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。

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。

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。

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。

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。

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。

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。