基于SOM神经网络的船舶分油机故障诊断研究*

2016-10-14李沁生于家凤

船电技术 2016年11期

李沁生，于家凤

李沁生，于家凤

（江苏海事职业技术学院轮机工程学院，南京211170）

为了实现对船舶分油机故障的智能诊断, 提出一种基于SOM神经网络的诊断方法。首先，在分析分油机典型故障及特征参数的基础上，提取故障特征向量并建立学习样本。其次，建立了SOM网络模型，通过样本数据集进行训练，获取了输入与输出间的非线性映射。最后将建立的SOM网络应用于分油机的故障分类和诊断。实验验证表明：该方法诊断准确度高和对不同故障识别的适应性强，是一种可行有效的分油机故障智能诊断方法。

船舶分油机故障诊断 SOM神经网络

0 引言

分油机是船舶柴油机的燃油系统和滑油系统中必备的辅机设备。大型海船的柴油机普遍采用低质燃油，以降低燃油成本。低质燃油必须使用分油机净化，以快速除去其中的水分和杂质，此外柴油机的曲轴箱滑油也需要定期使用分油机净化。处于故障状态的分油机必然会使油净化的品质变差，燃油与滑油的净化质量将直接影响柴油机的可靠运行和使用寿命，所以确保分油机的正常运行成为船舶柴油机安全运行的必要条件之一。因分油机使用时起停频繁、结构复杂，故障因素繁多且相互交错[1]。当故障出现时，普遍采用人工诊断和凭经验拆检分油机的方式来查找故障。这样不但效率低下，还会因人为失误而不能够准确判断故障原因，或装复不符合要求而引发新故障。为了保证分油机的正常运行，准确快速判断故障原因，需要开展分油机故障诊断技术的研究，特别是船舶分油机智能故障诊断系统的研究，从状态参数实时监控的角度提高其运行可靠性。

人工神经网络(ANN)是在神经学和数学等学科交叉的基础上提出并发展起来的，模拟人脑神经元结构及激发活动的一种非线性数学模型。通过设计合适的结构和学习算法，可以使ANN具有从大量数据中提取知识的能力，能够建立高度非线性的输入输出映射关系。ANN是人工智能理论的基石之一，在模式识别、数据挖掘、智能控制、系统辨识、基于数据的预测分析和故障诊断等领域得到广泛的应用[2,3,4]。因SOM神经网络具有无监督学习、自组织、自优化等优良特性，本研究中选用SOM神经网络进行分油机的故障诊断。

1 SOM神经网络模型

SOM(Self-Organizing Feature Map)神经网络，在1987年由芬兰赫尔辛基大学Teuvo.Kohonen教授提出，也称Kohonen 网络或竞争网络。典型的二层SOM网络结构如图1所示，该网络由下面输入层和上面的输出层(也称为竞争层)组成。输入层为m个神经元，输出层为n×k个相互连接的神经元排列出的二维平面，输入层神经元与输出层神经元之间实现全连接。

通过计算和比较输入层数据之间的相似度，SOM能够自动将相似度越高的输入在网络上配置得越近，因此SOM可以对不同输入数据按照相似度进行自动聚类，即对不同输入数据代表的模式进行分类。该网络是一类自组织、无监督竞争学习网络。SOM网络的学习算法[2,3,4]可归纳如下：

1）初始化输入层和竞争层之间的权值，这里设置为0～1之间的随机数。在输出神经元中选取j个“邻接神经元”的集合。记为时刻t的“邻接神经元”的集合, t从0开始。随着时间t的增长不断减小。

3）计算竞争层各神经元的权值向量和输入向量的欧式距离。按下式计算输入向量与竞争层的第j个神经元的距离

4）胜出神经元j* 及其“邻接神经元”的权值,按下式修正:

6) 如达到设定要求则停止;否则，返回步骤(2) ，继续学习。

2 应用SOM进行分油机故障诊断

2.1 标准故障模式特征数据集的建立

本案例根据文献[1]建立的故障树模型总结出了一个含有8个故障模式的样本数据集：正常排渣工况(F1)、正常分油工况(F2)、出水口跑油(F3)、排渣口跑油(F4)、出油水份高(F5)、分油机振动(F6)、排渣困难(F7)、正常密封工况(F8)。每个故障样本中有8个特征参数，分别是:进油量(P1)、进油温度(P2)、水封水压力(P3)、密封水压力(P4)、出油压力(P5)、转速(P6)、电流(P7)、比重环内径(P8)，使用SOM神经网络进行故障诊断。标准故障样本数据集如表1所列（数据已归一化)。

2.2 分油机的SOM神经网络故障诊断软件的实现步骤

1）尽可能选取覆盖所有标准故障模式的数据样本，组成标准故障样本库，导入软件系统；

2）运行程序，对每一种标准故障样本进行学习训练。训练结束后，标记该标准故障为最大输出神经元在竞争层的位置；

3）输入待检样本到SOM神经网络中，运行程序，进行分类；

4）分类结果分析，若待检样本输出神经元在输出层的位置与某标准故障样本的位置相同，说明待检样本属于该标准故障;若待检样本输出神经元在输出层的位置，与标准故障样本的位置不吻合，而是介于几种标准故障样本的位置之间，说明待检样本有可能都属于这几种标准故障，待测样本与这几种标准故障的相似度由其位置距离相应标准故障样本位置的远近确定。

竞争层的拓扑结构如图2所示，是由6×6=36个六边形神经元组成的二维平面阵列。SOM 网络训练步数分别设置为10，50，100，200，300，700，1 000，对8个标准故障样本进行训练分类，分类结果如表2 所示。

由表2可知，当训练步数为10时，故障原因F2、F8被划分为独立的2类，故障原因F1、F3、F8 归为一类，故障原因F5、F6归为同类，故障原因F4、F7归为同类。这表明SOM网络对标准故障样本完成了粗略分类，还有部分故障类别没有被独立分开。当训练步数为10、50时，8种标准故障类型没有被完全分开，但是可以看出训练步数越长，分类越细化。加大训练步数，就可实现完全分离。当训练步数达到100以上时，每个样本都被划分成一类，8 种故障类型实现完全分离。当训练步数为1000时，运行程序后，8种标准故障完全被独立分开，代表这8种标准故障的最终竞争胜出的神经元在竞争层中的分布情况如图2中蓝色六边形位置分布所示。

标准故障样本经过1000步SOM网络训练之后，将如表3所示的3组分油机故障数据作为待测样本集输入网络进行故障诊断。

经过诊断后，3组故障分类结果分别为3、25、10，对照表2中训练步数为1000时的分类结果，我们可判断待测故障样本集分别对应为第F8、F6、F5类标准故障。SOM对待测样本的诊断结果与待测样本发生的实际故障相一致，而且，从SOM 的训练到诊断结果的输出用时短。可见，SOM 网络对分油机故障实现了准确诊断。

3 结论

本文选取了广泛应用于模式识别领域的SOM神经网络对船舶分油机故障进行诊断分类。通过本研究表明：SOM 神经网络自学习能力强，在无监督的条件下，快速实现了对网络拓扑结构和输入的分布情况的同时自学习。SOM神经网络对船舶分油机故障的分类和识别达到了又准又快的效果，为船舶分油机故障诊断提供了一种简捷有效的智能诊断方法。