基于SOM神經(jīng)網(wǎng)絡(luò)的船舶分油機(jī)故障診斷研究*

李沁生，于家鳳

?

基于SOM神經(jīng)網(wǎng)絡(luò)的船舶分油機(jī)故障診斷研究*

李沁生，于家鳳

（江蘇海事職業(yè)技術(shù)學(xué)院輪機(jī)工程學(xué)院，南京211170）

為了實(shí)現(xiàn)對(duì)船舶分油機(jī)故障的智能診斷, 提出一種基于SOM神經(jīng)網(wǎng)絡(luò)的診斷方法。首先，在分析分油機(jī)典型故障及特征參數(shù)的基礎(chǔ)上，提取故障特征向量并建立學(xué)習(xí)樣本。其次，建立了SOM網(wǎng)絡(luò)模型，通過樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，獲取了輸入與輸出間的非線性映射。最后將建立的SOM網(wǎng)絡(luò)應(yīng)用于分油機(jī)的故障分類和診斷。實(shí)驗(yàn)驗(yàn)證表明：該方法診斷準(zhǔn)確度高和對(duì)不同故障識(shí)別的適應(yīng)性強(qiáng)，是一種可行有效的分油機(jī)故障智能診斷方法。

船舶分油機(jī) 故障診斷 SOM神經(jīng)網(wǎng)絡(luò)

0 引言

分油機(jī)是船舶柴油機(jī)的燃油系統(tǒng)和滑油系統(tǒng)中必備的輔機(jī)設(shè)備。大型海船的柴油機(jī)普遍采用低質(zhì)燃油，以降低燃油成本。低質(zhì)燃油必須使用分油機(jī)凈化，以快速除去其中的水分和雜質(zhì)，此外柴油機(jī)的曲軸箱滑油也需要定期使用分油機(jī)凈化。處于故障狀態(tài)的分油機(jī)必然會(huì)使油凈化的品質(zhì)變差，燃油與滑油的凈化質(zhì)量將直接影響柴油機(jī)的可靠運(yùn)行和使用壽命，所以確保分油機(jī)的正常運(yùn)行成為船舶柴油機(jī)安全運(yùn)行的必要條件之一。因分油機(jī)使用時(shí)起停頻繁、結(jié)構(gòu)復(fù)雜，故障因素繁多且相互交錯(cuò)[1]。當(dāng)故障出現(xiàn)時(shí)，普遍采用人工診斷和憑經(jīng)驗(yàn)拆檢分油機(jī)的方式來查找故障。這樣不但效率低下，還會(huì)因人為失誤而不能夠準(zhǔn)確判斷故障原因，或裝復(fù)不符合要求而引發(fā)新故障。為了保證分油機(jī)的正常運(yùn)行，準(zhǔn)確快速判斷故障原因，需要開展分油機(jī)故障診斷技術(shù)的研究，特別是船舶分油機(jī)智能故障診斷系統(tǒng)的研究，從狀態(tài)參數(shù)實(shí)時(shí)監(jiān)控的角度提高其運(yùn)行可靠性。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是在神經(jīng)學(xué)和數(shù)學(xué)等學(xué)科交叉的基礎(chǔ)上提出并發(fā)展起來的，模擬人腦神經(jīng)元結(jié)構(gòu)及激發(fā)活動(dòng)的一種非線性數(shù)學(xué)模型。通過設(shè)計(jì)合適的結(jié)構(gòu)和學(xué)習(xí)算法，可以使ANN具有從大量數(shù)據(jù)中提取知識(shí)的能力，能夠建立高度非線性的輸入輸出映射關(guān)系。ANN是人工智能理論的基石之一，在模式識(shí)別、數(shù)據(jù)挖掘、智能控制、系統(tǒng)辨識(shí)、基于數(shù)據(jù)的預(yù)測(cè)分析和故障診斷等領(lǐng)域得到廣泛的應(yīng)用[2,3,4]。因SOM神經(jīng)網(wǎng)絡(luò)具有無監(jiān)督學(xué)習(xí)、自組織、自優(yōu)化等優(yōu)良特性，本研究中選用SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行分油機(jī)的故障診斷。

1 SOM神經(jīng)網(wǎng)絡(luò)模型

SOM(Self-Organizing Feature Map)神經(jīng)網(wǎng)絡(luò)，在1987年由芬蘭赫爾辛基大學(xué)Teuvo.Kohonen教授提出，也稱Kohonen 網(wǎng)絡(luò)或競爭網(wǎng)絡(luò)。典型的二層SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)由下面輸入層和上面的輸出層(也稱為競爭層)組成。輸入層為m個(gè)神經(jīng)元，輸出層為n×k個(gè)相互連接的神經(jīng)元排列出的二維平面，輸入層神經(jīng)元與輸出層神經(jīng)元之間實(shí)現(xiàn)全連接。

通過計(jì)算和比較輸入層數(shù)據(jù)之間的相似度，SOM能夠自動(dòng)將相似度越高的輸入在網(wǎng)絡(luò)上配置得越近，因此SOM可以對(duì)不同輸入數(shù)據(jù)按照相似度進(jìn)行自動(dòng)聚類，即對(duì)不同輸入數(shù)據(jù)代表的模式進(jìn)行分類。該網(wǎng)絡(luò)是一類自組織、無監(jiān)督競爭學(xué)習(xí)網(wǎng)絡(luò)。SOM網(wǎng)絡(luò)的學(xué)習(xí)算法[2,3,4]可歸納如下：

1）初始化輸入層和競爭層之間的權(quán)值，這里設(shè)置為0～1之間的隨機(jī)數(shù)。在輸出神經(jīng)元中選取j個(gè)“鄰接神經(jīng)元”的集合。記為時(shí)刻t的“鄰接神經(jīng)元”的集合, t從0開始。隨著時(shí)間t的增長不斷減小。

3）計(jì)算競爭層各神經(jīng)元的權(quán)值向量和輸入向量的歐式距離。按下式計(jì)算輸入向量與競爭層的第j個(gè)神經(jīng)元的距離

4）勝出神經(jīng)元j* 及其“鄰接神經(jīng)元”的權(quán)值,按下式修正:

6) 如達(dá)到設(shè)定要求則停止;否則，返回步驟(2) ，繼續(xù)學(xué)習(xí)。

2 應(yīng)用SOM進(jìn)行分油機(jī)故障診斷

2.1 標(biāo)準(zhǔn)故障模式特征數(shù)據(jù)集的建立

本案例根據(jù)文獻(xiàn)[1]建立的故障樹模型總結(jié)出了一個(gè)含有8個(gè)故障模式的樣本數(shù)據(jù)集：正常排渣工況(F1)、正常分油工況(F2)、出水口跑油(F3)、排渣口跑油(F4)、出油水份高(F5)、分油機(jī)振動(dòng)(F6)、排渣困難(F7)、正常密封工況(F8)。每個(gè)故障樣本中有8個(gè)特征參數(shù)，分別是:進(jìn)油量(P1)、進(jìn)油溫度(P2)、水封水壓力(P3)、密封水壓力(P4)、出油壓力(P5)、轉(zhuǎn)速(P6)、電流(P7)、比重環(huán)內(nèi)徑(P8)，使用SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。標(biāo)準(zhǔn)故障樣本數(shù)據(jù)集如表1所列（數(shù)據(jù)已歸一化)。

2.2 分油機(jī)的SOM神經(jīng)網(wǎng)絡(luò)故障診斷軟件的實(shí)現(xiàn)步驟

1）盡可能選取覆蓋所有標(biāo)準(zhǔn)故障模式的數(shù)據(jù)樣本，組成標(biāo)準(zhǔn)故障樣本庫，導(dǎo)入軟件系統(tǒng)；

2）運(yùn)行程序，對(duì)每一種標(biāo)準(zhǔn)故障樣本進(jìn)行學(xué)習(xí)訓(xùn)練。訓(xùn)練結(jié)束后，標(biāo)記該標(biāo)準(zhǔn)故障為最大輸出神經(jīng)元在競爭層的位置；

3）輸入待檢樣本到SOM神經(jīng)網(wǎng)絡(luò)中，運(yùn)行程序，進(jìn)行分類；

4）分類結(jié)果分析，若待檢樣本輸出神經(jīng)元在輸出層的位置與某標(biāo)準(zhǔn)故障樣本的位置相同，說明待檢樣本屬于該標(biāo)準(zhǔn)故障;若待檢樣本輸出神經(jīng)元在輸出層的位置，與標(biāo)準(zhǔn)故障樣本的位置不吻合，而是介于幾種標(biāo)準(zhǔn)故障樣本的位置之間，說明待檢樣本有可能都屬于這幾種標(biāo)準(zhǔn)故障，待測(cè)樣本與這幾種標(biāo)準(zhǔn)故障的相似度由其位置距離相應(yīng)標(biāo)準(zhǔn)故障樣本位置的遠(yuǎn)近確定。

競爭層的拓?fù)浣Y(jié)構(gòu)如圖2所示，是由6×6=36個(gè)六邊形神經(jīng)元組成的二維平面陣列。SOM 網(wǎng)絡(luò)訓(xùn)練步數(shù)分別設(shè)置為10，50，100，200，300，700，1 000，對(duì)8個(gè)標(biāo)準(zhǔn)故障樣本進(jìn)行訓(xùn)練分類，分類結(jié)果如表2 所示。

由表2可知，當(dāng)訓(xùn)練步數(shù)為10時(shí)，故障原因F2、F8被劃分為獨(dú)立的2類，故障原因F1、F3、F8 歸為一類，故障原因F5、F6歸為同類，故障原因F4、F7歸為同類。這表明SOM網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)故障樣本完成了粗略分類，還有部分故障類別沒有被獨(dú)立分開。當(dāng)訓(xùn)練步數(shù)為10、50時(shí)，8種標(biāo)準(zhǔn)故障類型沒有被完全分開，但是可以看出訓(xùn)練步數(shù)越長，分類越細(xì)化。加大訓(xùn)練步數(shù)，就可實(shí)現(xiàn)完全分離。當(dāng)訓(xùn)練步數(shù)達(dá)到100以上時(shí)，每個(gè)樣本都被劃分成一類，8 種故障類型實(shí)現(xiàn)完全分離。當(dāng)訓(xùn)練步數(shù)為1000時(shí)，運(yùn)行程序后，8種標(biāo)準(zhǔn)故障完全被獨(dú)立分開，代表這8種標(biāo)準(zhǔn)故障的最終競爭勝出的神經(jīng)元在競爭層中的分布情況如圖2中藍(lán)色六邊形位置分布所示。

標(biāo)準(zhǔn)故障樣本經(jīng)過1000步SOM網(wǎng)絡(luò)訓(xùn)練之后，將如表3所示的3組分油機(jī)故障數(shù)據(jù)作為待測(cè)樣本集輸入網(wǎng)絡(luò)進(jìn)行故障診斷。

經(jīng)過診斷后，3組故障分類結(jié)果分別為3、25、10，對(duì)照表2中訓(xùn)練步數(shù)為1000時(shí)的分類結(jié)果，我們可判斷待測(cè)故障樣本集分別對(duì)應(yīng)為第F8、F6、F5類標(biāo)準(zhǔn)故障。SOM對(duì)待測(cè)樣本的診斷結(jié)果與待測(cè)樣本發(fā)生的實(shí)際故障相一致，而且，從SOM 的訓(xùn)練到診斷結(jié)果的輸出用時(shí)短。可見，SOM 網(wǎng)絡(luò)對(duì)分油機(jī)故障實(shí)現(xiàn)了準(zhǔn)確診斷。

3 結(jié)論

本文選取了廣泛應(yīng)用于模式識(shí)別領(lǐng)域的SOM神經(jīng)網(wǎng)絡(luò)對(duì)船舶分油機(jī)故障進(jìn)行診斷分類。通過本研究表明：SOM 神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力強(qiáng)，在無監(jiān)督的條件下，快速實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和輸入的分布情況的同時(shí)自學(xué)習(xí)。SOM神經(jīng)網(wǎng)絡(luò)對(duì)船舶分油機(jī)故障的分類和識(shí)別達(dá)到了又準(zhǔn)又快的效果，為船舶分油機(jī)故障診斷提供了一種簡捷有效的智能診斷方法。

參考文獻(xiàn)：

[1] 李沁生. FTA在船舶分油機(jī)故障診斷中的應(yīng)用[J].中國修船，2010，23（1）：25-28.

[2] 張靜. 基于SOM 的變壓器故障診斷研究[J].電力學(xué)報(bào)，2014 ，29（4）：318-321.

[3] 印洪浩，彭中波. 船用離心泵故障SOM網(wǎng)絡(luò)診斷方法[J]. 中國航海，2012，35（2）：24-28.

[4] 史峰，王小川. Matlab 神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2010.

SOM Neural Networks-based Fault Diagnosis for Marine Separator

Li Qinsheng, Yu Jiafeng

（Marine Engineering College of Jiangsu Maritime Institute, Nanjing 211170, Jiangsu, China）

U665

A

1003-4862（2016）11-0010-03

2016-06-15

江蘇海事職業(yè)技術(shù)學(xué)院院級(jí)課題（2012A3-08，2015KJZD-03）,江蘇省“青藍(lán)工程”資助

李沁生（1983-），男，碩士，講師。研究方向：輪機(jī)自動(dòng)化與智能化。