基于BP算法的船舶机舱报警监控系统的故障诊断分析

2018-01-12陈晓全高键

电气自动化 2017年5期

关键词：以太网权值报警

陈晓全，高键

(江苏科技大学电子信息学院，江苏镇江 212003)

0 引言

图1 完整的船舶系统结构图

一个完整的船舶系统一般主要由以下几个部分组成，其具体结构如图1所示。

AMS作为安全保障部分，它主要负责在船舶运行时，对各个系统的设备进行定期的采样，分析系统是否在正常工作，一旦采集来的数据显示异常，则立刻发出声光警报并通过报警延伸板传达至机舱值班室和主控室。但是由于船舶运行环境非常恶劣，难免会对AMS系统产生影响，数据的采集速度会大大延迟，造成不必要的后果，所以，对AMS数据能做到较为精准的预测就显得尤为重要，这会给行船过程带来极大的便利与安全。

1 AMS系统介绍

本次的参考系统采用了镇江市亿华系统集成有限公司的7000方泥驳机舱综合报警监测系统，本系统采用CAN或工业以太网作为现场采集总线，系统主要设备有PAC(可编程嵌入式控制器)、UDAU(通用数据采集单元)、工作站、延伸报警板、工业交换机。系统采用良好的人机界面，操作员通过操作轨迹球和操作员键盘可以很容易地在显示屏上选择报警页面和图形模拟页面，查看报警及设备运行状态，并执行控制指令或自动控制程序。PAC作为AMS的核心处理单元，集中处理系统的各种数据，并将处理结果显示在工作站的高分辨率彩色液晶显示器上。PAC与工作站通过以太网相互连接在一起，通过CAN现场总线与多个UDAU连接。

图2 AMS系统结构图

系统数据采集通过安装于现场的UDAU进行采集。UDAU可选公司自制模块或第三方可编程控制器。UDAU可以安装在船舶的各个部位，具有输入/输出功能，包括模拟量和开关量。AMS设有延伸报警系统。在居住区域和驾驶室安装有延伸报警板。系统可扩展若干个工作站和若干个延伸报警板，工作站和延伸报警板可安装在船上若干部位。系统采用分布式结构设计，其优点是既减少了电缆的铺设量，又使得系统稳定性得到保障。系统通过CAN或工业以太网，进行现场数据采集，通过工业以太网，进行报警、监视信号的延伸，具有TCP/IP以太网接口，可通过全船计算机网络，与其他系统交换数据，具有多种数据格式集成功能，可将其它设备的数据，通过协议转换器接入本系统，其结构图如图2所示。

2 BP网络算法的模型建立

2.1 BP网络算法简介

图3 BP算法流程图

BP(Back Propagation)神经网络算法是由Rumelhart 和McCelland领导的团队于上个世纪八十年代中期提出的一种算法[1]。BP网络的特点是运用大量的输出与输入的映射关系，利用输出值与期望值的误差进行反向传播来调整隐藏层与输出层，隐藏层与输入层之间的权值以及各层自身的阀值使最终的误差平方和最小以达到对系统修正的修目的[2]。其算法流程图如图3所示。BP算法作为目前应用最广泛的算法，其推理严谨，具有一定的容错能力，自适应能力强，在求解内部机制特别复杂的问题时具有良好的适用性。

2.2 BP算法模型分析

这里选取最典型的三层BP网络作为研究对象，其结构图如图4所示。BP算法整个结构分为输入层、隐藏层和输出层，设输入层有n个神经元，隐藏层有q个神经元，输出层有m个神经元，一般地，BP神经网络的激活函数选择S型函数(Sigmoid function)[3]。本次模型选择的函数为：

此函数的图像如图5所示，F(x)图像是一条平滑且处处可求导的曲线，用它做激活函数，效果会更好。

图4 BP网络结构图

图5 F(x)函数图像

其中输入层与隐藏层的连接权值为Vki，隐藏层与输出层之间的Wjk，隐藏层的阀值为bh，输出层的阀值为bo[4]。

从正向推导：

输入层共有n个输入样本：X1X2X3…Xn

则隐藏层的输入为：

其中k=1,2,3…q

隐藏层的输入为：

输出层的输入为：

其中j=1,2,3…m

输出层的输出为：

从反向推导：

第p个样本的期望输出为tj(p)，其中p=1,2,3…P。

误差函数为：

全局误差为

利用误差函数，我们可以进行反馈调节，分别对输出层和隐藏层的权值加以修正，具体的方法就是用误差函数对各权值求偏导数[5]。

输出层权值变化：

其中η为学习率，一般设置在0到1之间，可以使误差慢慢地减少，不会产生突变[6]。

定义误差信号为：

则：

所以可得：

另：

可得：

输出层权值调整：

定义误差信号为：

可得：

求出误差信号为：

又：

隐含层最终权值变化为：

3 仿真研究

图6 故障诊断流程图

故障诊断中，以BP网络算法建立的模型为基础，结合机舱报警系统，做到及时发现，及时反馈，及时报警，故障诊断大致流程图如图6所示。BP网络算法模型的建立分为两个阶段，第一个阶段以同种型号柴油机排烟温度的历史数据作为训练对象，模拟出一套精确度符合要求的预测模型；第二阶段用模拟出的模型进行数据的预测，根据现有柴油机在过去数个小时的排烟温度数据为基础，根据船家需要，预测出下个阶段各柴油机的排烟温度，从中找出温度会异常变化的个体，适当进行更换或者修理。

图7 模型精度训练图

本次数据训练的形式为三输入两输出，在进行数据拟合时，为避免模拟数据与真实数据的过度拟合，加入了0.01的噪声强度，同时为保证最大限度的精准度，训练最大次数设定为10 000次，学习速率设置为0.05。考虑到船舶机舱工作环境的特殊性与实用性，模型的精度取0.03，图7为数据训练的精度仿真图。从图中可以看出，当训练次数逐渐增大时，模型的误差逐渐减小，精确度逐渐增加，当训练次数达到一个可观的值后，误差基本消除，多次实验后，训练场数设定为10 000。

本次模型采用三输入两输出的形式即输入维度为3，输出维度为2。输入数据矩阵为1-10号柴油机前三个时段的排烟温度，输出数据矩阵为1-10号柴油机在后两个阶段的排烟温度。数据拟合结果如图8所示。