智能船舶機泵艙設備健康狀態(tài)評估方法分析

路 通，黃志勇，王家支，王 旭，鄒 淼，吳培莉

(大連船舶重工集團設計研究院有限公司， 遼寧 大連 116021)

近年來，現(xiàn)代科學技術得到迅速發(fā)展，進而牽引全球工業(yè)趨于信息化、智能化的方向不斷發(fā)展[1]。在2014年德國漢諾威工業(yè)博覽會中，第四次工業(yè)革命的“工業(yè)4.0”的概念引起廣泛關注，繼工業(yè)機械化、電氣化、自動化之后，“工業(yè)4.0”的核心理念為工業(yè)的智能化。在此背景下，船舶設備及主要系統(tǒng)也逐步朝分布型、網(wǎng)絡型和智能型的方向靠攏，在技術需求層次，智能船舶的構(gòu)建已具備一定的可行性[2-3]。

船舶機泵艙是船舶設備的主要布置場所，包括船舶主機、輔機、鍋爐等重要設備，機泵艙設備的智能運維是智能船舶的必然要求[2]。而設備健康狀態(tài)的在線監(jiān)測和評估是智能船舶自主決策分析的基礎，本文以船舶主機作為評估案例，介紹了2種健康狀態(tài)評估方法，為實現(xiàn)機泵艙的智能運維提供了一定參考。

1 健康狀態(tài)評估的概念

設備在運轉(zhuǎn)時，除受到外界環(huán)境突發(fā)的過大破壞外，其功能狀態(tài)由正常至故障通常為一個逐步累積的漸變過程，健康狀態(tài)即用來描述介于“正?！焙汀肮收稀敝g的設備狀態(tài)。2000年，美國軍方提出了故障預測與健康管理技術(Prognostics and Health Management, PHM)，用來描述設備或系統(tǒng)的工作狀態(tài)，并根據(jù)健康狀態(tài)完成設備故障的預測[4]。健康狀態(tài)評估是PHM技術的核心組成，其結(jié)果能夠直接反映當前的運行狀況，進而為設備的智能運維提供決策信息。

2 健康狀態(tài)評估方法

目前，在PHM中常用的健康狀態(tài)評估方法主要包括經(jīng)典評估法、機器學習與多源信息融合法等[5]，本文自2類評估方法中分別選取了層次分析法和BP神經(jīng)網(wǎng)絡法，并以船舶主機作為評估案例，介紹機泵艙設備健康狀態(tài)評估的具體方法。

2.1 層次分析法

層次分析法(Analytic Hierarchy Process，AHP)于20世紀70年代問世，由美國運籌學家、匹茲堡大學教授T.L.薩迪(T.L.Saaty)首次提出[6]。該方法的基本計算原理是通過將評估目標按照一定的規(guī)則劃分為不同的評估層次，并確定各層次中每個元素所占權重，計算最底層元素的參數(shù)狀態(tài)并無量綱化，最終逐級評估匯總數(shù)據(jù)，完成評估目標的狀態(tài)描述。

以船舶主機為例，根據(jù)層次分析法的計算規(guī)則，首先可將其分為3個評估層次[7]，見圖1。第一層為評估目標層，即為船舶主機的整體健康狀態(tài)；第二層可根據(jù)評估目標層的主要屬性組成或其他規(guī)則進行劃分，從主要工作系統(tǒng)的角度分析，船舶主機的第二層次可拆分為燃油系統(tǒng)、滑油系統(tǒng)、冷卻水系統(tǒng)等，各系統(tǒng)均為影響主機健康狀態(tài)的主要因素。第三層為基本數(shù)據(jù)層，為能夠體現(xiàn)第二層元素健康狀態(tài)的設備參數(shù)，燃油系統(tǒng)可包括燃油溫度、燃油壓力及燃油黏度等；滑油系統(tǒng)可包括滑油濾器壓差、進出口溫度和壓力等。

圖1 船舶主機整體健康狀態(tài)

在實時的設備健康狀態(tài)監(jiān)測中，以燃油系統(tǒng)中進口溫度參數(shù)為例，該元素的健康狀態(tài)H11,可表示為[8]：

(1)

式中，T測為燃油進口溫度的實時監(jiān)測數(shù)據(jù)；T0為系統(tǒng)所設定燃油進口溫度的標準值；Tl和Th分別代表燃油進口溫度的允許最低、最高閾值。其中T測可通過溫度傳感器的輸出直接讀取，T0、Tl和Th可通過查詢設備說明書獲取具體數(shù)值。對于系統(tǒng)中標準值、設定閾值空缺或無定量數(shù)據(jù)采集的參數(shù)，則需要根據(jù)專家經(jīng)驗和設備的具體運轉(zhuǎn)情況來確定。

同樣的計算方法可得出燃油系統(tǒng)中其他元素的健康狀態(tài)，此時燃油系統(tǒng)模塊的健康狀態(tài)H1和船舶主機的整體健康狀態(tài)H可通過公式(2)計算：

(2)

式中，ω表示元素在對應上層模塊健康狀態(tài)評估中的影響權重，該數(shù)值可以參考各元素的影響程度分別賦值，或通過構(gòu)造判斷矩陣和最小二乘法確定權值[9]。

2.2 BP神經(jīng)網(wǎng)絡法

BP神經(jīng)網(wǎng)絡法具備較強的數(shù)據(jù)處理能力，在描述對象的建模過程中，不需要獲取變量之間準確的數(shù)學方程映射關系，能夠較好地完成信號處理分類和擬合[10]。在智能機泵艙設備的數(shù)據(jù)監(jiān)測中，傳感器的種類繁多，且各參數(shù)之間難以用明確的數(shù)值關系準確描述，因此，以神經(jīng)網(wǎng)絡計算方法進行機艙泵設備的在線評估具備一定的適用性。

BP神經(jīng)網(wǎng)絡為一種多層的前饋型神經(jīng)網(wǎng)絡，其拓撲結(jié)構(gòu)可通過圖2表示。

圖2 BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)

其中，輸入層為網(wǎng)絡的原始數(shù)據(jù)導入層，對應計算中的自變量，隱含層為數(shù)據(jù)擬合計算的過渡層，輸出層即為因變量導出層。圖2中，參數(shù)P1,P2,…,Pn為輸入?yún)?shù)；ωij,ωjk為計算過程中相鄰兩層間的附加權值；b1,b2,…,bm和θ1,θ2,…，θk為網(wǎng)絡偏置，輸出結(jié)果a1,a2,…,ak即為網(wǎng)絡計算的預測值，其中m、k分別為隱含層節(jié)點數(shù)目及輸出層因變量數(shù)目。在拓撲網(wǎng)絡中可根據(jù)實際情況設定隱含層的層數(shù)(一層或多層)和m、k的具體數(shù)值。圖2中的神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)表達的為由n個自變量到k個因變量的函數(shù)映射關系，網(wǎng)絡中隱含層的第j個節(jié)點yj可表達為：

(3)

輸出層第k個節(jié)點ak為：

(4)

式中，f1、f2為輸入/輸出關系的傳遞函數(shù)，其中隱含層內(nèi)的傳遞函數(shù)要求為連續(xù)、光滑、單調(diào)遞增且存在上下界的非線性函數(shù)，輸出層的傳遞函數(shù)不限制于非線性函數(shù)[11]；Pi表示第i個輸入?yún)?shù)；bj表示第j個節(jié)點所對應的附加權值。

利用BP神經(jīng)網(wǎng)絡進行設備的健康狀態(tài)評估時，首先需要調(diào)用設備正常運轉(zhuǎn)的歷史數(shù)據(jù)作為網(wǎng)絡的訓練樣本，通過設定程序進行自主學習，學習主要分為2個階段，第一階段為根據(jù)網(wǎng)絡輸入的樣本數(shù)據(jù)，由輸入層向后計算得出各神經(jīng)節(jié)點的輸出值，第二階段為由最后一層逆向計算各權值和閾值對總體誤差的影響。2個階段交替反復計算，不斷修正網(wǎng)絡中各參數(shù)的數(shù)值，直至最終收斂。網(wǎng)絡的訓練學習完成后，在符合一定的檢驗前提下，可將實時采集的設備運轉(zhuǎn)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡中進行計算，以網(wǎng)絡的輸出值同實測數(shù)據(jù)的差異體現(xiàn)設備的健康狀態(tài)。

以選擇主機油耗作為網(wǎng)絡單一輸出值為例，主機的油耗數(shù)據(jù)是能夠反映設備狀態(tài)的主要參數(shù)之一。理論上在轉(zhuǎn)速、轉(zhuǎn)矩、功率等參數(shù)確定的情況下，主機的正常油耗存在一定標準值，而實測值同標準值的偏差即可反映出當前的設備相對狀態(tài)，其評估流程主要包括以下幾方面。

1)采集樣本數(shù)據(jù)，輸入數(shù)據(jù)為能夠影響主機油耗的所有可測數(shù)據(jù)，包括轉(zhuǎn)速、冷卻水溫度等運轉(zhuǎn)數(shù)據(jù)和風速、相對風向等外界環(huán)境數(shù)據(jù)等。根據(jù)需要可對數(shù)據(jù)做出相應處理，如異常值剔除、滑動平均處理及主成分分析確定輸入形式等。

2)構(gòu)建神經(jīng)網(wǎng)絡，案例模型以主機油耗作為單一輸出值，實際計算可設置多項輸出值，并附加對應的權重。

3)將樣本數(shù)據(jù)導入神經(jīng)網(wǎng)絡，進行訓練學習，直至最終收斂，得出網(wǎng)絡參數(shù)。

4) 以在線監(jiān)測的實時輸入?yún)?shù)作為網(wǎng)絡的輸入，對比網(wǎng)絡輸出值和實測油耗的差異，得出設備的實時健康狀態(tài)。

3 結(jié)束語

相對而言，層次分析法的計算較為簡潔，但該方法對專家經(jīng)驗有著較大的依賴，各層次權重分配的合理性將會直接影響評估結(jié)果的準確性；BP神經(jīng)網(wǎng)絡法具備自主訓練學習的能力，可避免狀態(tài)評估中因船型、設備型號及操作習慣不同等因素帶來的影響，在評估結(jié)果方面具備一定的可靠性，存在的唯一不足是對樣本數(shù)據(jù)的需求，網(wǎng)絡的構(gòu)建至少需等設備運轉(zhuǎn)一段時間積累足夠的樣本數(shù)據(jù)之后。此外，在構(gòu)建評估模型的過程中，也需根據(jù)實際的數(shù)據(jù)特征設置對應評估參數(shù)，確保最終評估結(jié)果的準確性，為機泵艙設備的智能化運維提供堅實基礎。