0 引　言

起锚机作为船舶主甲板上锚固和系泊的关键机械装置，主要由支架、离合器、液压泵站等构成。工作原理是通过电动机工作使传动齿轮减速，从而达到持续运转的目的。尤其是起锚机中的离合器更是船舶传动装置中传动、装卸机械的重要组成部分，也是调整船速的重要保障^[4-5]。然而在平时对其进行运维的过程中，却常因齿轮等部件会出现磨损，或是离合器不能啮合、松开、不正常的干涉以及其他可能会造成设备负荷的故障，造成不良后果。因此，对船舶起锚机离合器的故障进行检测，就显得尤为重要。

随着人工智能技术的提升，大量的计算机辅助设备也逐渐应用到船舶的监控及诊断中。如BP神经网络技术，其在应用的过程中就可以有效地防止或减小事故，或是通过故障诊断，迅速发现船舶起锚机离合器的故障原因并进行检修，从而降低因排障延误或是检修不及时而给相关设备造成的连带损失，能够极大降低维修费用。不少学者也基于BP神经网络将其应用到各种机械设备中，并得出该技术应用效果良好，应当是一种在工业控制领域可以广泛应用的故障反馈智能算法。据此，本文以船舶起锚机离合器为例，从BP神经网络技术的理论研究及实际应用出发，探讨其在船舶起锚机离合器故障诊断技术上的相关应用效果。本文研究可以为船舶起锚机离合器的故障检测提供一定参考，从安全性和经济性对相关技术发展带来积极的推动作用。

1 BP神经网络技术在故障检测中的应用思路 1.1 BP神经网络技术基本概述

BP神经网络是一种具有自主学习能力的记忆网络，其特点是可以实现线性和非线性函数之间的映射，并以此为基础对网络中存储的记忆进行训练，从而提高企业价值评估结果的精准度。由于该技术具备泛化性质，因此面对船舶起锚机离合器这种多故障诱因，在实际应用中也可以起到一个科学系统的运算作用，使其在随机样本的计算检测中，通过大数据运算得出理想的排障结果^[4-5]。

1.2 BP神经网络技术的运算原理

BP神经网络技术，主要是基于BP算法（反向误差传播算法）的一种人工神经网（ANN），并在近年的发展中成为了一种最广泛的监督学习算法。在具体的运算原理上，BP神经网络技术首先是根据输入各权值和阀值产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。而其中的误差反向传播过程，指的则是当网络拟合的输出与实际的输出数据不符时，网络会依据误差对其各项权值和阀值加以调整。待神经网络经过上述反复训练后，最终就会将其中的误差排除，从而保证整体的拟合精度提升，构建出神经网络。

以本次的故障检测为例，为了可以将其与BP神经网络的工作原理进行紧密联系并加以应用，着重阐述人工神经网络的运行原理。BP神经网络技术这种仿生学技术，其在应用的过程中主要是模拟人脑神经元的功能，以此来构筑一种信息处理模型，人工神经网络模型如图1所示。

由图1表达结果可知，其神经元的连接权系数y_i，表示是第i个神经元输出。其函数关系见下式：

$ {y_i} = f \left(\sum\limits_{j = 1}^n {{w_{ij}}{x_j}} - {\theta _i}\right) \text{，} $

其中激活函数的净激活（net activation）用net_i表示，得出下式：

$ ne{t_i} = \sum\limits_{j = 1}^n {{w_{ij}}} {x_j} - {\theta _i} \text{。} $

其中的净激活值net可以是正的，也可以是负的。若net为正，说明神经元呈现出被激活的fire状态，若其结果为负，则说明被抑制。整体而言，BP神经网络技术在工作原理上可以基于相关参数进行预测，减少人为因素干预，让指标体系更科学化。

从船舶起锚机离合器中引入BP神经网络，共有输入层、隐含层、输出层3层（见图2），也是希望能基于这种较为成功的神经网络算法，对船舶起锚机离合器的既往数据加以整理，根据每次训练的结果和误差，最终得出与预期输出相一致的模型，从而提高船舶运维效率。

1.3 BP神经网络技术的实现过程

BP神经网络的拓扑结构与多层感知器的拓扑结构一样。因为BP神经网络也是一种感知器，结构越复杂的感知器，预测过程越复杂，最后得到的结果偏差越大。很多时候遇到的问题都是简单的非线性问题，这种问题3层感知器就可以解决，故而很多时候都用的是3层感知器。而本次研究将通过引入BP神经网络的原理，在Matlabr2014a软件上对船舶起锚机离合器的算法进行编码，在甄别算法的优缺点后进行细化实施，从而达到BP神经网络对相关设备故障检测的创建、训练和模拟。BP神经网络实现流程图如图3所示。

2 BP神经网络技术在船舶起锚机离合器故障检测中的应用 2.1 离合器故障分类

为将BP神经网络技术应用于船舶起锚机离合器的故障检测中，先对起锚机离合器的相关故障加以呈现，在指出其现状问题后，对造成故障的原因加以说明，具体见表1。

将故障按照代码序号进行了简化，列出故障检测公式：

$ {{\rm X}_\kappa } = \frac{{{{\rm X}_\kappa }{{ - }}{{\rm X}_{{\text{min}}}}}}{{{{\rm X}_{{\text{max}}}}{{ - }}{{\rm X}_{{\text{min}}}}}} \text{。} $

其中：X_k为BP神经网络归一化后，船舶离合器故障特征向量；X_max与X_min分别为船舶离合器故障最大与最小值。

2.2 离合器数据记录仪设置

考虑到船舶起锚机离合器在工作过程中，主要依靠其转速差进行啮合与脱开，因此在BP神经网络的相关参数输入中，对其转速信号设定为：

$ {{n}} = \frac{{{f}}}{{{z}}} \text{，} $

扭矩信号计算公式为：

$ MP = \frac{{N\left( {f - {f_o}} \right)}}{{{f_p} - {f_o}}} \text{，} $

$ M{\text{r}} = \frac{{N\left( {{f_o} - f} \right)}}{{{f_o}{\text{ - }}{f_{\text{r}}}}} \text{。} $

基于以上参数，对其展开训练。

2.3 起锚机离合器故障检测

通过对本次船舶起锚机离合器故障特征进行学习，最终完成了对船舶起锚机离合器的故障检测。而在后续的检验过程中，继续对BP神经网络展开训练，其思路大致如下：

步骤1　初始化网络中的扭矩信号权值和偏置项，分别记为：w⁽⁰⁾，b₁⁽⁰⁾，v⁽⁰⁾，b₂⁽⁰⁾，然后再基于以上各层期望值，对其进行输出设置，得出损失函数：

$ { E}\left( \theta \right) = \frac{1}{2}{\sum\limits_{{{i}} = 1}^2 {\left( {{{{y}}_{{i}}}{{ - }}{{{{\hat y}}}_{{i}}}} \right)} ^2} \text{。} $

其中：θ为参数集合；y_i为真实值；最终得出本次船舶起锚机离合器的故障损失函数期望值：

$ { E}\left( \theta \right) = \frac{1}{{{n}}}{\sum\limits_{{{i}} = 1}^2 {\left( {{{{y}}_{{i}}}{{ - }}{{{\rm{\hat y}}}_{{i}}}} \right)} ^2} \text{，} $

若真实值与输出值表示为y_n×m，则起锚机离合器的故障可表示为：

$ { E}\left( \theta \right) = \frac{1}{{{{mn}}}}{\left( {{{y - \hat y}}} \right)^{\rm T}}\left( {{{y - \hat y}}} \right) \text{。} $

步骤2　依据前文提及的3层BP神经网络结构，对船舶起锚机离合器设定神经元函数，并展开输出层输出计算。其中输入层链式法则：

$ \nabla \left( \kappa \right)\upsilon = \frac{{\partial {E}}}{{\partial \nu }} = \frac{{\partial {{ne}}{{{t}}_2}}}{{\partial \nu }}\frac{{\partial {{\hat y}}}}{{\partial {{ne}}{{{t}}_2}}}\frac{{\partial {\rm E}}}{{\partial {{\hat y}}}} \text{，} $

$ \nabla \left( \kappa \right){{\text{b}}_2} = \frac{{\partial { E}}}{{\partial {{{b}}_2}}} = \frac{{\partial {{ne}}{{{t}}_2}}}{{\partial {{{b}}_2}}}\frac{{\partial {{\hat y}}}}{{\partial {{ne}}{{{t}}_2}}}\frac{{\partial { E}}}{{\partial {{\hat y}}}} \text{。} $

隐含层链式法则：

$ \nabla \left( \kappa \right)\omega = \frac{{\partial { E}}}{{\partial \omega }} = \frac{{\partial {{ne}}{{{t}}_1}}}{{\partial \omega }}\frac{{\partial {{h}}}}{{\partial {{ne}}{{{t}}_1}}}\frac{{\partial {{ne}}{{{t}}_2}}}{{\partial {{h}}}}\frac{{\partial {{\hat y}}}}{{\partial {{ne}}{{{t}}_2}}}\frac{{\partial {E}}}{{\partial {{\hat y}}}} \text{，} $

$ \nabla \left( \kappa \right){{{b}}_1} = \frac{{\partial { E}}}{{\partial {{{b}}_{{1}}}}} = \frac{{\partial {{ne}}{{{t}}_1}}}{{\partial {{{b}}_{{1}}}}}\frac{{\partial {{h}}}}{{\partial {{ne}}{{{t}}_1}}}\frac{{\partial {{ne}}{{{t}}_2}}}{{\partial {{h}}}}\frac{{\partial {{\hat y}}}}{{\partial {{ne}}{{{t}}_2}}}\frac{{\partial { E}}}{{\partial {{\hat y}}}} \text{。} $

步骤3　在基于误差计算后，最终更新神经网络的权值、偏置项，并对输出单元参数更新：

$ {\nu }^{\left(\kappa \right)}={\nu }^{\left(\kappa -1\right)}-\eta \nabla {\left(\kappa \right)}^{\upsilon }={\upsilon }^{\left(\kappa -1\right)}-\eta \frac{\partial { E}}{\partial \upsilon }\text{，}{{b}}_{2}{}^{\left(\kappa -1\right)}-\eta \frac{\partial { E}}{\partial {{b}}_{2}} \text{，} $

再对隐含单元参数更新：

$ {\omega }^{\left(\kappa \right)}={\omega }^{\left(\kappa -1\right)}-\eta \nabla {\left(\kappa \right)}^{\omega }={\omega }^{\left(\kappa -1\right)}-\eta \frac{\partial { E}}{\partial \omega }\text{，}{{b}}_{1}{}^{\left(\kappa -1\right)}-\eta \frac{\partial { E}}{\partial {{b}}_{1}} \text{。} $

最终，构建出船舶起锚机离合器故障检测的BP神经网络，得到船舶起锚机离合器故障特征向量集合，基于BP神经网络技术诊断离合器故障，实现起锚机离合器故障的监测，并得出如图4所示的检测结果。归一化后的错误分布如图5所示。

通过上述步骤可见，采用BP神经网络技术对起锚机离合器进行了检测。从应用结果来看，整个应用程序规范，算法准确。

3 结　语

本文采用BP神经网络模型对船舶起锚机离合器故障进行预测，并通过对其训练过程进行观察、测试及数据分析，论证了BP神经网络技术在船舶起锚机离合器故障检测中的可行性。