基于LSTM神經(jīng)網(wǎng)絡(luò)算法的船舶電站故障診斷

孫 云，王沭恒，陳冠宇

（1. 海軍裝備部駐上海地區(qū)第二軍事代表室，上海 200000；2. 江蘇科技大學(xué)，江蘇鎮(zhèn)江 212100；3. 鎮(zhèn)江賽爾尼柯自動(dòng)化股份有限公司，江蘇鎮(zhèn)江 212000）

0 引言

隨著世界經(jīng)濟(jì)與科技的發(fā)展，市場(chǎng)對(duì)船舶的需求越來(lái)越大，對(duì)船舶電站的要求越來(lái)越高，船舶負(fù)載類型越來(lái)越復(fù)雜，船舶電站所需要的發(fā)電機(jī)臺(tái)數(shù)也越來(lái)越多[1]。船舶電站通過(guò)并聯(lián)幾臺(tái)發(fā)電機(jī)，達(dá)到負(fù)載大功率耗電的條件。在實(shí)際情況中，船舶發(fā)電機(jī)可能會(huì)出現(xiàn)各種各樣的問(wèn)題，會(huì)嚴(yán)重影響船舶的安全穩(wěn)定航行。

本文采用MATLAB & Simlink軟件平臺(tái)來(lái)對(duì)船舶電站的運(yùn)行情況進(jìn)行動(dòng)態(tài)仿真和短路故障仿真，并通過(guò)LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)仿真數(shù)據(jù)進(jìn)行訓(xùn)練與故障診斷。此算法對(duì)發(fā)電機(jī)短路故障做出準(zhǔn)確的預(yù)測(cè)及診斷，從而提高船舶航行的安全系數(shù)。

1 船舶電站仿真模型

船舶電站仿真模型主要由3部分組成，數(shù)據(jù)輸入部分、船舶電站仿真模型和數(shù)據(jù)輸出部分。數(shù)據(jù)輸入部分為系統(tǒng)啟動(dòng)、系統(tǒng)停止、故障設(shè)定命令數(shù)據(jù)、負(fù)載切換命令數(shù)據(jù)，數(shù)據(jù)輸出部分為發(fā)電機(jī)運(yùn)行狀態(tài)數(shù)據(jù)等[2]。

本次試驗(yàn)只需要系統(tǒng)準(zhǔn)確并及時(shí)地判斷出發(fā)電機(jī)故障模式，因此本次試驗(yàn)只研究單機(jī)模型仿真的情況，通過(guò)故障模塊設(shè)置不同的故障，分析電流電壓數(shù)據(jù)。

如圖1所示，單機(jī)仿真模型由一臺(tái)發(fā)電機(jī)模型、勵(lì)磁系統(tǒng)、柴油機(jī)及調(diào)速系統(tǒng)等組成。通過(guò)斷路器模塊來(lái)控制負(fù)載的增加與減少，通過(guò)故障設(shè)置模塊來(lái)設(shè)置不同的故障，模擬船舶電站不同故障工況運(yùn)行。

圖1 單機(jī)模型仿真

2 LSTM 神經(jīng)網(wǎng)絡(luò)算法診斷模型

2.1 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM是對(duì)普通循環(huán)神經(jīng)網(wǎng)絡(luò)的增強(qiáng), 普通循環(huán)神經(jīng)網(wǎng)絡(luò)經(jīng)常產(chǎn)生梯度消失或者梯度爆炸的問(wèn)題[3]，其隱含單元結(jié)構(gòu)見(jiàn)圖2，長(zhǎng)短期記憶網(wǎng)絡(luò)通過(guò)更改單元內(nèi)部結(jié)構(gòu)，能夠避免時(shí)間步過(guò)長(zhǎng)產(chǎn)生的上述問(wèn)題，理論上可以學(xué)習(xí)任意時(shí)間步長(zhǎng)度的數(shù)據(jù)?；贚STM的算法可以實(shí)現(xiàn)語(yǔ)言翻譯、機(jī)器人操控、語(yǔ)音識(shí)別圖像識(shí)別、手寫文字辨識(shí)、疾病診斷分析、股票趨勢(shì)預(yù)測(cè)和音樂(lè)構(gòu)成等任務(wù)，可以很好地解決長(zhǎng)時(shí)依賴問(wèn)題，在工業(yè)控制上，LSTM主要應(yīng)用在故障的預(yù)測(cè)分析[4]。

圖2 LSTM 隱含單元結(jié)構(gòu)

2.2 LSTM 數(shù)據(jù)集

結(jié)合前文所提到的船舶發(fā)電機(jī)故障仿真模型，運(yùn)行發(fā)電機(jī)單機(jī)標(biāo)準(zhǔn)工況仿真模型和故障工況仿真模型[5]，之后利用MATLAB中的Scope模塊將仿真得到的數(shù)據(jù)保存到MATLAB的工作區(qū)，并且查看各個(gè)輸入?yún)?shù)的數(shù)值，見(jiàn)圖3。將Scope模型加到前文所提到的電流電壓參數(shù)的輸出位置，運(yùn)行仿真模型即可得到6組.mat格式的數(shù)據(jù)表。

圖3 MATLAB 工作區(qū)數(shù)據(jù)表圖

將上述6個(gè)數(shù)據(jù)表整合在同一個(gè)表中，將該表格保存在MATLAB工作路徑之下，作為后面LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的輸入?yún)?shù)。

3 Simulink 故障診斷模型的建立

3.1 LSTM 神經(jīng)網(wǎng)絡(luò)初始化準(zhǔn)備

本文采用直接在MATLAB的腳本文件中，用代碼來(lái)建立LSTM神經(jīng)網(wǎng)絡(luò)。將數(shù)據(jù)集錄入LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，取數(shù)據(jù)的前90%用于訓(xùn)練，后10%用于測(cè)試，參數(shù)設(shè)置為：迭代次數(shù)800；梯度閾值1；初始學(xué)習(xí)速率0.006；乘數(shù)因子130；下降因子0.3。

3.2 模型訓(xùn)練

首先對(duì)4種工況分別進(jìn)行仿真，采集發(fā)電機(jī)正常狀態(tài)和故障狀態(tài)下三相電流及其電壓。每種工況下選取較為穩(wěn)定的10 000組發(fā)電機(jī)三相電流電壓數(shù)據(jù)，4種工作狀態(tài)分別用編號(hào)1～4來(lái)表示，具體樣本數(shù)據(jù)的數(shù)量選取見(jiàn)表1。

表1 船舶電站故障類型、樣本數(shù)量及故障編號(hào)

通過(guò)800次的迭代后，神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練學(xué)習(xí)，完成后將訓(xùn)練所得參數(shù)數(shù)值輸入圖表, 即可通過(guò)算法模型得到預(yù)測(cè)的監(jiān)督值，進(jìn)而判斷出具體的發(fā)電機(jī)故障類型[6]。

3.2.1 正常運(yùn)行

發(fā)電機(jī)組正常運(yùn)行未設(shè)置短路故障，LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果性能見(jiàn)圖4，將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖和原數(shù)據(jù)觀測(cè)圖對(duì)比見(jiàn)圖5。

圖4 正常工況訓(xùn)練結(jié)果性能圖

圖5 正常工況預(yù)測(cè)對(duì)比圖

3.2.2 單相接地短路

通過(guò)故障模塊設(shè)置a相位接地短路，LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果性能圖見(jiàn)圖6，將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖和原數(shù)據(jù)觀測(cè)圖對(duì)比見(jiàn)圖7。

圖6 單相接地短路訓(xùn)練結(jié)果性能圖

圖7 單相接地短路預(yù)測(cè)對(duì)比圖

3.2.2 兩相短路

通過(guò)故障模塊設(shè)置a和b兩相相間短路，LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果性能見(jiàn)圖8，將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖和原數(shù)據(jù)觀測(cè)圖對(duì)比見(jiàn)圖9。

圖8 兩相短路訓(xùn)練結(jié)果性能圖

圖9 兩相短路預(yù)測(cè)對(duì)比圖

3.2.2 三相短路

通過(guò)故障模塊設(shè)置abc三相短路，LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果性能見(jiàn)圖10，將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖和原數(shù)據(jù)觀測(cè)圖對(duì)比見(jiàn)圖11。

圖10 三相短路訓(xùn)練結(jié)果性能圖

圖11 三相短路預(yù)測(cè)對(duì)比圖

3.3 試驗(yàn)結(jié)論

圖5～圖11在不同故障狀態(tài)下LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖有著較大的差異，對(duì)于發(fā)電機(jī)短路故障做出準(zhǔn)確判斷，訓(xùn)練結(jié)果和輸入值的擬合程度也很高。訓(xùn)練結(jié)果顯示出均方根誤差值較小，說(shuō)明變量對(duì)預(yù)測(cè)值的解釋能力強(qiáng)。研究表明：LSTM神經(jīng)網(wǎng)絡(luò)可以很好的運(yùn)用于船舶電站的故障診斷中。

4 結(jié)論

本文介紹了一種基于LSTM神經(jīng)網(wǎng)絡(luò)算法的船舶電站故障診斷模型，即基于MATLAB中的Simulink平臺(tái)搭建發(fā)電機(jī)仿真模型，在此基礎(chǔ)上針對(duì)不同的故障下對(duì)模型進(jìn)行仿真，采集神經(jīng)網(wǎng)絡(luò)算法所需的數(shù)據(jù)集。算法方面選擇了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，LSTM網(wǎng)絡(luò)相較其他神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)信息的長(zhǎng)期記憶，而且擁有更好的對(duì)預(yù)測(cè)值的解釋能力。在MATLAB平臺(tái)中建立好算法代碼，將數(shù)據(jù)集代入，運(yùn)行模型得到診斷結(jié)果。通過(guò)最后給出的結(jié)果，LSTM神經(jīng)網(wǎng)絡(luò)可以很好地完成船舶電站故障診斷的工作。