舰船维护中机械潜在故障智能预测方法

SHIP SCIENCE AND TECHNOLOGYVol. 41, No. 7AJul. , 2019

舰船维护中机械潜在故障智能预测方法

王    波

(茂名技师学院，广东 茂名 525011)

摘 要: 舰船机械部件是一个非线性系统，舰船机械部件出现故障概率相当高，当前故障预测方法无法描述

舰船机械部件故障的不确性，因此舰船机械部件故障预测精度低，为了提高舰船机械部件故障预测精度，克服当前舰船机械部件故障预测方法的缺陷，设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息，然后采用BP神经网络对舰船机械部件故障特征信息进行学习，确定相对应的舰船机械部件故障类别，并解决BP神经网络参数确定问题，最后与其他方法进行了对比实验。结果表明，本文方法的舰船机械部件故障预测精度超过95%，远远高于对比方法的舰船机械部件故障预测精度，改善了舰船机械部件故障诊断速度，具有十分广泛的应用前景。

关键词：舰船机械部件；故障智能预测；特征信息；非线性系统中图分类号：TM312          文献标识码：A

文章编号： 1672 – 7649(2019)7A – 0187 – 03         doi：10.3404/j.issn.1672 – 7649.2019.7A.063

Research on intelligent prediction method of mechanical potential faults in ship maintenance

WANG Bo

(Maoming Technician College, Maoming 525011, China)

Abstract: Marine mechanical components are a non-linear system. The failure probability of ship mechanical compon-ents is quite high. When the fault prediction method can not describe the uncertainty of ship mechanical components, the pre-diction accuracy of ship mechanical components is low. In order to improve the prediction accuracy of ship mechanical com-ponents and overcome the shortcomings of current prediction methods for ship mechanical components, a design is madebased on intelligent prediction method for potential mechanical failure in ship maintenance. Firstly, the feature informationdescribing the fault types of ship mechanical components is extracted, then the fault feature information of ship mechanicalcomponents is learned by using BP neural network, the corresponding fault types of ship mechanical components are determ-ined, and the problem of determining the parameters of BP neural network is solved. Finally, the comparison experiment ofship mechanical components fault prediction with other methods is carried out. The accuracy of fault prediction of mechanic-al components is over 95%, which is much higher than that of comparison method. It also improves the speed of fault dia-gnosis of marine mechanical components, and has a very wide application prospect.

Key words: marine mechanical components；intelligent fault prediction；characteristic information；nonlinear sys-tem

0     引　言

舰船存在许多机械设备，这些机械是一个复杂系统，具有比较强的非线性变化特点，而机械设备最容易出现故障，一旦出现故障，就会影响舰船的正常工作，同时随着舰船出海的频率、舰船航行距离和时间越来越长，人们对舰船机械设备的可靠性提出了更高

的要求，因此在舰船维护中，如何对机械设备的潜在故障进行准确预测显得十分重要[1]。

根据相关统计，舰船故障60%以上都是机械设备引起了，为此研究人员引入众多技术进行机械设备潜在故障预测研究。最初采用模糊理论对机械设备的潜在故障进行预测，将机械设备的潜在故障看作是一个随机变化系统，从中找到机械设备的潜在故障变化特

收稿日期: 2019 – 04 – 30

作者简介: 王波(1974 – )，女，本科，高级讲师，研究方向为机械专业教育。

· 188 ·

舰    船    科    学    技    术

第 41 卷

点，但该方法的机械设备潜在故障预报准确性不高[2]。当前机械设备的潜在故障预测主要基于各种人工神经网络算法，人工神经网络通过模拟人大脑神经系统工作原理，对机械设备的潜在故障变化规律进行寻找，建立机械设备的潜在故障预测模型，获得不错的机械设备的潜在故障预测结果，成为主要研究方向。在舰船维护中机械潜在故障智能预测的实际应用中，由于故障变化多样，而且引起机械故障的因素复杂，使得舰船机械潜在故障具有一定的不确性，而BP神经网络要建立性能的舰船机械潜在故障智能预测模型，需要确定其连接权值和阈值，当前连接权值和阈值采用随机方式确定或者凭经验方式确定，缺陷明显，舰船维护中机械潜在故障预测结果极不稳定，预测结果的可信度低[3]。

为了解决BP神经网络在舰船维护中机械潜在故障预测中的一些缺陷，设计一种改进BP神经网络的舰船维护中机械潜在故障智能预测方法，并通过预测实例对其性能进行了分析。结果表明，本文方法是一种精度高、速度快的舰船维护中机械潜在故障智能预测方法。

1     舰船维护中机械潜在故障智能预测方法

1.1 舰船维护中机械潜在故障智能预测原理

舰船机械设备是一个复杂部件，出现故障的类型具有多样性，而每一种舰船机械设备故障有自己的变化特点，即它们特征不一样，因此首先要确定舰船维护中机械潜在故障特征。设共有m个特征，它们组成特征向量集合为X={x1,x2,...,xm}，其对应的舰船机械设备故障类型为Y，那么两者间存在一定的映射关系，而且它们一种非线性变化关系，可以通过一个拟合函数该关系，则有

Y=f(x1,x2,....,xm)。

(1)

从式（1）可以看出，舰船维护中机械潜在故障智能预测的关键就是选择最优的拟合函数f（），本文将BP神经网络和粒子群算法组合在一起，构建拟合函数f（），获得高精度的舰船机械故障智能预测结果。故障智能预测原理如图1所示。

1.2 BP神经网络算法的舰船机械故障智能预测

BP神经网络的舰船机械故障智能预测工作过程划分为2个阶段，第1个阶段为舰船机械故障智能预测的正向学习过程，第2个阶段为舰船机械故障智能预测误差反向学习过程，第2个阶段是有选择，即只有当正向学习过程误差大时才进行，不然不进行第2阶

图 1   舰船维护中机械潜在故障智能预测原理Fig. 1    Intelligent prediction principle of mechanical potential

faults in ship maintenance

段的学习，第1阶段学习过程如下：

1）机械潜在故障特征作为BP网络输入向量，机械潜在故障类型作为BP神经网络的输出向量，建立学习样本合集。

2）根据机械潜在故障特征数量确定隐层节点数，一般为输入层节点数量的2倍，输入层节点和隐含层节点通过权值ωji进行连接，其隐含层节点的输入为：

net∑j=ωjiOi+θj，(2)

i

式中：Oi为输入层节点的输出；θj为输入层节点的阈值。

3）隐含层节点输入和输出通过传递函数进行联系，得到隐含层节点的输出为：

Oj=1/(1+exp(−netj))。

(3)

4）隐含层节点的输出作为输出层节点的输入，输出层节点和隐含层节点通过权值ωlj进行连接，输出层节点的输入：

netl=

∑

ωljOj+θl。

(4)

j

式中：θl为隐含层节点的阈值。

5）根据输出层节点得到舰船机械故障智能预测结果，并计算实际舰船机械故障类型之间误差，如果误差大，就进入第2阶段的误差反向学习过程。

BP神经网络的舰船机械故障智能预测误差反向学习过程为：

1）根据舰船机械故障智能预测误差对输出层的权值ωji进行如下调整：

ωlj(K+1)=ωlj(K)+ηδlOj。

(5)

2）对隐含层节点的权值ωlj进行调整，具体为：

ωji(K+1)=ωji(K)+ηδjOi。

(6)

第 41 卷王    波：舰船维护中机械潜在故障智能预测方法

· 189 ·

3）根据调整后的ωji、ωlj，BP神经网络进行继续学习，使舰船机械故障智能预测误差不断变小，一直达到实际控制范围内为止，从而建立舰船机械故障智能预测模型。

1.3 舰船机械故障智能预测模型的参数优化

在舰船机械故障智能预测过程中，参数的ωji，ωlj，θj和θl的初值设置十分关键，当前采用经验方法确定，使舰船机械故障智能预测结果不可靠，为此本文采用粒子群算法确定参数的ωji，ωlj，θj和θl的初值。一组参数ωji，ωlj，θj和θl的初值编码为一个粒子位置，然后不断更新粒子的位置，使参数的ωji，ωlj，θj和θl的初值接近最优值，并不断改变粒子飞行速度，提高船机械故障智能预测精度。粒子速度和位置变化具体为：

viid+1=viid+c1r1(Pbest−xiid)+c2r2(gbest−xiid)，

(7)xiid+1=xiid+viid+1

。

(8)

2     有效性和优越性测试

2.1 测试数据

为了测试改进BP神经网络的舰船维护中机械潜在故障智能预测方法性能，在Matlab 2017平台进行仿真实验。舰船机械故障共分为5类，它们故障样本数量如表1所示。采用经验模式分解算法提取每一类舰船机械故障特征，特征数量如表1所示。 

表 1 舰船机械故障的类别以及样本数量

Tab. 1    Categories of marine mechanical failures and number of

samples

舰船机械故障的类别标签

样本数量特征数量1

50152402035017420155

20

10

2.2 舰船机械故障预测正确率比较

选择传统BP神经网络的舰船机械故障预测方法进行对比实验，每一种方法根据样本数进行学习，然后对舰船机械故障进行预测，统计它们的舰船机械故障预测正确率，结果如图2所示。可以看出，改进神经网络的舰船机械故障预测正确率为96.68%，传统神经网络的舰船机械故障预测正确率为89.02%，本文方法的舰船机械故障预测正确率得到有效提升，这主要是

图 2   舰船机械故障预测正确率

Fig. 2    Prediction accuracy of shipboard mechanical faults

由于引入了粒子群算法确定了BP神经网络参数的ωji，ωlj，θj和θl的初值，建立更优的舰船机械故障预测模型，解决了传统BP神经网络凭经验确定参数的不足，使得舰船机械故障预测结果更加可信。

2.3 舰船机械故障预测的建模时间比较

改进BP神经网络和传统BP神经网络的舰船机械故障预测方法的建模时间如图3所示。可知，改进BP神经网络的统BP神经网络的舰船机械故障预测建模时间更短，可以对舰船机械故障进行实时监测。

图 3   舰船机械故障预测方法的建模时间Fig. 3    Modeling time of prediction method for ship

machinery faults

3     结　语

将粒子群算法和BP神经网络引入到舰船维护中机械潜在故障智能预测中，解决了当前舰船维护中机械潜在故障智能预测存在不足，得到理想的舰船维护中机械潜在故障智能预测结果。

参考文献：

[1]祁贝贝, 王延涛. 大数据分析在船舶机械故障诊断系统中的

应用[J]. 舰船科学技术, 2019, 41(8): 202–204.

[2]朱煜, 熊小虎. 基于振动分析的船舶旋转机械故障诊断研究

[J]. 江苏船舶, 2016, 33(5): 11–14.

[3]陆洋, 吴智文, 韩文玉, 韩莉. 共振解调技术在船舶机械故障

诊断中的应用[J]. 船舶工程, 2009, 31(3): 31–34.