基于神經(jīng)網(wǎng)絡(luò)的船舶主機(jī)零件磨損監(jiān)測(cè)方法的研究

李長(zhǎng)青，林彬，魏海濱

（1.象山縣港航管理中心，浙江 寧波 315700；2.舟山市定海興舸船舶設(shè)計(jì)有限公司，浙江 舟山 316000）

船舶主機(jī)是船舶的“心臟”，保持船舶主機(jī)良好的工作狀態(tài)是輪機(jī)技術(shù)管理的關(guān)鍵內(nèi)容，在船舶主機(jī)潤(rùn)滑油中，磨損性金屬元素信息能夠反映主要零部件實(shí)時(shí)磨損狀況，借助油液分析技術(shù)，可使主要磨損件的失效被提前發(fā)現(xiàn)，從而避免惡性事故的突然發(fā)生。

在船舶機(jī)械領(lǐng)域，油液光譜分析技術(shù)已被用于船機(jī)設(shè)備的工況監(jiān)測(cè)、故障診斷和狀態(tài)預(yù)測(cè)，油液中的磨損性元素的信息可以被有效地檢測(cè)出來，通過分析，可獲得油液的污染情況、添加劑的狀況的有效信息。油液光譜分析可完成以下兩項(xiàng)工作。

（1）磨損零件和部位判定，檢測(cè)磨損金屬成分、磨屑的形貌觀察，可判定出摩擦副的部位和磨損程度。

（2）易損件磨損趨勢(shì)的預(yù)測(cè)。本項(xiàng)研究為上面的第二項(xiàng)工作，將光譜技術(shù)運(yùn)用到船舶主機(jī)的油液分析中，對(duì)主機(jī)的運(yùn)行狀態(tài)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，從而實(shí)現(xiàn)故障趨勢(shì)的預(yù)判，并采用相應(yīng)的預(yù)知性維修手段，重大事故的發(fā)生得到有效避免，其中，光譜數(shù)據(jù)預(yù)測(cè)模型的建立有著非常重要的意義。

1 構(gòu)建神經(jīng)網(wǎng)絡(luò)

1．1 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

（1）BP神經(jīng)網(wǎng)絡(luò)的模型設(shè)計(jì)。在用于故障預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)應(yīng)用比較廣泛，三層的神經(jīng)元：輸入層、隱含層和輸出層，上下層之間全連接，每層神經(jīng)元之間無連接，每個(gè)神經(jīng)元的激勵(lì)函數(shù)為Sigmoid函數(shù)。

（2）BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。用于BP神經(jīng)網(wǎng)絡(luò)的許多函數(shù)被包含在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中，表1給出了BP網(wǎng)絡(luò)的常用函數(shù)。

圖1 BP 神經(jīng)網(wǎng)絡(luò)模型

表1 BP網(wǎng)絡(luò)的常用函數(shù)

網(wǎng)絡(luò)的層數(shù)：由于三層網(wǎng)絡(luò)可以逼近任意非線性函數(shù)，模型采用輸入層、隱含層和輸出層的三層結(jié)構(gòu)。

輸入、輸出層節(jié)點(diǎn)的數(shù)量：歷史的光譜數(shù)據(jù)被均分為50份，輸入為連續(xù)的10個(gè)數(shù)據(jù)， 第11個(gè)數(shù)據(jù)作為輸出，這樣10為輸入層節(jié)點(diǎn)數(shù)，1為輸出層節(jié)點(diǎn)數(shù)。

歸一化處理網(wǎng)絡(luò)數(shù)據(jù)：為了網(wǎng)絡(luò)訓(xùn)練獲得更快的速度，更高精度的結(jié)果，樣本數(shù)據(jù)采用歸一化處理，輸入、輸出數(shù)據(jù)都被映射到[-1，1]范圍內(nèi)，具體見下式：

隱含層節(jié)點(diǎn)數(shù)：隱含層節(jié)點(diǎn)數(shù)通過以下經(jīng)驗(yàn)公式來獲得：

傳遞函數(shù)：雙曲正切tansig傳遞函數(shù)被作為隱含層傳遞函數(shù)。

1．2 遺傳神經(jīng)網(wǎng)絡(luò)

（1）遺傳網(wǎng)絡(luò)的實(shí)現(xiàn)步驟。

①隨機(jī)地建立初始群體，該群體由串形式編碼組成，個(gè)體數(shù)目取值為50。

②在計(jì)算群體中，個(gè)體的適應(yīng)度的確定。首先，制定出轉(zhuǎn)換規(guī)則，該規(guī)則滿足目標(biāo)函數(shù)值與個(gè)體適應(yīng)度的轉(zhuǎn)換。

③為了新群體的產(chǎn)生，遺傳操作被進(jìn)行，主要內(nèi)容包括選擇、交叉和變異。

④反復(fù)執(zhí)行上述步驟，一旦達(dá)到終止條件，最佳個(gè)體被選擇為結(jié)果。具體的步驟可詳見圖2。

圖2 遺傳算法的流程

（2）遺傳網(wǎng)絡(luò)的構(gòu)建。

①初始化種群，由于種群規(guī)模是50，所以遺傳代數(shù)也為50，然后，進(jìn)行針對(duì)網(wǎng)絡(luò)參數(shù)的編碼操作。

②計(jì)算個(gè)體適應(yīng)度可用誤差平方和的倒數(shù)來表示。

③MATLAB工具箱被調(diào)用，經(jīng)過反復(fù)的迭代，最優(yōu)的閾值和權(quán)值可獲得。

④閾值和權(quán)值被用來訓(xùn)練，如果目標(biāo)精度未達(dá)標(biāo)，則初始的閾值和權(quán)值被重啟、訓(xùn)練，若精度達(dá)標(biāo)則下一步繼續(xù)。

⑤閾值和權(quán)值輸出，訓(xùn)練結(jié)束。對(duì)所選的閾值和權(quán)值進(jìn)行預(yù)測(cè)，與算法進(jìn)行比對(duì)，最后輸出預(yù)測(cè)結(jié)果。

3 神經(jīng)網(wǎng)絡(luò)在船舶主機(jī)上的應(yīng)用實(shí)例

3．1 BP神經(jīng)網(wǎng)絡(luò)在船舶主機(jī)的應(yīng)用

以磨損中的鐵屑為分析對(duì)象，油液光譜數(shù)據(jù)來源于某船主機(jī)，共獲得15個(gè)時(shí)間序列，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行曲線擬合，采用等間距離散法，獲得50個(gè)離散時(shí)間序列。

圖3 基于BP網(wǎng)絡(luò)的潤(rùn)滑油鐵金屬含量預(yù)測(cè)結(jié)果

3．2 遺傳神經(jīng)網(wǎng)絡(luò)在船舶主機(jī)上的應(yīng)用

采用上面的時(shí)間序列離散方法，獲得50個(gè)離散時(shí)間變量。

圖4 基于遺傳網(wǎng)絡(luò)的潤(rùn)滑油鐵金屬含量預(yù)測(cè)結(jié)果

3．3 兩種方法的比較

遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，對(duì)光譜數(shù)據(jù)，即采用遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果表明：基于遺傳神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，預(yù)測(cè)曲線與實(shí)際曲線誤差更小、更接近。

4 結(jié)語

（1）從應(yīng)用實(shí)驗(yàn)結(jié)果來看，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果明顯不如遺傳神經(jīng)網(wǎng)絡(luò)算法的結(jié)果。遺傳算法具有全局選優(yōu)的特征，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的各層閾值和權(quán)值，BP網(wǎng)絡(luò)的隨機(jī)選取初始權(quán)值的“盲目性”，通過運(yùn)用遺傳算法得到了克服，閾值和權(quán)值的優(yōu)選結(jié)果，使得預(yù)測(cè)結(jié)果更加穩(wěn)定，也更接近實(shí)際值。

（2）頻繁的換油，極大地破壞了磨損數(shù)據(jù)的線性趨勢(shì)，采樣數(shù)據(jù)的增加和預(yù)處理，可以增加預(yù)測(cè)的準(zhǔn)確性。