基于 BP 神經(jīng)網(wǎng)絡的船艙溫度預警系統(tǒng)

王明強，錢興達，劉志強

(江蘇科技大學 機械工程學院，江蘇 鎮(zhèn)江 212003)

基于 BP 神經(jīng)網(wǎng)絡的船艙溫度預警系統(tǒng)

王明強，錢興達，劉志強

(江蘇科技大學 機械工程學院，江蘇 鎮(zhèn)江 212003)

針對現(xiàn)有的船舶機艙的環(huán)境監(jiān)測報警系統(tǒng)無法對船艙火災進行預警的缺點，設計一種基于 BP 神經(jīng)網(wǎng)絡的船艙溫度預警系統(tǒng)。對船艙某一固定點的溫度進行模擬仿真得到預測結(jié)果，并通過與實際測得的溫度數(shù)據(jù)比較驗證系統(tǒng)仿真得到結(jié)果的正確性。實驗證明，該船艙溫度預測模型預測的結(jié)果與真實測得的溫度數(shù)據(jù)比較具有相對較高的準確性，可以達到溫度預測的效果，對船舶機艙對火災進行預警具有一定意義。

船艙溫度預測；BP 神經(jīng)網(wǎng)絡；火災預警

0 引 言

船舶機艙環(huán)境監(jiān)測報警系統(tǒng)是組成船舶自動化的重要部分，現(xiàn)階段我國擁有較高自動化水平的船舶自動控制和機艙報警系統(tǒng)等，但在火災預警等方面的自動化研究則相對較淺，導致現(xiàn)有的船艙環(huán)境監(jiān)測系統(tǒng)無法進行及時的火災預警[1]。傳統(tǒng)的船艙測溫方式主要是直接測溫法，該方法響應時間長，不能及時反映船艙溫度的變化規(guī)律，而要想達到溫度預測，進而進行火警預警，目前采用的方法是基于實驗數(shù)據(jù)和采用線性回歸的方法，該方法需要根據(jù)大量的實驗數(shù)據(jù)建立模型，使得該方法受到一定的應用限制[2]。

目前應用于環(huán)境數(shù)據(jù)預測方面的研究大多是基于數(shù)學模型的建立，而一般基于實驗數(shù)據(jù)的線性回歸的溫度預測方法需要大量的實驗數(shù)據(jù)來預先建立數(shù)學模型，使得該方法受到一定限制。BP 神經(jīng)網(wǎng)絡能通過誤差反傳誤差反向傳播算法學習，按照減少目標輸出與實際誤差的方向，逐層修正輸出層與個輸出層之間的連接權(quán)值，不斷完善數(shù)學模型，使之實現(xiàn)溫度預測的功能[3]。

1 基于 BP 神經(jīng)網(wǎng)絡的溫度預測方法設計

1.1 現(xiàn)有的船艙環(huán)境溫度測試方法

現(xiàn)有的船舶機艙環(huán)境監(jiān)控測量系統(tǒng)通過溫度傳感器采集船艙各個位置的溫度參數(shù)，得到輸入模擬量，通過 A/D 轉(zhuǎn)換成為數(shù)字信號，接著經(jīng)高速采集卡采集存儲數(shù)據(jù)，單片機對采集到的溫度數(shù)據(jù)進行分析處理，并將處理所得的實時溫度通過顯示模塊顯示（見圖 1）。

現(xiàn)有的船艙環(huán)境溫度測試方法采用的溫度采集方法和數(shù)據(jù)處理方法較為簡單，可以實時顯示艙內(nèi)各位置的溫度變化，但是不能起到也測溫度變化的功能，無法起到提前預警的作用[4]。

1.2 BP 神經(jīng)網(wǎng)絡

在本船艙溫度預測模型中，利用 BP 神經(jīng)網(wǎng)絡對溫度傳感器所測得的溫度進行預測的溫度預測算法，替代了傳統(tǒng)的溫度數(shù)據(jù)處理方法，與傳統(tǒng)的溫度預測方法相比，減少了大量建模所需的的數(shù)據(jù)，有明顯的優(yōu)勢[5]。

BP 神經(jīng)網(wǎng)絡的拓撲模型包括輸入層、隱層和輸出層，首先輸入樣本從輸入層單元傳到隱含層單元，經(jīng)隱含層單元處理后產(chǎn)生一個輸出，傳輸至輸出層[6]（見圖 2）。

BP 神經(jīng)網(wǎng)絡的基礎模型，第 1 層為輸入層，中間為隱含層，第T層為輸出層，假設隱含層中的某一層為第t層，第t層有p個神經(jīng)元，從前 1 層輸入到第t層的第i個神經(jīng)元的權(quán)值為，該隱層節(jié)點為，當輸出節(jié)點的期望值為q1時，則該隱層節(jié)點的輸出公式如下[7]：

其中

下一節(jié)點的輸出計算公式如下：

其中

1.3 基于 BP 神經(jīng)網(wǎng)絡的溫度測試模型

本溫度預測模型為 3 層 BP 神經(jīng)網(wǎng)絡，由輸入層、隱含層和輸出層組成，輸入層為單層輸入，含a個神經(jīng)元，隱含層為單層，神經(jīng)元個數(shù)為b，輸出層為單輸出，神經(jīng)元個數(shù)為c[8]。本模型選取的學習樣本，輸入樣本點xi（i= 1，2，…，a）為船艙內(nèi)測得的實時溫度數(shù)據(jù)，隱含層輸出節(jié)點為yj（j= 1，2，…，b），輸出層輸出節(jié)點為zk（k= 1，2，…，c）。程序流程如圖 4 所示。

2 基于 BP 網(wǎng)絡的溫度預測方法仿真

2.1 利用線性回歸預測溫度變化

首先利用傳統(tǒng)的溫度測試方法測得船舶機艙某個位置的溫度值，以獲得的溫度數(shù)據(jù)為基礎，在 Lab-VIEW 內(nèi)建立的 BP 神經(jīng)網(wǎng)絡模型內(nèi)進行訓練。通過溫度測量獲得一組從無機器運行-主機啟動-平穩(wěn)運行機艙機組工作狀態(tài)下的溫度變化數(shù)據(jù)。待運行穩(wěn)定之后獲得一組溫度數(shù)據(jù)如表 1，并用傳統(tǒng)的線性回歸的溫度預測方法進行數(shù)據(jù)預測。

根據(jù)已測得的這組溫度數(shù)據(jù)求出線性回歸方程（見圖 5 ），利用線性回歸方程，得出預測的 10 個溫度數(shù)據(jù)。

由表 2 中數(shù)據(jù)比較可知，實時測得的溫度數(shù)據(jù)在某一穩(wěn)定值附近波動變化，而用線性回歸方程預測的溫度數(shù)據(jù)是線性增加的。所以采用線性回歸的方法預測溫度變化存在一定誤差，且與實際情況不符。

表 1 實際測量溫度Tab.1 practical measuring temperature

表 2 預測溫度與實際溫度Tab.2 predicted temperature and actual temperature

2.2 建立 BP 神經(jīng)網(wǎng)絡預測模型

2.2.1 具體的網(wǎng)絡模型

本文提取表 1 中實際測得的一組溫度數(shù)據(jù)作為訓練集，利用表 2 的數(shù)據(jù)作為測試集。本文構(gòu)建 3 層 BP神經(jīng)網(wǎng)絡，由輸入層、隱含層和輸出層組成，輸入層為單層輸入，含a個神經(jīng)元，隱含層為單層，神經(jīng)元個數(shù)為b，輸出層為單輸出，神經(jīng)元個數(shù)為c[9]。

本模型選取的學習樣本，輸入樣本點xi（i= 1，2，…，a）為船艙內(nèi)測得的實時溫度數(shù)據(jù)，隱含層輸出節(jié)點為yj（j= 1，2，…，b），輸出層輸出節(jié)點為zk（k= 1，2，…，c）。wij（i= 1，2，…，a，j= 1，2，…，b）為輸入層到隱層的權(quán)值，vjk（j= 1，2，…，b，k= 1，2，…，c）為中間層至輸出層的連接權(quán)值，相應的，?wij，?vjk分別為wij，vjk的增量，θj（j= 1，2，…，b）為中間層各單元的輸出閾值，γk（k= 1，2，…，c）為輸出層各單元的輸出閾值。

2.2.2 算法步驟

1）初始化輸入數(shù)據(jù)

由于神經(jīng)網(wǎng)絡的輸入要求其輸入樣本值在 0～1 之間。在網(wǎng)絡訓練開始之前，首先對直接測得的數(shù)據(jù)進行歸一化處理：

3 溫度數(shù)據(jù)分析與預測

采用溫度測量裝置測得的一組輪機平穩(wěn)運行之后的創(chuàng)藏溫度數(shù)據(jù)作為輸入數(shù)據(jù)，依次從這組輸入數(shù)據(jù)中讀取數(shù)據(jù)，通過建立的神經(jīng)元模型獲得預測溫度。將實驗所得的預測溫度與實際溫度比較后計算得到一般化誤差，修改權(quán)值，重新開始神經(jīng)網(wǎng)絡訓練，直到得到期望的溫度數(shù)據(jù)為止[10]。表 3 是一組數(shù)據(jù)的預測結(jié)果。

表 3 溫度預測結(jié)果與誤差Tab.3 Results of temperature prediction and error

實驗結(jié)果的數(shù)據(jù)表明，依照上述原理建立的 BP 神經(jīng)網(wǎng)絡，預測得到的溫度數(shù)據(jù)誤差較小，平均誤差不超過 1%。

4 結(jié) 語

基于 BP 神經(jīng)網(wǎng)絡建立的溫度預測模型具有很好的溫度預測效果，當系統(tǒng)運行時，首先由溫度測量系統(tǒng)測量一組船舶平穩(wěn)運行后的溫度數(shù)據(jù)，通過系統(tǒng)分析該組數(shù)據(jù)得到的船艙預測溫度超出正常變化范圍時，系統(tǒng)可以提前發(fā)出火災預警。該預測系統(tǒng)的提前預警功能不僅能提高船艙安全性，降低船艙維護成本，減少因為船上火災帶來的損失，提高船舶運營的經(jīng)濟性。

[1]曹玉姣.船舶機艙自動化監(jiān)控系統(tǒng)研究[J].中國水運, 2010: 107-109.CAO Yu-jiao.Research on automatic monitoring system of marine engine room [J].China Water Transport, 2010: 107-109.

[2]劉躍.基于.NET的船舶機艙自動化及智能故障診斷技術(shù)研究[D].鎮(zhèn)江: 江蘇科技大學, 2007: 2-8.LIU Yue.Research on marine engine room automation and intelligent fault diagnosis technology based on .NET [D].Zhenjiang: Jiangsu University of Science and Technology, 2007: 2-8.

[3]閻平凡, 張長水.人工神經(jīng)網(wǎng)絡與模擬進化計算[M].北京:清華大學出版社, 2000.YAN Ping-fan, ZHANG Chang-shui.Artificial neural network and evolutionary computing [M].Beijing: Tsinghua University Press, 2000.

[4]孟建偉, 黃學武.基于CAN總線的船舶機艙綜合監(jiān)控系統(tǒng)[J].科技向?qū)? 2012(8): 91-93.

[5]徐麗娜.神經(jīng)網(wǎng)絡控制[M].哈爾濱: 哈爾濱工業(yè)大學出版社, 1999.XU Li-na.Neural network control[M].Harbin: Harbin Institute of Technology press, 1999.

[6]許中華, 楊偉豐, 蔣偉進.BP神經(jīng)網(wǎng)絡學習算法的改進與應用[J].計算機工程與科學, 2004, 26(12), 61-6.XU Zhong-hua, YANG Wei-feng, JIANG Wei-jin.BP neural network learning algorithm improvement and application of [J].Computer Engineering and Science, 2004, 26 (12), 61-6.

[7]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京: 機械工業(yè)出版社, 2003, 49-70.GAO Jun.Artificial neural network principle and simulation examples [M].Beijing: Mechanical Industry Press, 2003, 49-70.

[8]Silnon Haykin著.葉世偉, 史忠植譯.神經(jīng)網(wǎng)絡原理[M].北京: 機械工業(yè)出版社, 2004, 60-80.SILNON H, YE Shi-wei, SHI Zhong-zhi, translated.Neural network theory [M].Beijing: Mechanical Industry Press, 2004, 60-80.

[9]ZHANG Shou-chun, GAO Jun-bo.Design of autopilot steering alarm system on ship based on CAN-bus[C]// International Conference on Electronic and Mechanical Engineering and Information Technology (EMEIT), 2011: 4085-4088.

[10]MARITIN T, HAGAN H B, DEMUTH M B著.戴葵等譯.神經(jīng)網(wǎng)絡設計[M].北京: 機械工業(yè)出版社, 2005, 30-45.MARITIN T, HAGAN H B, DEMUTH M B et al.Dai Kui translated.neural network design [M].Beijing: Mechanical Industry Press, 2005, 30-45.

Cabin temperature early warning system based on BP neural network

WANG Ming-qiang, QIAN Xing-da, LIU Zhi-qiang
(School of Mechanical Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, China)

Aiming at the existing ship engine room environment monitoring alarm system is unable to cabin fire warning defects, design a based on BP neural network cabin temperature warning system.The cabin of a fixed point temperature of simulation prediction results were obtained, and compared with the actual measured temperature data comparison to verify the correctness of the simulation results.Experiments show that, the cabin temperature prediction model for the prediction of the results and the real measured temperature data comparison with relatively high accuracy, can achieve the effect of temperature prediction, of ship engine room fire warning has a certain significance.

cabin temperature prediction；BP neural network；fire early warning

TP277

：A

1672-7619(2017)01-0145-05doi：10.3404/j.issn.1672-7619.2017.01.030

2016-05-30；

: 2016-06-14

王明強(1964-)，男，教授，研究方向為現(xiàn)代機械設計理論與方法、現(xiàn)代機電產(chǎn)品及工程開發(fā)。