舰船设备逐渐向复杂化与智能化方向发展,造成其出现故障的概率不断提升。当下,舰船维修方式主要为定期维修和故障发生后维修,前者工作效率低,后者不能防止事故发生[1-3]。为提升维修效率,避免事故发生,需实时估计舰船故障发展趋势,确定设备故障时间[4],及时展开维修,防止出现安全事故。例如,韩敏等[5]利用卡尔曼滤波器估计舰船故障趋势,通过改进的序贯概率比分析估计残差,提升估计效果,该方法可有效估计舰船故障趋势,降低估计误差。王恒等[6]通过分层狄利克雷与隐马尔科夫模型,构造设备故障趋势估计模型,该方法具备较优的故障趋势估计鲁棒性。这2种方法均能有效描绘舰船故障趋势变化情况,但均具有一定的局限性,估计结果稳定性差,不能为维修人员提供精准的故障信息。为此研究基于大数据的舰船故障趋势估计方法,提升故障趋势估计效果。
1 舰船故障趋势估计方法基于大数据的舰船故障趋势估计方法的步骤为:
步骤1 在舰船历史数据库内选择各设备历史运行数据;
步骤2 归一化处理各设备历史运行数据,引入滑动窗口,将舰船故障趋势估计问题变更成监督学习问题[7];
步骤3 以处理完成的各设备历史运行数据为样本,将其分成训练集与测试集;
步骤4 对于训练集,分析训练次数是否达到需求,如果未达到需求,那么继续步骤5,反之,继续步骤6;
步骤5 利用改进的注意力机制在训练集内提取各设备历史运行数据的多变量时间序列;
步骤6 以改进的注意力机制的输出,为自回归预测模型与小波神经网络的输入,输出对应的舰船故障趋势估计结果,处理2个预测结果,获取训练集的最终估计结果;
步骤7 调整参数,同时优化自回归预测模型与小波神经网络,返回步骤4;
步骤8 在自回归预测模型与小波神经网络内输入训练集,输出舰船故障趋势估计结果。
1.1 舰船历史数据的注意力处理利用改进的注意力机制,在归一化处理后的舰船各设备历史运行数据样本内,自适应选取和舰船故障趋势估计有关的时间序列。令已知窗口中舰船各设备历史运行数据是
1) 计算t时刻,第i个舰船设备历史运行数据时间序列的重要性
zit=vTmtanh[(Wmht−1;Wmst−1)+Qmxi]。 | (1) |
其中,ht−1和St−1分别为t−1时刻的隐藏状态、单元状态是;
2)通过
ˆxt=(softmax(z1t)x1t,softmax(z2t)x2t,⋯,softmax(znt)xnt)T。 | (2) |
以获取的舰船设备历史运行数据的多变量时间序列
p阶自回归预测模型
AR(p)=u0+u1ˆxt−1+u2ˆxt−2+⋯+upˆxt−p+εt。 | (3) |
式中:
令t-1时刻,
x′t=u0+u1ˆxt−1+u2ˆxt−2+⋯+upˆxt−p+εt。 | (4) |
以矩阵形式描绘式(4),公式如下:
X′=AΦ+R。 | (5) |
式中:
通过最小二乘法确定
ˆΦ=AT′X′AT′A。 | (6) |
其中,
将式(6)代入式(5),获取舰船故障趋势估计结果
利用小波变换凸显提取的舰船设备历史运行数据多变量是时间序列
fˆx(a,τ)=∫∞−∞ˆxtϕt−ϕτadt√a。 | (7) |
其中:
以小波基函数为神经网络隐含层节点的传递函数,以向前传播方式传递
g(j)=rj(T∑t=1N∑j=1ωtjˆxt−bjqj),j=1,2,⋯,N | (8) |
式中:
以Morlet母小波函数为
y(k)=N∑j=1M∑k=1ωjkg(j),k=1,2,⋯,M。 | (9) |
式中:
通过梯度修正法调整网络权重ω,
E=M∑k=1ˆy(k)−y(k)。 | (10) |
其中:
通过E调整ω,
ω(j+1)=ω(j)−η∂E∂ω(j), | (11) |
q(j+1)=q(j)−η∂E∂q(j), | (12) |
b(j+1)=b(j)−η∂E∂b(j)。 | (13) |
式中,η为学习速率。
将自回归预测模型和小波神经网络输出的舰船故障趋势估计均值,O为舰船故障趋势估计的最终结果,公式如下:
O=X′+Y2。 | (14) |
以某舰船为实验对象,该舰船历史数据库内主要包含6种关键设备的历史运行数据,分别是主柴油机、主辅锅炉与主机冷却水系统等,舰船设备间彼此影响,共选择10000个数据点的舰船设备历史运行数据为样本集。
以舰船主机冷却水系统的冷却水出口温度为例,利用本文方法估计舰船故障趋势,当出口冷却水温度波动幅度较大时,说明舰船处于故障状态,舰船冷却水出口温度趋势估计效果如图1所示。可知,当时间在2000~3000 s左右时,该舰船冷却水出口温度出现异常波动,说明此时舰船存在故障,本文方法可有效估计舰船冷却水出口温度。本文方法估计温度变化趋势,与实际舰船冷却水出口温度仅有微小的差距,当时间在2000~3000 s左右时,冷却水出口温度出现异常波动,与实际情况相符。实验证明:本文方法可精准估计舰船冷却水出口温度变化趋势,即精准估计舰船故障趋势,为维修人员提供精准的数据支持,及时维修舰船,避免故障事件发生,提升舰船航行的安全性。
![]() |
图 1 舰船冷却水出口温度趋势估计效果 Fig. 1 Effect of temperature trend estimation of warship cooling water outlet |
以舰船主柴油机的低压油管压力为例,该舰船主柴油机共有磨损与腐蚀2处故障,记作故障1与故障2,这2处故障发生后,利用本文方法估计舰船主柴油机的故障趋势,低压油管压力最大值是0.5 MPa,估计结果如图2所示。可知,当舰船主柴油机出现不同故障时,本文方法均可有效估计舰船主柴油机低压油管压力变化趋势,完成故障趋势估计。发生故障1时,前期低压油管压力上升速度较慢,在3000 s左右时会达到最大值,与实际趋势非常接近;发生故障2时,低压油管压力在2500 s左右时会达到最大值,且发生故障2时,低压油管压力上升速度较快,近似实际趋势。实验证明,在舰船出现不同故障时,本文方法均可精准估计舰船故障趋势。
![]() |
图 2 舰船主柴油机故障趋势估计结果 Fig. 2 Fault trend estimation results of ship main diesel engine |
利用赤池信息准则(akashi information criterion,AIC)衡量本文方法舰船趋势估计的优劣,ACI值越小,说明本文方法的趋势估计结果与实际趋势间的拟合精度越高,最大ACI值为80,在不同滑动窗口大小时,本文方法估计不同舰船设备故障趋势时的AIC值分析结果如表1所示。可知,在不同滑动窗口大小时,本文方法均可有效估计舰船各设备故障趋势,随着滑动窗口的提升,AIC值呈先上升后下降的趋势;在滑动窗口大小为8时,本文方法估计舰船各设备故障趋势时的AIC值降至最低,说明此时本文方法估计结果与实际结果的拟合精度最高。不同滑动窗口大小时,本文方法估计舰船各设备故障趋势时的AIC值均未超过80,说明本文方法具备较优的舰船故障趋势估计效果。
![]() |
表 1 各舰船设备故障趋势估计的AIC值分析结果 Tab.1 Analysis results of AIC value of failure trend estimation for each ship equipment |
舰船维修过程中,故障趋势估计至关重要。舰船故障类型各式各样,且无规律性,为快速维修舰船故障,需精准估计舰船故障趋势,为此研究基于大数据的舰船故障趋势估计方法,精准估计舰船故障趋势,帮助维修人员快速修复故障,确保舰船航行安全。
[1] |
曾友渝, 谢强. 基于改进RNN和VAR的船舶设备故障预测方法[J]. 计算机科学, 2021, 48(6): 184-189. ZENG You-yu, XIE Qiang. Fault prediction method based on improved rnn and var for ship equipment[J]. Computer Science, 2021, 48(6): 184-189. DOI:10.11896/jsjkx.200700117 |
[2] |
蒋佳炜, 胡以怀, 方云虎, 等. 船舶动力装置智能故障诊断技术的应用与展望[J]. 中国舰船研究, 2020, 15(1): 56-67. JIANG Jia-wei, HU Yi-huai, FANG Yun-hu, et al. Application and prospects of intelligent fault diagnosis technology for marine power system[J]. Chinese Journal of Ship Research, 2020, 15(1): 56-67. |
[3] |
贾宝柱, 贾志涛, 余培文, 等. 数据驱动的船舶智能故障诊断方法[J]. 控制工程, 2019, 26(10): 1892-1898. JIA Bao-zhu, JIA Zhi-tao, YU Pei-wen, et al. Data-driven vessel smart fault diagnosis method[J]. Control Engineering of China, 2019, 26(10): 1892-1898. |
[4] |
吴建波, 王春艳, 洪华军, 等. 基于极限学习机的船舶柴油机故障诊断[J]. 计算机工程与应用, 2019, 55(15): 147-152. WU Jian-bo, WANG Chun-yan, HONG Hua-jun, et al. Fault diagnosis of marine diesel engine based on extreme learning machine[J]. Computer Engineering and Applications, 2019, 55(15): 147-152. |
[5] |
韩敏, 李锦冰, 许美玲, 等. 具有工作状态转换的EIIKF船舶柴油机故障预测[J]. 自动化学报, 2019, 45(5): 920-926. HAN Min, LI Jin-bing, XU Mei-ling, et al. Fault prognosis of marine diesel engine with working state transition based on EIIKF[J]. Acta Automatica Sinica, 2019, 45(5): 920-926. |
[6] |
尚前明, 姜苗, 陈辉, 等. 基于PSO-ELM算法实现船舶发电机组故障识别[J]. 船舶工程, 2021, 43(1): 87-94. SHANG Qian-ming, JIANG Miao, CHEN Hui, et al. Fault identification of marine generator set based on PSO-ELM algorithm[J]. Ship Engineering, 2021, 43(1): 87-94. |
[7] |
刘国强, 林叶锦, 张志政, 等. 基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法[J]. 中国舰船研究, 2020, 15(1): 68-73. LIU Guo-qiang, LIN Ye-jin, ZHANG Zhi-zheng, et al. Main marine engine fault diagnosis method based on rough set theory and optimized DAG-SVM[J]. Chinese Journal of Ship Research, 2020, 15(1): 68-73. |