基于神经网络算法的船体结构腐蚀分析及预测

于淳

(中国船级社，北京 100007)

基于神经网络算法的船体结构腐蚀分析及预测

于淳

(中国船级社，北京 100007)

针对船体测厚数据未能被有效利用的问题，提出一种基于神经网络算法的结构腐蚀分析、预测方法，为船舶的健康管理提供评估及决策支持。依据神经网络算法的基本原理和建模方法，研究测厚数据结构、神经网络输入参数的选择、腐蚀状况的分析及预测等关键问题的实现方案，并在此基础上开发船体可视化模型关联测厚结果的展示、分析功能，应用于实船测厚数据并形成有针对性的分析结论、决策建议。采用该方法对某船实际测厚数据进行分析，预测出该船型随船龄的增长腐蚀严重的区域，并在3D模型中展示。

测厚；神经网络算法；预测

船体结构腐蚀状况的评估、检测，是船舶维护保养、检验的重要内容，是决定船舶健康指标的重要工作。船体结构腐蚀状况通常按照国际船级社协会(IACS)的统一要求，通过测厚工作获取[1]。就实际检验结果来看，测厚工作表格式复杂、数据量大，尤其是对于船龄较老的部分大型散货船、油船，通过测厚等工作积累的船体结构腐蚀数据量通常在10万条以上。一方面，当测厚点较多、数据繁杂时，除了直观辨别可疑区域、普遍及显著腐蚀数值外，船舶管理、维修、检验等相关方未能通过数据对船体结构状况开展有效的评估分析；另一方面，各相关方对船舶积累形成的历史测厚数据未能进一步利用，帮助开展相关的挖掘、预测，乃至帮助形成维护保养方面的决策建议。

针对上述现状，本文通过选择神经网络算法，提出一种针对营运中船体结构的测厚数据分析、腐蚀趋势预测的方式。同时，以实船为例，通过上述算法及方式建立数据模型，在历史腐蚀状况评估、腐蚀情况展示、趋势预测、维护保养建议等方面做了原型应用，并辅以有效的可视化技术手段。

1 功能的实现

根据IACS标准测厚格式，将电子版实船数据存储在同一数据库中，数据以测厚点为单位。

功能借助CATIA V5进行3D船舶模型的建立，主要是基于其曲面效果突出、装配方便等优点,结合测厚工作内容建立相应的舱室3D模型，用以展示结构腐蚀状况。通过上述模型与数据开发平台与数据库的接口，可建立数据与可视化模型间的关联[2]。

除建立显示功能外，通过调用测厚数据，引入神经网络算法建立分析模型。随着测厚工作的不断增加，应根据算法自适应、反馈的特点监控训练参数，适当时予以调整，以保证功能结论的准确性。

2 测厚数据结构

目前，业界采用的数据格式见表1。

对于满足共同结构规范(CSR)的船舶，或双壳散货船的部分位置，其测厚数据经转化，以统一格式存入数据库中[3]。

测厚数据的表结构建立过程可简要描述为：定义一张空数据表MtbTemp，其中设定5个主键：PS、TMJOBNO、TMNO、TMPARTID、SKETCHNAME。逐行解析测厚数据表，其中有以下数据项：TMJOBNO、TMNO、PS、SHEET、TMROW、ORGTHK、FA、RMNTHK、RENEWREMARK,RENEWREMARK1、X,Y,Z、SKETCHNAME、GROUPNAME、SHEETFORMAT、TMPARTID、BEAMTYPE、POINTTYPE、SYMTMNO、SYMPARTID、POINTFILEHANDLE、PARTFILEHANDLE、FRAMENO、ONBOARDNAME。将测厚数据文件中的以上数据项位置上的字符分别写入到MtbTemp中，从而完成测厚数据的转化。

表1 IACS通用测厚表格

测厚点所在位置的构件属性、船舶基本参数等均作为表结构，与测厚数据关联，建立测厚数据库。

数据库需设置另外的参数表，用以存储测厚工作中所使用的草图、关联的3D模型，并设置中间变量与测厚点相关联。此外，设有相应的数据表，存储测厚结果转化为神经元各层的关联关系，见图1。

3 输入参数的选择

除标识测厚点属性的参数外，在测厚工作中通常以板厚、测量厚度、腐蚀余量、腐蚀百分比、腐蚀磨耗极限评定一个测厚点所在区域的结构状况。按照IACS相关要求，当测厚点整体腐蚀百分比超过额定范围时，形成超差测厚点。通常，超差测厚点所在区域将作为检验与维护保养的重点关注对象。

基于上述工作要求，输出层用以标识腐蚀数值；输入点选取板厚、测量厚度；在权重值的选取上，测厚点所在构件、构件尺寸、构件类别(型材或板材)、船龄、船型、舱室位置、舱室类别(货物处所/压载处所/空舱)等均作为备选项。在学习与反馈开始前，各参数对应的权重取值相同[4-5]。

根据上述输入参数建立多维数据集，见图2。

根据测试数据在测试数据集中的百分比和所提供的最大事例数，算法将输入数据随机拆分为两个集，即一个定型集和一个测试集。定型集用于创建挖掘模型。测试集用于检查模型准确性。

选择Record表创建挖掘模型，并将表中属性分别设置为输入层、输出层、可选层，见图3。

图中：DAMAGE100为腐蚀百分比；DAMAGE为腐蚀值；DAMAGEMARK为测厚点所在结构位置；INSAREA为所在舱室；GAUGE为测量厚度。另设置可选层属性：板厚原始值、船型、船龄、油漆种类、测厚点所在构件属性、舱室位置、舱室用途。另外，在将上述可选层属性分别作为模型的维度的同时，将时间作为另一维度参与算法运行。

该模型的建立旨在分析及预测测厚结果随可选层属性参数的变化情况。

4 腐蚀状况分析及预测

在分析及预测模型中，所有维度初始权重值均为1，经测试，在诸多维度中，测厚时间、舱室位置、舱室用途等对结果会产生较为显著的影响。因此，在误差的计算上，根据初始学习的结果进行迭代学习(迭代次数由测厚点的数目和测厚次数决定)后，得出对交叉熵影响较大的维度(船龄、舱室位置、舱室用途)，缩小关键的属性值范围。

基于某大型油轮及其姊妹船前后3次坞内测厚的结论，得出的分析结果见图4。

可见，随着船龄的增长，该船型货物处所、甲板区域腐蚀较为明显。

根据以上分析结果，将平均每年的腐蚀百分比作为维度，结合上一模型的已选维度，设置线性变化的时间维度后，建立预测模型。该模型可在已有腐蚀趋势下，对舱室及构件变化趋势加以预测。相关方可通过设置维度值的权重，即测厚点的腐蚀百分比、构件原始厚度、时间等影响预测结果。在现实中，这些属性的修改即意味着修船时间的选择，构件尺寸、油漆类型的选择等因素[6]。

5 腐蚀状况展示

根据测厚工作的范围，本文建立了测厚覆盖的舱室模型，并通过测厚报告中标识的结构信息，整理为标识字符串存入数据库中。经二次开发，将测厚点关联至模型上。这种方式便于分辨测厚区域及腐蚀量较大的位置。图5为测厚点在模型中的定位功能。

结合数据分析结果，以船龄、舱室位置、舱室用途等为基本参数，将结构变化情况关联至3D模型，形成结果云图，便于就分析及预测结果进行展示，并为船舶相关方提供后续的维护保养参考[7]。图6中，某轮货舱3D模型与其测厚数据关联，并针对该舱近3次特检的腐蚀值变化趋势分颜色形成云图。这种方式直观、精确，便于跟踪经多次测厚后有关参数的变化趋势。

6 结论

本文在分析目前船舶测厚点众多、存储分散，从而导致测厚数据不能有效为相关方所用的问题后，提出一种可视化模型与分析预测功能交互模式下的辅助解决方案。通过上述方案，以实船舱室腐蚀趋势为分析指标，验证了神经网络算法应用于船体结构腐蚀分析及预测的有效性，算法所应用的数据存储模式及参数处理过程普遍适用于满足IACS有关要求的测厚工作。

船体结构是一个复杂的系统，引起结构状况变化、维护保养方法改变的因素有许多。对于测厚工作来说，其他人为因素、航行状况的参数是否会对分析、预测的结果产生显著影响，应进一步进行研究。然而，业界各船舶管理公司应用的数据采集设备、计算机系统的差异较大，不具备通用的数据获取条件，这为预测模型的扩充增添了难度，也是当前业界有待解决的问题。

本文提出的方案在为各相关方提供了一种分析预测办法的同时，能够帮助全面、详细地掌控船体结构状态、保养检验工作状态，能够为进一步进行结构计算、评估、决策等提供必要的数据基础。方案的提出弥补了以往研究未将测厚数据进一步应用于分析、预测的缺陷。如能在一定的数据积累后将同型船舶的测厚数据与修理、机海损、检验数据进一步关联，各相关方将获得更为丰富、具体、准确的分析及预测结论。

[1] 中国船级社.船体测厚指南[S].北京：中国船级社，2015.

[2] 杨流辉，张和明.基于COM组件的CATIA产品信息集成技术研究与实现[J].计算机工程与应用，2001(24)：131-136.

[3] 冯光.IACS CSR对船体结构测厚修理的影响[J].中国修船，2008(3)：2-5.

[4] 张华军，赵金.基于遗传算法和神经网络预测的再励学习[J].计算机工程，2010(1)：28-33.

[5] 覃光华.人工神经网络技术及其应用[D].成都：四川大学，2003.

[6] 任刚.船舶航运管理中人为因素与风险分析研究[D].大连：大连理工大学，2003.

[7] 李楷.船体生命周期建模与管理关键技术研究[D].大连：大连理工大学，2011.

Corrosion Analysis and Prediction of Ship Hull Structure Based on Neural Network Algorithm

YU Chun

(China Classification Society, Beijing 100007, China)

Based on the situation that hull thickness measurement data hasn’t been effective utilized, a kind of neural network based corrosion analysis and prediction method was put forward, providing assessment and decision support for ship health management. According to the basic principle and modeling method of neural network algorithm, the solutions to key issues were investigated, such as establishing the data structure based on the thickness measurement, the selection of neural network input parameters, and the analysis and prediction of corrosion condition. The display and analysis functions of hull visible model connected with the data of thickness measurement were programmed and applied in real ship thickness measurement successfully to get analysis conclusion and suggestions. Based on the above method, a data structure was established, providing a certain technical basis for ship comprehensive analysis and risk assessment.

thickness measurement; neural network algorithm; prediction

10.3963/j.issn.1671-7953.2017.02.012

2016-06-13

于淳(1984—)，男，硕士，工程师

U661.5

A

1671-7953(2017)02-0054-04

修回日期：2016-08-18

研究方向:入级船舶检验管理