基于置信规则库的船舶电力推进系统状态评估研究

苏科伟，高海波，林治国，何业兰，潘志强，代 建

（1.武汉理工大学船海与能源动力工程学院，湖北 武汉 430063；2.武汉理工大学计算机与人工智能学院，湖北 武汉 430063；3.中国船舶第七一一研究所，上海 201108）

当今社会能源短缺问题日益紧张，环境污染日渐严重，出于环境保护和顺应发展需求等原因，船舶新能源化势在必行。其中电力推进技术以其环保、节能和灵活的安装布置等优势在新能源船舶中得到广泛应用[1]。而船舶电力推进系统运行状态的监测与评估，是保障电力推进系统船舶航行安全的重要环节。

为了更好地对船舶电力推进系统运行状态进行评估，本文提出了基于置信规则库的船舶电力推进系统状态评估方法。基于置信规则库（BRB）是在If-Then规则库、D-S理论、模糊理论和ER算法的基础上提出来的，此方法在传统专家系统的规则表示基础上，融入规则参数，采用半定量信息对系统建模。模型推理过程，既可采用专家知识，又可利用监测数据训练模型。文献[2]研究了一种基于区间值的BRB模型，对提高武器系统作战效能评估的准确性和可靠性起到了重要作用。文献[3]基于BRB理论提出一种工业控制系统安全状态评估方法，取得了较好的效果。因此，将BRB模型应用于船舶电力推进系统状态评估，并以某船舶电力推进系统为例进行实验验证，结果表明模型能获得较好的评估结果。

1 船舶电力推进系统概述

船舶电力推进系统[4-5]一般由供电系统（原动机、发电机、配电板）、推进系统（推进变压器、推进变频器、吊舱推进器）、控制系统等组成，主要通过原动机带动发电机进行发电，配电板将发出的电能进行用电分配后，传输给变压器进行调压，再输送至变频器进行整流、逆变，最终带动吊舱推进器推进船舶航行。

2 电力推进系统状态评估体系

根据电力推进系统中各设备运行状态的评估指标，应用有效的状态评估方法，结合设备运行原理和专家经验，即可进行电力推进系统的状态评估。

对于船舶电力推进系统，得到监测数据h1，h2…h4后需要一套评估判定规则来确定当前系统所处状态。采用百分制的评估标准表示当前系统状态，评分机制如图1所示。

图1 基于BRB方法的状态评估模型

针对每个部分的评估结果进行综合评判，即可得到系统的综合评估结果。评估结果采用百分制，分数越高，代表系统状态越健康。电力推进系统状态分类规则如表1所示。

表1 电力推进系统运行状态分类表

表1（续）

3 基于BRB模型的评估方法

3.1 BRB模型规则的建立

与传统规则推理形式不同，传统规则推理时输入和输出都是离散的状态形式，而基于置信规则的推理方法则在传统If-Then规则的基础上对应离散的状态引入了置信度的概念，使输入输出带有一定的置信度，区别如下。

对于传统规则：

对于置信规则：

3.2 使用证据推理的规则推理法

为了获得船舶电力推进系统中各设备多个属性的整体健康状态，引入了ER算法来集成系统中各设备的影响因素。通过以下步骤便能获得设备状态的评估结果。具体步骤如下。

3.2.1 计算规则匹配度

首先确定单个输入与其所划分的参考等级的匹配程度，对于第i个历史数据xi，假设前提属性集合中的第j个参考等级xi对应的数量值为aij，则利用分段函数，可以求出xi对应的各个状态的匹配程度αij，计算公式为：

3.2.2 计算单条规则的激活权重

激活权重指由输入决定的规则库中所有规则的激活程度的大小，对于第k条规则，激活权重的计算方法为：

3.2.3 ER算法进行规则融合

解析ER算法将所有激活的规则进行融合，最终产生输出结果。输出结果的置信度为：

其中：

式（5）（6）中：j是第j个属性（输入的参考等级）；k是第k条规则；jkβ为第k条规则中第j个属性的置信度；wk为每条规则的激活权重。

3.2.4 效用计算得出结果

效用计算得出结果：

3.3 模型训练优化方法

初始BRB模型中的参数θ1，…，θk，δ1，…，δT和β1，…，βNk，通常是根据专家经验和历史信息得出，但专家很难给出参数的精准值，因此初始BRB模型的状态评估结果与真实值之间会产生偏差，使得评估精度有所下降。为了提高状态评估的准确性，需要对初始BRB模型进行优化，优化的目标是状态评估值与专家打分的参考值之间的误差。图2为BRB模型的训练过程，为模型输出的评估值，y为专家打分的状态参考值，为真实值和评估值的差值，Ψ为参数θ1，…，θk，δ1，…，δT和β1，…，βNk的集合。当Δy（Ψ）越小时，模型参数的值越准确。模型参数优化过程，可以通过MATLAB中的Fmincon函数求解目标函数的最小值。

图2 BRB模型训练流程

4 案例研究

为验证BRB模型进行电力推进船舶状态评估的有效性，以某60 m全回转车客渡船为对象，对其电力推进系统进行状态评估研究。

4.1 BRB算法

通过安装在船上的相关传感器，采集到该渡船2019年11月份运行过程中电力推进系统的部分数据，通过数据预处理后，选取该渡船在典型工况下的运行数据共计230组，并由该领域相关专家根据其健康状态程度进行打分，作为输入样本数据。以推进电机为例，根据预设监测指标，传感器采集的数据包括推进电机实际功率、推进电机U相绕组温度、推进电机Ⅴ相绕组温度、推进电机W相绕组温度。选取推进电机实际功率和三相绕组温度的平均值作为前提属性，将健康状态评分结果作为后置输出属性。

在小样本状态评估问题中，专家知识对状态评估的结果起着至关重要的作用。在BRB模型中，不仅推进电机实际功率、三相绕组平均温度取值会对评估评估有影响，同样置信规则的设定也会对推进电机的评估结果产生重要影响。在设定推进电机实际功率和绕组平均温度的参考等级时，输入参考等级的个数决定着规则的数量，规则数量的增加，会导致模型计算的复杂性，甚至出现“规则爆炸”的情况。根据专家知识，设定推进电机的实际功率有8个参考等级，分别是很小（ⅤS）、小（S）、较小（RS）、正常（N）、较大（RL）、大（L）、很大（ⅤL）、超大（SL）。设定三相绕组平均温度有7个参考等级，分别是很低（ⅤB）、低（B）、较低（RB）、正常（N）、较高（RH）、高（H）、很高（ⅤH）。推进电机的健康状态评分，也划分为“优”“良”“中”“差”“劣”5个输出参考等级，分别用D1、D2、D3、D4、D5表示，3个指标的定量结果如表2所示。

表2 各指标的语义参考值

推进电动机的实际功率和绕组平均温度的参考等级分别为8个和7个，一共56条置信规则。根据专家知识，建立推进电动机的状态评估BRB模型，其中第k条规则可描述为：

根据专家知识和表2中设定的BRB初始参数，可以得出模型初始规则库，部分初始置信规则如表3所示，如第六条规则中ⅤSH时，它表示推进电机实际功率很小，但绕组平均温度高时，电机的健康状态较差。因此评估结果被赋值为{（D1，0.1），（D2，0.9），（D3，0），（D4，0），（D5，0）}。

表3 推进电机状态评估模型部分初始置信规则表

4.2 评估结果

将实验数据分为200组训练数据和30组测试数据，通过训练组数据进行模型的参数优化，再将测试组的数据用于对BRB模型优化后的置信度、规则权重等参数的检验。在BRB模型训练过程中，把初始BRB评估结果和优化后BRB评估结果与专家打分的状态参考值进行对比，结果如图3所示。

图3 BRB模型状态评估结果

从图3中可以看出，在初始BRB模型评估结果中，专家值能大致反映出推进电机正常工作时的健康状态，但在推进电机出现故障，状态发生改变时，存在欠拟合的现象，不能很好地反映出电机的健康状态。利用Fmincon函数对模型中的参数进行优化后的BRB模型，能够较为准确地评估出推进电机的健康状态。

4.3 电力推进系统状态综合评估

根据BRB模型的状态评估结果，选取某一时刻电力推进系统各设备的得分，如表4所示。

表4 电力推进系统评分信息汇总表

邀请12位行业专家，通过模糊综合评判的方法，得出该时刻电力推进系统状态评估得分是82.04分。运行状态为优，电力推进系统可继续运行，检修工作延期。

5 结论

本文提出了一种基于置信规则库的船舶电力推进系统状态评估方法。综合利用专家知识和定量船舶运行数据，参照状态评估指标，初步构建电力推进系统BRB状态评估模型，使用ER算法融合多条规则进行推理。同时，基于一种非线性约束函数Fmincon的方法优化模型参数，输出更准确的结果。并通过模糊综合理论的知识，得到电力推进系统的最终状态评分。相比于传统依靠工人经验主观地对电力推进系统运行好坏进行评估的方法，本文提出的基于BRB的电力推进系统状态评估方法，能更好地结合定量和定性信息，为信息缺失及采用可观测量对船舶电力推进系统状态评估提供了一种可行且有效的手段。