舰船科学技术  2022, Vol. 44 Issue (15): 123-126    DOI: 10.3404/j.issn.1672-7649.2022.15.025   PDF    
信息融合技术在船舶动力系统状态评估中的应用
袁璟瑾     
江苏航运职业技术学院,江苏 南通 226010
摘要: 船舶动力系统的工作状态可以通过振动、机油检测、温度检测等方法进行识别,但传统的状态识别方法较单一,针对这一问题,本文设计一种基于信息融合技术和SOM神经网络技术的船舶动力系统在线状态评估平台,利用神经网络强大的处理能力,同时将船舶动力系统振动传感器、压力传感器、温度传感器等信号进行分析和处理,最终获取准确的船舶动力系统工作状态。本文重点介绍状态评估系统的整体结构、SOM神经网络的原理、振动信号和功率信号熵特性,最后基于SOM和信息融合技术进行动力系统的状态评估。
关键词: 动力系统     状态评估     信息融合     SOM神经网络     振动         
Application of information fusion technology in condition evaluation of ship power system
YUAN Jing-jin     
Jiangsu Shipping College, Nantong 226010, China
Abstract: The working state of ship power system can be identified by vibration, oil detection, temperature detection and other methods, but the traditional state identification method is relatively simple. To solve this problem, this paper designs an online state evaluation platform of ship power system based on information fusion technology and SOM neural network technology, which uses the powerful processing ability of neural network, and integrates the vibration sensor, pressure sensor, the temperature sensor and other signals are analyzed and processed, and finally the accurate working state of the ship power system is obtained. This paper focuses on the overall structure of the state evaluation system, the principle of SOM neural network, and the entropy characteristics of vibration signals and power signals. Finally, the state evaluation of the dynamic system is carried out based on SOM and information fusion technology.
Key words: dynamic system     condition evaluation     information fusion     SOM neural network     vibration     entropy    
0 引 言

船舶动力系统的工作状态直接影响船舶的安全性、可靠性,同时,动力系统的燃油消耗、部件运维等成本也是船舶成本的主要组成部分,由于燃油价格攀升等因素,从船舶安全性和成本等方面控制船舶动力系统的工作状态,及时准确地检测船舶动力系统的故障,提高动力系统的运行可靠性成为一个重要的研究方向。

船舶动力系统是一个多设备、多部件的组合系统,结构件的类型多,装配精度高,且船舶动力系统的运行工况非常复杂,受船体振动、机舱湿热环境、扭矩和功率大等因素的影响,船舶动力系统的故障率较高,目前常见的船舶动力系统故障包括柴油机的结构件损坏、轴承破裂、漏油等,因此有必要对船舶动力系统的状态评估技术进行研究。

本文主要应用信息融合技术和SOM神经网络技术,首先搭建船舶动力系统状态评估平台的基本框架,利用振动等传感器融合技术实现动力系统的状态评估。

1 船舶动力系统状态评估平台的整体设计

本文搭建的船舶动力系统状态评估平台示意图如图1所示。

图 1 船舶动力系统状态评估平台示意图 Fig. 1 Schematic diagram of ship power system condition evaluation platform

可知,船舶动力系统状态评估平台主要包括报警模块、故障诊断模块、数据采集模块、数据存储模块和趋势预测模块等。

1)报警模块

船舶动力系统状态评估平台实时监测船舶动力系统的工作指标,当某些被监测变量超出了预设值时,平台会触发报警模块,报警的形式包括界面异常信息显示、警报信号灯等。

2)数据采集模块

数据采集模块包含特定的传感器及传感器信号处理系统,由于船舶动力系统运行过程的速度、振动、声音、油压等都会直接或间接的指示船舶动力系统的工作状态,因此状态评估平台的数据采集模块中集成了大量不同种类的传感器,比如加速度传感器、压力传感器、温度传感器等[1]。同时,多传感器的信号融合技术也是本文研究的重点。

3)故障诊断模块

故障诊断模块是该评估平台的核心,该功能模块对数据采集模块中的传感器信号进行处理,提取表征动力系统特性的状态参数,并通过SOM神经网络的训练和专家系统,快速识别采集数据的特点,从而判断动力系统故障类型、故障产生原因等。故障诊断的精确程度有助于降低动力系统损坏的程度,产生的诊断数据存储在数据库中。

4)趋势预测模块

动力系统状态评估平台的趋势预测模块是基于SOM神经网络实现的,它通过对动力系统历史数据的积累和训练,结合一段时间内平台数据采集模块的信号,可以预测未来一段时间内动力系统的参数稳定性,也可以提前预测动力系统的异常状态。

2 船舶动力系统状态评估的分析方法研究

目前,业内对船舶动力系统的状态评估分析方法主要有:

1)油液分析法

动力系统柴油机的润滑系统是动力系统的关键构成,也是柴油发动机使用寿命的重要保障,当柴油机的零部件出现故障时,零部件之间的摩擦磨损就会产生磨粒、磨屑,通过对油液中磨粒和磨屑的分析,同时结合材料分析等技术,可以快速定义动力系统出故障的位置。此外,油液分析还包括对油液本身的化学检验,确定油液中是否存在污染物,也是评定动力系统状态的重要依据。

2)温度分析法

动力系统一旦出现故障,往往伴随着异常的温升信号,通过检测异常温升信号的状态、位置,可以快速对船舶动力系统故障进行定位。常用的温度分析传感器包括红外成像仪、pt100测温器等。

3)振动分析法

振动是船舶系统中普遍存在的现象,由于动力系统中存在大量的旋转部件,其振动信号能够迅速反映其工作质量。动力系统的异常振动信号原因包括部件的磨损、动平衡失效等。监测振动信号常用的设备为振动加速度传感器。

本文研究的目标是用神经网络强大的数据处理能力,将3种状态评估方法进行充分结合,实现信号融合,提升动力系统评估的精度。

图2为动力系统状态评估的信息融合原理图。

图 2 动力系统状态评估的信息融合原理图 Fig. 2 Schematic diagram of information fusion for power system state evaluation
3 基于SOM神经网络技术的船舶动力系统状态融合技术开发 3.1 SOM神经网络的研究

自组织特征映射网络(SOM神经网络)是由荷兰学者Teuvo Kohonen[2]提出的,SOM神经网络空间的神经元承担的任务各不相同,并根据输入信号将空间的区域划分。

图3为SOM神经网络算法的拓扑结构。

图 3 SOM神经网络算法的拓扑结构 Fig. 3 Topological structure of SOM neural network algorithm

SOM神经网络算法的工作流程为:

步骤1 神经网络的初始化

在SOM的输入层神经元阵列中,对输入层和映射层的权值进行初始化,定义m个神经元,并定义节点神经元和邻域神经元 $S ({{t}})$

步骤2 定义输入层向量

输入向量定义为 $X = {\left( {{x_1},{x_2},\cdots ,{x_m}} \right)^{\rm{T}}}$

步骤3 计算映射层向量和输入层向量的欧式距离

计算公式如下:

$ {d_j} = \left\| {X - {W_j}} \right\| = \sqrt {\sum\limits_{i = 1}^m {{{\left( {{x_i}(t) - {w_{ij}}(t)} \right)}^2}} } \text{。} $

式中: $ {w_{ij}}(t) $ 为输入层第i个神经元和映射层第j个神经元之间的权值。

步骤4 给定邻域 $ {S_k}(t) $ ,并输出神经元和邻域的权重值

如下式:

$ {{\text{w}}_{ij}}(t + 1) = \left\{ {\begin{array}{*{20}{c}} {{w_{ij}}(t) + \delta (t)\left[ {{x_i} - {w_{ij}}(t)} \right]}&{\left( {i \in {S_k}(t)} \right)} \;,\\ {{w_{ij}}}&{\left( {i \notin {S_k}(t)} \right)} \;。\end{array}} \right. \text{} $

式中: $ \delta (t) $ 为SOM神经网络的学习效率。

步骤5 输出信号

$ {f_{{\rm{out}}}} = f\left( {\min \left\| {{X_j} - {W_j}} \right\|} \right) 。$
3.2 基于信号熵值的船舶动力系统信号分析

信息熵描述的是一个系统的不确定度,对于旋转部件来说,信息熵越大,系统的不确定度越大。

假定空间M为某一个集合S中的子项,空间M能够划分为有限个互不相容的子集 $ A = \left\{ {{A_i}} \right\} $ ,即

$ M = \sum\limits_{i = 1}^m {} \left\{ {{A_i}} \right\} \text{,} {A_i} \cap {A_j} = \varPhi 。$

则子集A的信息熵定义为:

$ H\left( A \right) = \sum\limits_{i = 1}^m {\mu \left( {{A_i}} \right)} \log \mu \left( {{A_i}} \right) \text{。} $

式中: $ \mu \left( {{A_i}} \right) $ 为集合 $ {A_i} $ 的测度[3]

图4为不同振动频率下动力系统的熵值变化曲线。

图 4 不同振动频率下动力系统的熵值变化曲线 Fig. 4 Entropy change curve of dynamic system under different vibration frequencies

动力系统振动传感器采集的信息是一个离散的时间序列[4],将其定义为:

$ X = \left( {{x_1},{x_2},\cdots,{x_m}} \right) \text{。} $

将信号映射到矩阵空间中,定义空间长度为M,则振动信号的时间序列矩阵为:

$ {\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} {{x_1}}&{{x_2}}& \cdots &{{x_M}} \\ {{x_2}}&{{x_3}}& \cdots &{{x_{M + 1}}} \\ \vdots & \vdots &{}& \vdots \\ {{x_{N - M}}}&{{x_{N - M + 1}}}& \cdots &{{x_N}} \end{array}} \right] \text{。} $

振动信号的熵值为:

$ {H_s} = - \sum\limits_{i = 1}^K {{p_i}} \log {p_i} 。$

本文基于船舶动力系统的功率谱进行了熵值计算,使用SOM神经网络对振动信号进行融合处理,得到不同柴油机转速下的振动信号如图5所示。

图 5 不同柴油机转速下的振动信号图 Fig. 5 Vibration signal diagram under different diesel engine speeds
3.3 基于SOM神经网络和信息融合的船舶动力系统状态评估

本文搭建基于SOM神经网络的船舶动力系统状态评估平台,平台初始参数如下:

1)SOM初始参数

输入层神经元节点个数10个,映射层神经元节点个数10×100个,映射层的拓扑结构采用六角结构函数[5],保证神经网络的运算能力和信号融合能力。

2)训练集

船舶动力系统状态评估平台的训练集数据来自机舱监控系统中,温度传感器、振动传感器和油液在线检测传感器每隔1 min采集60组动力系统的数据,以30 min为一组,每组共有1800个数据,用该训练集对SOM神经网络进行训练。

图6为基于SOM神经网络的船舶动力系统状态评估平台,30~45 min内船体振动数据的预测结果与实际检测结果的偏差较小。

图 6 船舶动力系统状态评估平台的振动信号预测 Fig. 6 Prediction of vibration signal of ship power system condition evaluation platform
4 结 语

本文针对船舶动力系统状态评估问题,开发一种基于SOM神经网络和信息融合技术的动力系统状态评估平台,分别从平台整体架构、SOM神经网络原理、信号分析和融合技术等方面进行研究。结果表明,基于SOM神经网络的系统状态评估结果具有较高的准确性。

参考文献
[1]
阮羚, 谢齐家, 高胜友, 等. 人工神经网络和信息融合技术在变压器状态评估中的应用[J]. 高电压技术, 2014, 40(3): 822-828.
RUAN Ling, XIE Qi-jia, GAO Sheng-you, et al. Application of artificial neural network and information fusion technology in transformer condition evaluation[J]. High Voltage Technology, 2014, 40(3): 822-828. DOI:10.13336/j.1003-6520.hve.2014.03.026
[2]
杨雪松, 刘勇. 基于BP和SOM神经网络的云平台数据合并技术[J]. 甘肃科技, 2013, 29(9): 24-26.
YANG Xue-song, LIU Yong. Cloud platform data merging technology based on BP and SOM neural network[J]. Gansu Science and Technology, 2013, 29(9): 24-26. DOI:10.3969/j.issn.1000-0952.2013.09.009
[3]
赵雨薇, 马波, 刘锦南. 基于RBF神经网络和多信息融合技术的往复压缩机状态评估研究[J]. 压缩机技术, 2013(6): 7-11+15.
ZHAO Yu-wei, MA Bo, LIU Jin-nan. Research on condition evaluation of reciprocating compressor based on RBF neural network and multi information fusion technology[J]. Compressor Technology, 2013(6): 7-11+15. DOI:10.3969/j.issn.1006-2971.2013.06.002
[4]
李冬辉, 贾巍等. 基于小波神经网络和数据融合的直流系统故障检测方法及实现[J]. 电力系统保护与控制, 2005, 33(22): 6-9.
LI Dong-hui, JIA Wei. DC system fault detection method and implementation based on wavelet neural network and data fusion[J]. Power System Protection and Control, 2005, 33(22): 6-9. DOI:10.3969/j.issn.1674-3415.2005.22.002
[5]
袁英, 郁丰, 踪华, 等. 基于深度BP神经网络的智能信息融合技术[J]. 西北工业大学学报, 2021, 39(S1): 89-95.
YUAN Ying, YU Feng, ZONG Hua, et al. Intelligent information fusion technology based on deep BP neural network[J]. Journal of Northwestern Polytechnical University, 2021, 39(S1): 89-95.