基于神经网络的船舶主机零件磨损监测方法的研究

李长青，林彬，魏海滨

（1.象山县港航管理中心，浙江 宁波 315700；2.舟山市定海兴舸船舶设计有限公司，浙江 舟山 316000）

船舶主机是船舶的“心脏”，保持船舶主机良好的工作状态是轮机技术管理的关键内容，在船舶主机润滑油中，磨损性金属元素信息能够反映主要零部件实时磨损状况，借助油液分析技术，可使主要磨损件的失效被提前发现，从而避免恶性事故的突然发生。

在船舶机械领域，油液光谱分析技术已被用于船机设备的工况监测、故障诊断和状态预测，油液中的磨损性元素的信息可以被有效地检测出来，通过分析，可获得油液的污染情况、添加剂的状况的有效信息。油液光谱分析可完成以下两项工作。

（1）磨损零件和部位判定，检测磨损金属成分、磨屑的形貌观察，可判定出摩擦副的部位和磨损程度。

（2）易损件磨损趋势的预测。本项研究为上面的第二项工作，将光谱技术运用到船舶主机的油液分析中，对主机的运行状态进行动态监测，从而实现故障趋势的预判，并采用相应的预知性维修手段，重大事故的发生得到有效避免，其中，光谱数据预测模型的建立有着非常重要的意义。

1 构建神经网络

1．1 BP神经网络的构建

（1）BP神经网络的模型设计。在用于故障预测的神经网络模型中，BP神经网络应用比较广泛，三层的神经元：输入层、隐含层和输出层，上下层之间全连接，每层神经元之间无连接，每个神经元的激励函数为Sigmoid函数。

（2）BP神经网络的设计。用于BP神经网络的许多函数被包含在MATLAB神经网络工具箱中，表1给出了BP网络的常用函数。

图1 BP 神经网络模型

表1 BP网络的常用函数

网络的层数：由于三层网络可以逼近任意非线性函数，模型采用输入层、隐含层和输出层的三层结构。

输入、输出层节点的数量：历史的光谱数据被均分为50份，输入为连续的10个数据， 第11个数据作为输出，这样10为输入层节点数，1为输出层节点数。

归一化处理网络数据：为了网络训练获得更快的速度，更高精度的结果，样本数据采用归一化处理，输入、输出数据都被映射到[-1，1]范围内，具体见下式：

隐含层节点数：隐含层节点数通过以下经验公式来获得：

传递函数：双曲正切tansig传递函数被作为隐含层传递函数。

1．2 遗传神经网络

（1）遗传网络的实现步骤。

①随机地建立初始群体，该群体由串形式编码组成，个体数目取值为50。

②在计算群体中，个体的适应度的确定。首先，制定出转换规则，该规则满足目标函数值与个体适应度的转换。

③为了新群体的产生，遗传操作被进行，主要内容包括选择、交叉和变异。

④反复执行上述步骤，一旦达到终止条件，最佳个体被选择为结果。具体的步骤可详见图2。

图2 遗传算法的流程

（2）遗传网络的构建。

①初始化种群，由于种群规模是50，所以遗传代数也为50，然后，进行针对网络参数的编码操作。

②计算个体适应度可用误差平方和的倒数来表示。

③MATLAB工具箱被调用，经过反复的迭代，最优的阈值和权值可获得。

④阈值和权值被用来训练，如果目标精度未达标，则初始的阈值和权值被重启、训练，若精度达标则下一步继续。

⑤阈值和权值输出，训练结束。对所选的阈值和权值进行预测，与算法进行比对，最后输出预测结果。

3 神经网络在船舶主机上的应用实例

3．1 BP神经网络在船舶主机的应用

以磨损中的铁屑为分析对象，油液光谱数据来源于某船主机，共获得15个时间序列，对实验数据进行曲线拟合，采用等间距离散法，获得50个离散时间序列。

图3 基于BP网络的润滑油铁金属含量预测结果

3．2 遗传神经网络在船舶主机上的应用

采用上面的时间序列离散方法，获得50个离散时间变量。

图4 基于遗传网络的润滑油铁金属含量预测结果

3．3 两种方法的比较

遗传算法和神经网络相结合，对光谱数据，即采用遗传神经网络进行预测，预测结果表明：基于遗传神经网络的预测结果，预测曲线与实际曲线误差更小、更接近。

4 结语

（1）从应用实验结果来看，基于BP神经网络的预测结果明显不如遗传神经网络算法的结果。遗传算法具有全局选优的特征，通过优化神经网络的各层阈值和权值，BP网络的随机选取初始权值的“盲目性”，通过运用遗传算法得到了克服，阈值和权值的优选结果，使得预测结果更加稳定，也更接近实际值。

（2）频繁的换油，极大地破坏了磨损数据的线性趋势，采样数据的增加和预处理，可以增加预测的准确性。