智能船舶机泵舱设备健康状态评估方法分析

路 通，黄志勇，王家支，王 旭，邹 淼，吴培莉

(大连船舶重工集团设计研究院有限公司， 辽宁 大连 116021)

近年来，现代科学技术得到迅速发展，进而牵引全球工业趋于信息化、智能化的方向不断发展[1]。在2014年德国汉诺威工业博览会中，第四次工业革命的“工业4.0”的概念引起广泛关注，继工业机械化、电气化、自动化之后，“工业4.0”的核心理念为工业的智能化。在此背景下，船舶设备及主要系统也逐步朝分布型、网络型和智能型的方向靠拢，在技术需求层次，智能船舶的构建已具备一定的可行性[2-3]。

船舶机泵舱是船舶设备的主要布置场所，包括船舶主机、辅机、锅炉等重要设备，机泵舱设备的智能运维是智能船舶的必然要求[2]。而设备健康状态的在线监测和评估是智能船舶自主决策分析的基础，本文以船舶主机作为评估案例，介绍了2种健康状态评估方法，为实现机泵舱的智能运维提供了一定参考。

1 健康状态评估的概念

设备在运转时，除受到外界环境突发的过大破坏外，其功能状态由正常至故障通常为一个逐步累积的渐变过程，健康状态即用来描述介于“正常”和“故障”之间的设备状态。2000年，美国军方提出了故障预测与健康管理技术(Prognostics and Health Management, PHM)，用来描述设备或系统的工作状态，并根据健康状态完成设备故障的预测[4]。健康状态评估是PHM技术的核心组成，其结果能够直接反映当前的运行状况，进而为设备的智能运维提供决策信息。

2 健康状态评估方法

目前，在PHM中常用的健康状态评估方法主要包括经典评估法、机器学习与多源信息融合法等[5]，本文自2类评估方法中分别选取了层次分析法和BP神经网络法，并以船舶主机作为评估案例，介绍机泵舱设备健康状态评估的具体方法。

2.1 层次分析法

层次分析法(Analytic Hierarchy Process，AHP)于20世纪70年代问世，由美国运筹学家、匹兹堡大学教授T.L.萨迪(T.L.Saaty)首次提出[6]。该方法的基本计算原理是通过将评估目标按照一定的规则划分为不同的评估层次，并确定各层次中每个元素所占权重，计算最底层元素的参数状态并无量纲化，最终逐级评估汇总数据，完成评估目标的状态描述。

以船舶主机为例，根据层次分析法的计算规则，首先可将其分为3个评估层次[7]，见图1。第一层为评估目标层，即为船舶主机的整体健康状态；第二层可根据评估目标层的主要属性组成或其他规则进行划分，从主要工作系统的角度分析，船舶主机的第二层次可拆分为燃油系统、滑油系统、冷却水系统等，各系统均为影响主机健康状态的主要因素。第三层为基本数据层，为能够体现第二层元素健康状态的设备参数，燃油系统可包括燃油温度、燃油压力及燃油黏度等；滑油系统可包括滑油滤器压差、进出口温度和压力等。

图1 船舶主机整体健康状态

在实时的设备健康状态监测中，以燃油系统中进口温度参数为例，该元素的健康状态H11,可表示为[8]：

(1)

式中，T测为燃油进口温度的实时监测数据；T0为系统所设定燃油进口温度的标准值；Tl和Th分别代表燃油进口温度的允许最低、最高阈值。其中T测可通过温度传感器的输出直接读取，T0、Tl和Th可通过查询设备说明书获取具体数值。对于系统中标准值、设定阈值空缺或无定量数据采集的参数，则需要根据专家经验和设备的具体运转情况来确定。

同样的计算方法可得出燃油系统中其他元素的健康状态，此时燃油系统模块的健康状态H1和船舶主机的整体健康状态H可通过公式(2)计算：

(2)

式中，ω表示元素在对应上层模块健康状态评估中的影响权重，该数值可以参考各元素的影响程度分别赋值，或通过构造判断矩阵和最小二乘法确定权值[9]。

2.2 BP神经网络法

BP神经网络法具备较强的数据处理能力，在描述对象的建模过程中，不需要获取变量之间准确的数学方程映射关系，能够较好地完成信号处理分类和拟合[10]。在智能机泵舱设备的数据监测中，传感器的种类繁多，且各参数之间难以用明确的数值关系准确描述，因此，以神经网络计算方法进行机舱泵设备的在线评估具备一定的适用性。

BP神经网络为一种多层的前馈型神经网络，其拓扑结构可通过图2表示。

图2 BP神经网络拓扑结构

其中，输入层为网络的原始数据导入层，对应计算中的自变量，隐含层为数据拟合计算的过渡层，输出层即为因变量导出层。图2中，参数P1,P2,…,Pn为输入参数；ωij,ωjk为计算过程中相邻两层间的附加权值；b1,b2,…,bm和θ1,θ2,…，θk为网络偏置，输出结果a1,a2,…,ak即为网络计算的预测值，其中m、k分别为隐含层节点数目及输出层因变量数目。在拓扑网络中可根据实际情况设定隐含层的层数(一层或多层)和m、k的具体数值。图2中的神经网络拓扑结构表达的为由n个自变量到k个因变量的函数映射关系，网络中隐含层的第j个节点yj可表达为：

(3)

输出层第k个节点ak为：

(4)

式中，f1、f2为输入/输出关系的传递函数，其中隐含层内的传递函数要求为连续、光滑、单调递增且存在上下界的非线性函数，输出层的传递函数不限制于非线性函数[11]；Pi表示第i个输入参数；bj表示第j个节点所对应的附加权值。

利用BP神经网络进行设备的健康状态评估时，首先需要调用设备正常运转的历史数据作为网络的训练样本，通过设定程序进行自主学习，学习主要分为2个阶段，第一阶段为根据网络输入的样本数据，由输入层向后计算得出各神经节点的输出值，第二阶段为由最后一层逆向计算各权值和阈值对总体误差的影响。2个阶段交替反复计算，不断修正网络中各参数的数值，直至最终收敛。网络的训练学习完成后，在符合一定的检验前提下，可将实时采集的设备运转数据输入神经网络中进行计算，以网络的输出值同实测数据的差异体现设备的健康状态。

以选择主机油耗作为网络单一输出值为例，主机的油耗数据是能够反映设备状态的主要参数之一。理论上在转速、转矩、功率等参数确定的情况下，主机的正常油耗存在一定标准值，而实测值同标准值的偏差即可反映出当前的设备相对状态，其评估流程主要包括以下几方面。

1)采集样本数据，输入数据为能够影响主机油耗的所有可测数据，包括转速、冷却水温度等运转数据和风速、相对风向等外界环境数据等。根据需要可对数据做出相应处理，如异常值剔除、滑动平均处理及主成分分析确定输入形式等。

2)构建神经网络，案例模型以主机油耗作为单一输出值，实际计算可设置多项输出值，并附加对应的权重。

3)将样本数据导入神经网络，进行训练学习，直至最终收敛，得出网络参数。

4) 以在线监测的实时输入参数作为网络的输入，对比网络输出值和实测油耗的差异，得出设备的实时健康状态。

3 结束语

相对而言，层次分析法的计算较为简洁，但该方法对专家经验有着较大的依赖，各层次权重分配的合理性将会直接影响评估结果的准确性；BP神经网络法具备自主训练学习的能力，可避免状态评估中因船型、设备型号及操作习惯不同等因素带来的影响，在评估结果方面具备一定的可靠性，存在的唯一不足是对样本数据的需求，网络的构建至少需等设备运转一段时间积累足够的样本数据之后。此外，在构建评估模型的过程中，也需根据实际的数据特征设置对应评估参数，确保最终评估结果的准确性，为机泵舱设备的智能化运维提供坚实基础。