(luò)狀態(tài)評(píng)估技術(shù)引入到船舶電力推進(jìn)系統(tǒng)的狀態(tài)評(píng)估中，提出了船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估流程、基于模糊神經(jīng)網(wǎng)絡(luò)的船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估模型和具體的評(píng)估步驟。通過仿真試驗(yàn)，表明與普通人工神經(jīng)網(wǎng)絡(luò)相比，模糊神經(jīng)網(wǎng)絡(luò)具有較快的收斂速度和較好的收斂性，其在船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估中具有較高的準(zhǔn)確性和實(shí)用價(jià)值。

［1］韓輝. 變壓器狀態(tài)評(píng)估系統(tǒng)的研究與實(shí)現(xiàn)［D］. 保定：華北電力大學(xué)，2009.

［2］王麗麗，戴迪，王成江，等.電力變壓器狀態(tài)評(píng)估方法綜述［J］.電氣開關(guān)，2010，48（2）：4-6.WANG Lili，DAI Di，WANG Chengjiang，et al. Sum?mary of state estimate method of a power transformer［J］.Electric Switchgear，2010，48（2）：4-6.

［3］倪麗，宋士賢，盧成光，等. 電力變壓器的實(shí)時(shí)狀態(tài)評(píng)估［J］.電氣技術(shù)，2012（10）：13-16.NI Li，SONG Shixian，LU Chengguang，et al. Re?al-time condition assessment for power transformer［J］.Electrical Engineering，2012（10）：13-16.

［4］向木生，陳健，劉瑞. 基于BP 神經(jīng)網(wǎng)絡(luò)的橋梁技術(shù)狀態(tài)評(píng)估［J］.交通科技，2011（5）：41-44.XIANG Musheng，CHEN Jian，LIU Rui. Assessment of the bridge technical state based on the BP neural net?work［J］. Transportation Science ＆ Technology，2011（5）：41-44.

［5］王美剛. 基于模糊理論的電力變壓器狀態(tài)評(píng)估［D］.保定：華北電力大學(xué)，2007.

［6］謝季堅(jiān)，劉承平.模糊數(shù)學(xué)方法及其應(yīng)用［M］.3 版.武漢：華中理工大學(xué)出版社，2000.

［7］周東華，葉銀忠. 現(xiàn)代故障診斷與容錯(cuò)控制［M］. 北京：清華大學(xué)出版社，2000.

［8］HAN Y，SONG Y H. Condition monitoring techniques for electrical equipment ——A literature survey［J］.IEEE Transactions on Power Delivery，2003，18（1）：4-13.

［9］陶國(guó)慧. 基于模糊綜合評(píng)判的引風(fēng)機(jī)狀態(tài)維修的研究［D］.武漢：華中科技大學(xué)，2005.

［10］叢爽. 面向MATLAB 工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用［M］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003.

［11］ZHANG Y，DING X，LIU Y，et al. An artificial neu?ral network approach to transformer fault diagnosis［J］. IEEE Transactions on Power Delivery，1996，11（4）：1836-1841.

［12］王孟蓮，馬丹，沈楓，等.艦船電力推進(jìn)系統(tǒng)故障診斷技術(shù)研究［J］.船電技術(shù)，2010，30（12）：1-4.WANG Menglian，MA Dan，SHEN Feng，et al. Re?search of fault diagnose technology to a ship's electric propulsion system［J］. Marine Electric ＆ Electronic Technology，2010，30（12）：1-4.