基于LSTM神经网络算法的船舶电站故障诊断

孙 云，王沭恒，陈冠宇

（1. 海军装备部驻上海地区第二军事代表室，上海 200000；2. 江苏科技大学，江苏镇江 212100；3. 镇江赛尔尼柯自动化股份有限公司，江苏镇江 212000）

0 引言

随着世界经济与科技的发展，市场对船舶的需求越来越大，对船舶电站的要求越来越高，船舶负载类型越来越复杂，船舶电站所需要的发电机台数也越来越多[1]。船舶电站通过并联几台发电机，达到负载大功率耗电的条件。在实际情况中，船舶发电机可能会出现各种各样的问题，会严重影响船舶的安全稳定航行。

本文采用MATLAB & Simlink软件平台来对船舶电站的运行情况进行动态仿真和短路故障仿真，并通过LSTM神经网络算法对仿真数据进行训练与故障诊断。此算法对发电机短路故障做出准确的预测及诊断，从而提高船舶航行的安全系数。

1 船舶电站仿真模型

船舶电站仿真模型主要由3部分组成，数据输入部分、船舶电站仿真模型和数据输出部分。数据输入部分为系统启动、系统停止、故障设定命令数据、负载切换命令数据，数据输出部分为发电机运行状态数据等[2]。

本次试验只需要系统准确并及时地判断出发电机故障模式，因此本次试验只研究单机模型仿真的情况，通过故障模块设置不同的故障，分析电流电压数据。

如图1所示，单机仿真模型由一台发电机模型、励磁系统、柴油机及调速系统等组成。通过断路器模块来控制负载的增加与减少，通过故障设置模块来设置不同的故障，模拟船舶电站不同故障工况运行。

图1 单机模型仿真

2 LSTM 神经网络算法诊断模型

2.1 LSTM 神经网络

LSTM是对普通循环神经网络的增强, 普通循环神经网络经常产生梯度消失或者梯度爆炸的问题[3]，其隐含单元结构见图2，长短期记忆网络通过更改单元内部结构，能够避免时间步过长产生的上述问题，理论上可以学习任意时间步长度的数据。基于LSTM的算法可以实现语言翻译、机器人操控、语音识别图像识别、手写文字辨识、疾病诊断分析、股票趋势预测和音乐构成等任务，可以很好地解决长时依赖问题，在工业控制上，LSTM主要应用在故障的预测分析[4]。

图2 LSTM 隐含单元结构

2.2 LSTM 数据集

结合前文所提到的船舶发电机故障仿真模型，运行发电机单机标准工况仿真模型和故障工况仿真模型[5]，之后利用MATLAB中的Scope模块将仿真得到的数据保存到MATLAB的工作区，并且查看各个输入参数的数值，见图3。将Scope模型加到前文所提到的电流电压参数的输出位置，运行仿真模型即可得到6组.mat格式的数据表。

图3 MATLAB 工作区数据表图

将上述6个数据表整合在同一个表中，将该表格保存在MATLAB工作路径之下，作为后面LSTM神经网络训练模型的输入参数。

3 Simulink 故障诊断模型的建立

3.1 LSTM 神经网络初始化准备

本文采用直接在MATLAB的脚本文件中，用代码来建立LSTM神经网络。将数据集录入LSTM神经网络训练模型，取数据的前90%用于训练，后10%用于测试，参数设置为：迭代次数800；梯度阈值1；初始学习速率0.006；乘数因子130；下降因子0.3。

3.2 模型训练

首先对4种工况分别进行仿真，采集发电机正常状态和故障状态下三相电流及其电压。每种工况下选取较为稳定的10 000组发电机三相电流电压数据，4种工作状态分别用编号1～4来表示，具体样本数据的数量选取见表1。

表1 船舶电站故障类型、样本数量及故障编号

通过800次的迭代后，神经网络完成训练学习，完成后将训练所得参数数值输入图表, 即可通过算法模型得到预测的监督值，进而判断出具体的发电机故障类型[6]。

3.2.1 正常运行

发电机组正常运行未设置短路故障，LSTM神经网络训练结果性能见图4，将神经网络预测图和原数据观测图对比见图5。

图4 正常工况训练结果性能图

图5 正常工况预测对比图

3.2.2 单相接地短路

通过故障模块设置a相位接地短路，LSTM神经网络训练结果性能图见图6，将神经网络预测图和原数据观测图对比见图7。

图6 单相接地短路训练结果性能图

图7 单相接地短路预测对比图

3.2.2 两相短路

通过故障模块设置a和b两相相间短路，LSTM神经网络训练结果性能见图8，将神经网络预测图和原数据观测图对比见图9。

图8 两相短路训练结果性能图

图9 两相短路预测对比图

3.2.2 三相短路

通过故障模块设置abc三相短路，LSTM神经网络训练结果性能见图10，将神经网络预测图和原数据观测图对比见图11。

图10 三相短路训练结果性能图

图11 三相短路预测对比图

3.3 试验结论

图5～图11在不同故障状态下LSTM神经网络预测图有着较大的差异，对于发电机短路故障做出准确判断，训练结果和输入值的拟合程度也很高。训练结果显示出均方根误差值较小，说明变量对预测值的解释能力强。研究表明：LSTM神经网络可以很好的运用于船舶电站的故障诊断中。

4 结论

本文介绍了一种基于LSTM神经网络算法的船舶电站故障诊断模型，即基于MATLAB中的Simulink平台搭建发电机仿真模型，在此基础上针对不同的故障下对模型进行仿真，采集神经网络算法所需的数据集。算法方面选择了长短时记忆网络，LSTM网络相较其他神经网络可以实现信息的长期记忆，而且拥有更好的对预测值的解释能力。在MATLAB平台中建立好算法代码，将数据集代入，运行模型得到诊断结果。通过最后给出的结果，LSTM神经网络可以很好地完成船舶电站故障诊断的工作。