基于Mini-batch神經(jīng)網(wǎng)絡(luò)的船舶柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

尚前明，王 瀟，曹 召，劉治江，鄧曉光

(武漢理工大學(xué) 能源與動(dòng)力工程學(xué)院，湖北 武漢 430063)

近年來，隨著“智能船舶”概念的提出，船舶柴油機(jī)的自動(dòng)化程度及復(fù)雜程度也越來越高，與之相伴的是設(shè)備故障越來越復(fù)雜，因設(shè)備故障導(dǎo)致的機(jī)務(wù)風(fēng)險(xiǎn)也變得越來越大，甚至?xí)?dǎo)致重大機(jī)損和海難事故。故障預(yù)測(cè)和健康管理技術(shù)大多停留在理論研究層面，在實(shí)際的工程應(yīng)用中鮮有涉及[1]。

本文在闡述船舶機(jī)務(wù)風(fēng)險(xiǎn)的基礎(chǔ)上，宏觀分析與柴油機(jī)風(fēng)險(xiǎn)狀態(tài)密切相關(guān)的因素。利用Mini-batch神經(jīng)網(wǎng)絡(luò)對(duì)柴油機(jī)健康狀態(tài)進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，柴油機(jī)的風(fēng)險(xiǎn)等級(jí)狀態(tài)對(duì)維護(hù)管理人員有著重要的指導(dǎo)意義，也能為評(píng)估人員提供直觀、科學(xué)、合理的依據(jù)。并且提前預(yù)知設(shè)備健康風(fēng)險(xiǎn)狀態(tài)，進(jìn)一步降低船舶發(fā)生重大機(jī)務(wù)事件及事故的可能性。

1 基于Mini-batch神經(jīng)網(wǎng)絡(luò)船舶柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)框架

1.1 風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)基本理論

預(yù)測(cè)系統(tǒng)的功能是進(jìn)行必要的未來預(yù)測(cè)以及預(yù)知潛在故障變化發(fā)展的蹤跡和趨勢(shì)，預(yù)測(cè)分析必須著眼與未來時(shí)間內(nèi)事件可能發(fā)生的概率和發(fā)展趨勢(shì)[2]。船舶柴油機(jī)健康風(fēng)險(xiǎn)極富彈性尺度，存在形式、發(fā)展過程、觸發(fā)條件差別很大，傳統(tǒng)的機(jī)務(wù)管理沒有綜合整體因素對(duì)船舶柴油機(jī)進(jìn)行有針對(duì)的智能維護(hù)，對(duì)柴油機(jī)的整體健康狀態(tài)存在一定的模糊性，因此應(yīng)該合理劃分風(fēng)險(xiǎn)預(yù)測(cè)的類別，船舶機(jī)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模式主要包括以下幾種。

1)根據(jù)現(xiàn)有信息進(jìn)行趨勢(shì)預(yù)測(cè)。即用科學(xué)的統(tǒng)計(jì)方法對(duì)事故的發(fā)展?fàn)顟B(tài)進(jìn)行定量預(yù)測(cè)。預(yù)測(cè)方程如公式(1)所示。

Y=f(t)，

(1)

式中：Y是預(yù)測(cè)變量；t是時(shí)間。

2)對(duì)不同指標(biāo)因素預(yù)測(cè)相互影響效果，主要是通過關(guān)聯(lián)分析和跟蹤設(shè)備的監(jiān)測(cè)數(shù)據(jù)，預(yù)測(cè)某個(gè)受影響變量的狀態(tài)，其預(yù)測(cè)方程如公式(2)所示。

Y=f(x0,x1，…,xn)，

(2)

式中：Y是預(yù)測(cè)變量；x0，x1，…,xn為相關(guān)變量。

3)根據(jù)相關(guān)征兆預(yù)測(cè)可能出現(xiàn)的結(jié)果。通過對(duì)監(jiān)測(cè)到的相關(guān)征兆信息進(jìn)行狀態(tài)識(shí)別，歸納相應(yīng)的結(jié)果。

4)對(duì)發(fā)生頻率較低，偶然事件的發(fā)生狀態(tài)進(jìn)行預(yù)測(cè)。例如預(yù)測(cè)柴油機(jī)突發(fā)性事故的概率、發(fā)生時(shí)間、持續(xù)時(shí)間以及產(chǎn)生的影響等。

本文柴油機(jī)健康狀況風(fēng)險(xiǎn)預(yù)報(bào)采用的模式主要為對(duì)因素相互影響的預(yù)測(cè)和對(duì)征兆可能的結(jié)果進(jìn)行預(yù)測(cè)兩種模式，采用的預(yù)測(cè)步驟如圖1所示。

圖1 船舶柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)步驟圖

1.2 基于Mini-batch神經(jīng)網(wǎng)絡(luò)的方法

在過去的機(jī)務(wù)管理中，管理人員一般采用統(tǒng)計(jì)圖表的方法來進(jìn)行觀察，直觀預(yù)測(cè)一些偶發(fā)事件，這些預(yù)測(cè)太主觀，受不確定影響比較大。相比之下，神經(jīng)網(wǎng)絡(luò)在處理這類復(fù)雜的多因素問題中具有良好的表現(xiàn)，容錯(cuò)性及自組織能力比較強(qiáng)，因此采用神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行預(yù)測(cè)。

BP-神經(jīng)網(wǎng)絡(luò)即反向傳播網(wǎng)絡(luò)，實(shí)際上是由一個(gè)個(gè)單個(gè)感知器組合而成，由輸入層經(jīng)過層層的特征轉(zhuǎn)換，最后得到一個(gè)權(quán)重作為特征輸出，中間的神經(jīng)元作為特征轉(zhuǎn)換函數(shù)，多個(gè)非線性特征轉(zhuǎn)換函數(shù)使神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的擬合能力。典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2中，x1,…,xn表示輸入值；y1,…,ym表示輸出值；wij,…,wjk表示神經(jīng)元之間連接的權(quán)值。

BP-神經(jīng)網(wǎng)絡(luò)通過誤差反向傳播通過梯度下降算法迭代進(jìn)行優(yōu)化，梯度下降算法是通過沿著目標(biāo)函數(shù)的一階導(dǎo)數(shù)負(fù)方向來通過一定的步長(zhǎng)η迭代達(dá)到目標(biāo)函數(shù)的極小值點(diǎn)，如公式(3)所示。

(3)

式中：η表示訓(xùn)練步長(zhǎng)；ω表示相關(guān)參數(shù)。

采用全量梯度下降法每次下降學(xué)習(xí)都是用整個(gè)訓(xùn)練集，缺點(diǎn)很明顯。每次學(xué)習(xí)需要使用整個(gè)訓(xùn)練集，消耗很多計(jì)算空間和資源。針對(duì)要解決的對(duì)柴油機(jī)風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)模型，使用整個(gè)樣本空間進(jìn)行迭代訓(xùn)練會(huì)使樣本之間沒有差別。實(shí)際情況下要想使預(yù)測(cè)模型變得準(zhǔn)確，應(yīng)該基于時(shí)間序列或者典型樣本數(shù)據(jù)給予不同的權(quán)重，這樣訓(xùn)練的模型泛化能力會(huì)更好，預(yù)測(cè)更加精準(zhǔn)。針對(duì)上述問題，對(duì)上述全量梯度下降法進(jìn)行改進(jìn)。

隨機(jī)梯度下降采用每次隨機(jī)抽取一個(gè)樣本點(diǎn)的方法進(jìn)行樣本訓(xùn)練，通過這種方法可以減小每次迭代過程的計(jì)算量，雖然這種方法最終還會(huì)收斂到全局最優(yōu)點(diǎn)，但是每次只抽取一個(gè)樣本值會(huì)帶來一定的波動(dòng)。綜合考慮隨機(jī)全量梯度下降和隨機(jī)梯度下降的點(diǎn)，采用每次隨機(jī)抽取幾個(gè)樣本進(jìn)行梯度下降，即Mini- batch梯度下降，如公式(4)所示。

(4)

式中：xi:(i+m)表示每次梯度下降用所用的第i到(i+m)個(gè)樣本;yi:(i+m)表示第i到(i+m)個(gè)樣本的標(biāo)簽值。

Mini-batch梯度下降綜合了全量梯度下降和隨機(jī)梯度下降的優(yōu)點(diǎn)，更重要的是使用Mini-batch梯度下降，我們可以根據(jù)所獲得訓(xùn)練樣本的時(shí)間或者訓(xùn)練樣本的典型程度的不同，在訓(xùn)練樣本集上做一個(gè)劃分，在模型訓(xùn)練初期，使用前面的非典型樣本訓(xùn)練，后期使用典型數(shù)據(jù)進(jìn)行迭代訓(xùn)練，這樣使得模型的準(zhǔn)確度在時(shí)間維度上更與真實(shí)值相接近。而且可以進(jìn)行在線模型訓(xùn)練，在獲得新的訓(xùn)練樣本時(shí)，或者需要多模型進(jìn)行調(diào)整時(shí)，使用新的數(shù)據(jù)進(jìn)行優(yōu)化即可。

2 船舶柴油機(jī)健康風(fēng)險(xiǎn)等級(jí)計(jì)算

船舶柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)實(shí)質(zhì)上是用BP-神經(jīng)網(wǎng)絡(luò)解決一個(gè)分類問題，主要分為兩個(gè)步驟：①確立與柴油機(jī)風(fēng)險(xiǎn)有關(guān)的因素及對(duì)這些信息數(shù)據(jù)的處理；②采用合適的隱含層，根據(jù)樣本特性進(jìn)行處理，訓(xùn)練成泛化能力較強(qiáng)的模型。

本文提出利用Mini-batch梯度下降神經(jīng)網(wǎng)絡(luò)算法對(duì)船舶柴油機(jī)健康風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)算法流程主要包括以下幾個(gè)步驟。

1)數(shù)據(jù)采集。從故障統(tǒng)計(jì)指標(biāo)、設(shè)備性能指標(biāo)、安全保障指標(biāo)這3個(gè)因素來綜合考慮柴油機(jī)健康風(fēng)險(xiǎn)因素。

2)輸出健康等級(jí)確定：根據(jù)船公司的習(xí)慣方法對(duì)柴油機(jī)進(jìn)行級(jí)別劃分。

本研究以市售泡菜為研究對(duì)象，從中篩選出乳酸菌，研究其基本生理生化特性、產(chǎn)酸性能、降解亞硝酸鹽的能力以及耐酸性，進(jìn)而篩選出各方面性能都比較優(yōu)異的乳酸菌株，并對(duì)其采用API 50 CHL碳水化合物的發(fā)酵產(chǎn)酸試驗(yàn)及分子生物學(xué)技術(shù)進(jìn)行鑒定。本研究可以豐富乳酸菌菌種資源，并為其在食品工業(yè)中的應(yīng)用奠定基礎(chǔ)。

3)訓(xùn)練樣本的獲取及處理。根據(jù)機(jī)務(wù)統(tǒng)計(jì)數(shù)據(jù)及典型機(jī)務(wù)風(fēng)險(xiǎn)獲取訓(xùn)練樣本，根據(jù)合理的映射關(guān)系將“語言變量”轉(zhuǎn)化為“數(shù)值變量”并經(jīng)過一定的轉(zhuǎn)換獲得訓(xùn)練樣本集。

4)對(duì)訓(xùn)練樣本進(jìn)行PCA降維處理，并根據(jù)收集得到的典型機(jī)務(wù)數(shù)據(jù)統(tǒng)計(jì)時(shí)間序列對(duì)樣本進(jìn)行劃分成一個(gè)個(gè)小組。

5)根據(jù)經(jīng)驗(yàn)公式設(shè)計(jì)隱含層個(gè)數(shù)，進(jìn)行模型訓(xùn)練。根據(jù)驗(yàn)證集來證明模型的準(zhǔn)確性。

2.1 船舶主機(jī)健康風(fēng)險(xiǎn)因素的確立

隨著現(xiàn)代造船技術(shù)、船員管理水平的提高，使現(xiàn)代船舶設(shè)備風(fēng)險(xiǎn)的內(nèi)涵和外延都發(fā)生了重大變化。因此在構(gòu)建輸入因素指標(biāo)時(shí)，要充分考慮現(xiàn)有的評(píng)價(jià)指標(biāo)，并全面收集事故發(fā)生時(shí)的背景、過程以及造成的影響，遵循敏感性、獨(dú)立性、外推性和規(guī)范性[3]。

1)敏感性。參數(shù)必須綜合全面地代表船舶柴油機(jī)運(yùn)行狀況。

2)獨(dú)立性。參數(shù)性能比較穩(wěn)定、波動(dòng)小，且不易受到外界干擾。

3)外推性。參數(shù)應(yīng)能夠隨機(jī)器性能的變化和時(shí)間流動(dòng)而隨之產(chǎn)生相應(yīng)的變化。

4)規(guī)范性。關(guān)鍵指標(biāo)取值范圍和預(yù)警等級(jí)要符合相關(guān)法律法規(guī)和船級(jí)標(biāo)準(zhǔn)。

根據(jù)上述分析，結(jié)合人、機(jī)、環(huán)境因素和參考有關(guān)船舶風(fēng)險(xiǎn)評(píng)價(jià)有關(guān)的相關(guān)文獻(xiàn)[4]，進(jìn)一步對(duì)相關(guān)指標(biāo)進(jìn)行選擇，最終選取了對(duì)船舶主機(jī)風(fēng)險(xiǎn)狀態(tài)影響因素較大的十一個(gè)指標(biāo)因素，具體如下。

1)故障統(tǒng)計(jì)指標(biāo)。柴油機(jī)的故障統(tǒng)計(jì)指標(biāo)反映了柴油機(jī)各項(xiàng)性能指標(biāo)的維持能力。主要包括故障率、設(shè)備維修度、修復(fù)率。

(1)故障率。故障率指的是設(shè)備在某一時(shí)刻沒有發(fā)生故障，在這一時(shí)刻單位時(shí)間內(nèi)發(fā)生故障的概率。

(2)維修度。維修度指的是設(shè)備在發(fā)生故障之后能夠快速修復(fù)到正常狀態(tài)的能力，也是評(píng)價(jià)柴油機(jī)維修難易程度的指標(biāo)之一。

(3)修復(fù)率。修復(fù)率表示設(shè)備在某個(gè)時(shí)刻的修復(fù)狀況，具體指直到修理時(shí)間T時(shí)還未得到修復(fù)的設(shè)備，在T時(shí)刻之后的單位時(shí)間內(nèi)被修復(fù)完好的概率。

2)技術(shù)性能指標(biāo)。主要有設(shè)備新度、設(shè)備有效度、運(yùn)行參數(shù)以及維護(hù)保養(yǎng)的相關(guān)指標(biāo)。

(1)設(shè)備新度。即反映機(jī)器設(shè)備的老舊程度，可用新度系數(shù)來表示。

(2)設(shè)備有效度。反應(yīng)機(jī)械設(shè)備運(yùn)轉(zhuǎn)功能完備程度。

(3)運(yùn)行參數(shù)。由運(yùn)行參數(shù)偏差來反映，即設(shè)備運(yùn)行參數(shù)實(shí)際值與理論值的偏離。

(4)維護(hù)保養(yǎng)狀況。反映維修決策方案的科學(xué)性和設(shè)備的備件情況，修復(fù)工藝等指標(biāo)因素。

3)安全保障指標(biāo)。反映設(shè)備的監(jiān)測(cè)與控制措施，對(duì)突發(fā)性故障的應(yīng)急反應(yīng)能力，以及對(duì)船舶柴油機(jī)工作系統(tǒng)的干預(yù)度即有效保養(yǎng)措施。主要包括平均修復(fù)時(shí)間、備件系統(tǒng)供應(yīng)合格度、應(yīng)急反應(yīng)能力和工作環(huán)境的惡劣程度。

(1)供應(yīng)系統(tǒng)合格度。該項(xiàng)指標(biāo)的計(jì)算可根據(jù)船舶對(duì)供應(yīng)備件、物料、油料等物質(zhì)的合格率反饋所得到。

(2)工作環(huán)境劣化度。綜合評(píng)價(jià)指標(biāo)，根據(jù)設(shè)備總體狀況和周圍的工作環(huán)境來共同確定。

(3)平均修復(fù)時(shí)間。指因設(shè)備發(fā)生故障，處理故障修理的平均時(shí)間。

(4)應(yīng)急反應(yīng)能力。綜合評(píng)價(jià)指標(biāo)，綜合反應(yīng)處理中人、機(jī)、環(huán)境的應(yīng)急協(xié)調(diào)能力。

2.2 輸出健康等級(jí)確定

由于不同的船舶的主機(jī)風(fēng)險(xiǎn)狀態(tài)差異很大，不同的船舶對(duì)設(shè)備的健康狀態(tài)要求也不一樣，統(tǒng)一的健康標(biāo)準(zhǔn)很難建立，本文的柴油機(jī)健康等級(jí)評(píng)定采用船用公司的習(xí)慣方法，將設(shè)備的健康標(biāo)準(zhǔn)必須劃定在一個(gè)合理的范圍內(nèi)。對(duì)船舶設(shè)備健康狀態(tài)分為5個(gè)級(jí)別:A為健康區(qū)域、B為良好區(qū)域、C為健康警戒區(qū)域、D為危險(xiǎn)區(qū)域、E為特別區(qū)域(健康狀況失控)。見表1。

表1 柴油機(jī)風(fēng)險(xiǎn)等級(jí)表

2.3 訓(xùn)練樣本的獲取及處理

訓(xùn)練樣本中的健康等級(jí)輸出主要根據(jù)機(jī)務(wù)統(tǒng)計(jì)數(shù)據(jù)獲得或是用典型機(jī)務(wù)風(fēng)險(xiǎn)案例獲得，主要有以下3種途徑。

1)從已經(jīng)發(fā)生過的設(shè)備風(fēng)險(xiǎn)事故中獲得。

2)從模擬設(shè)備健康狀態(tài)惡化的過程中獲得。

3)從國(guó)內(nèi)外發(fā)生過的典型故障案例中收集獲得。

在設(shè)備健康狀態(tài)評(píng)估中為了獲取與柴油機(jī)設(shè)備健康狀態(tài)密切相關(guān)的指標(biāo)因素，常常專家調(diào)查、主觀分析法、概率分析法獲得基本的信息和數(shù)據(jù)，并采用一定方法對(duì)這些數(shù)據(jù)進(jìn)行分析和處理。

上述確定的11個(gè)指標(biāo)因素，有的并不是數(shù)值變量，需要通過合理的映射將“語言變量”轉(zhuǎn)化為“數(shù)值變量”，以此建立的以此建立的各種輸入指標(biāo)的模糊化語言處理以及相應(yīng)量化分值如表2所示。

表2 指標(biāo)因素語言量化分值表

由于上述指標(biāo)因素與輸出等級(jí)關(guān)系不一致，需要對(duì)上述指標(biāo)因素一致化處理，處理公式為：

因素指標(biāo)與輸出等級(jí)的關(guān)系是正相關(guān)時(shí)：

(5)

因素指標(biāo)與輸出等級(jí)的關(guān)系是負(fù)相關(guān)時(shí):

(6)

式中：A0為輸入樣本的初始因素的初始量化值；A為轉(zhuǎn)化后的值。

盡管經(jīng)過一致化處理后的樣本值都轉(zhuǎn)化為正相關(guān)關(guān)系，仍需要根據(jù)模糊數(shù)學(xué)中的“指標(biāo)值越大隸屬度越大”原則，根據(jù)隸屬度的大小對(duì)上述處理后的樣本值進(jìn)行修正，使各因素指標(biāo)與評(píng)價(jià)標(biāo)準(zhǔn)保持一致，將其映射范圍保持在1～55之間，體現(xiàn)在數(shù)學(xué)上就是：

(7)

mj=4×rj+1，

(8)

式中：rij、rj均為隸屬度；mj為評(píng)價(jià)分值；xij、xi,max、xi,min分別表示樣本中指標(biāo)的數(shù)值，所有樣本集中指標(biāo)的最大值和最小值。

以某船舶柴油機(jī)為例進(jìn)行信息收集，根據(jù)上面定義的方法及定義的各項(xiàng)等級(jí)指標(biāo)建立訓(xùn)練樣本集，部分訓(xùn)練樣本集如表3所示。

表3 部分訓(xùn)練樣本

2.4 PCA降維及訓(xùn)練樣本分組處理

為了降低模型復(fù)雜度，提高模型泛化能力，首先對(duì)訓(xùn)練樣本集進(jìn)行PCA降維處理，經(jīng)過主成分分析過后，得到前4個(gè)主成分的貢獻(xiàn)率為95.411%，包含了絕大部分的原始信息，選用前4個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)輸入。

由于樣本集通過機(jī)務(wù)統(tǒng)計(jì)案例或典型風(fēng)險(xiǎn)案例獲得，在時(shí)間上跨度很大，可能時(shí)間較早的數(shù)據(jù)已經(jīng)不太適合現(xiàn)有的指標(biāo)體系，采用Mini-batch梯度下降法，可以實(shí)時(shí)對(duì)模型進(jìn)行更新。本文根據(jù)時(shí)間序列對(duì)訓(xùn)練樣本集進(jìn)行劃分，時(shí)間較早的樣本在模型訓(xùn)練前期賦予比較大的權(quán)重，比較新的樣本在訓(xùn)練后期賦予較大的權(quán)重。訓(xùn)練前期抽取到前一部分樣本的概率比較大，當(dāng)訓(xùn)練誤差小于5%時(shí)，后一部分樣本隨機(jī)抽到的概率比較大，這樣對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行處理保障了模型更好的泛化效果。

由上文確定的5個(gè)風(fēng)險(xiǎn)狀態(tài)確定的5個(gè)等級(jí)輸出矩陣為：狀態(tài)A=(1，0，0，0，0)代表柴油機(jī)處于健康區(qū)域，狀態(tài)B=(0，1，0，0，0)代表柴油機(jī)處于健康狀態(tài)良好區(qū)域，C=(0，0，1，0，0)代表健康狀態(tài)警戒區(qū)域，D=(0，0，0，1，0)代表危險(xiǎn)區(qū)域，E=(0，0，0，0，1)代表設(shè)備失控，處于極度危險(xiǎn)狀態(tài)。

2.5 隱含層結(jié)果設(shè)計(jì)及計(jì)算結(jié)果

文獻(xiàn)[5]研究表明，隱含層的個(gè)數(shù)存在一個(gè)最佳值兼顧訓(xùn)練時(shí)間和容錯(cuò)性。隱含層節(jié)點(diǎn)設(shè)計(jì)常常采用如下的極端公式:

(9)

式中：n為網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)；m為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；p為隱含層節(jié)點(diǎn)數(shù)；r為常數(shù)，r=1,2,…,10。

本文采用這種方法，輸入節(jié)點(diǎn)個(gè)數(shù)n=4，m=5，P的范圍在4～14之間，經(jīng)過多次訓(xùn)練，通過驗(yàn)證集驗(yàn)證模型誤差，在訓(xùn)練時(shí)間和訓(xùn)練誤差之間進(jìn)行平衡，最終隱含層節(jié)點(diǎn)數(shù)為11個(gè)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-11-5。設(shè)置好相關(guān)的參數(shù)變量后用Matlab進(jìn)行編程。輸入訓(xùn)練樣本集訓(xùn)練，用測(cè)試樣本集選擇效果較好的模型。

經(jīng)過了39步迭代訓(xùn)練，達(dá)到了目標(biāo)誤差的收斂要求。最后以5組驗(yàn)證數(shù)據(jù)作為檢驗(yàn)樣本來檢驗(yàn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)結(jié)果,如表4所示。

表4 柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)結(jié)果

從表4可以看出，用訓(xùn)練后的網(wǎng)絡(luò)對(duì)各組輸入矢量進(jìn)行預(yù)測(cè)后，得出的輸出值并不是理想的0和1，造成這種現(xiàn)象的原因是由于訓(xùn)練樣本點(diǎn)過少和網(wǎng)絡(luò)模型不夠復(fù)雜，太復(fù)雜的模型容易造成過擬合。這種輸出結(jié)果已經(jīng)和理想輸出很接近，完全可以依靠此模型判斷船舶柴油機(jī)健康風(fēng)險(xiǎn)狀態(tài)，從而進(jìn)行風(fēng)險(xiǎn)等級(jí)狀態(tài)辨識(shí)。

3 結(jié)束語

針對(duì)現(xiàn)有的故障預(yù)測(cè)及設(shè)備健康管理技術(shù)大多停留在理論層面，本文提出采用神經(jīng)網(wǎng)絡(luò)模型對(duì)柴油機(jī)風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)分級(jí)。系統(tǒng)分析與柴油機(jī)風(fēng)險(xiǎn)狀況有關(guān)的指標(biāo)因素，采用科學(xué)合理的預(yù)測(cè)模型比過去管理人員采用單一的管理方法進(jìn)行評(píng)估更具有科學(xué)性。另外本文針對(duì)所獲取訓(xùn)練樣本時(shí)間跨度大，預(yù)測(cè)模型要隨著時(shí)間的推移進(jìn)行實(shí)時(shí)更新等因素，采用采用Mini-batch梯度下降法，相比于全量梯度下降和隨機(jī)梯度下降，Mini-batch更適用于訓(xùn)練樣本時(shí)間跨度大，模型需要隨著時(shí)間的推移進(jìn)行更新。試驗(yàn)表明其在柴油機(jī)風(fēng)險(xiǎn)預(yù)測(cè)中具有良好的效果與準(zhǔn)確性。本文只是做了風(fēng)險(xiǎn)狀態(tài)等級(jí)的預(yù)測(cè)，管理人員根據(jù)風(fēng)險(xiǎn)等級(jí)狀態(tài)進(jìn)行有針對(duì)性的維護(hù)管理，離真正意義上的智能維護(hù)管理還有一定的提高空間。