模糊神經網絡在船舶電力推進系統狀態評估中的應用

梁樹甜，郝春學，王孟蓮

1 武漢船用電力推進裝置研究所，湖北武漢430064

2 中國船舶重工集團公司（青島）機電裝備有限公司，山東青島266555

0 引 言

隨著電力半導體技術、交流調速理論以及微機控制技術的迅速發展，船舶電力推進系統在機動性、可靠性、運行效率、推進功率等方面都取得了突破性的進展。其應用范圍不斷擴大，除應用于破冰船、挖泥船等工程船以外，還廣泛應用于游輪、油輪、集裝箱船、散貨船等大中型客、貨船舶，顯示出廣闊的市場前景［1］。電力推進以其諸多的優越性已成為船舶推進方式的發展方向。由于船舶電力推進系統的組成設備多、結構復雜，且運行中各設備相互關聯，其安全狀態是一個整體，所以要保證船舶電力推進系統工作的持續性和可靠性，需要從宏觀上對電力推進系統設備的運行安全進行整體的狀態評估（Condition Assessment，CA），及時發現和排除故障，減少維修工作量，實現電力推進設備的狀態維修和自動化控制［2］。

基于知識的智能評估方法是將人工智能理論和方法應用于狀態評估，其不需要建立評估對象的精確數學模型，只需引入狀態信息，就能進行準確評估，因而比較適合實際工程應用，具有很好的應用前景，是狀態評估技術的研究熱點。例如：倪麗等［3］應用模糊綜合評判理論進行電力變壓器的狀態評估，獲得了評估結果，但由于模糊綜合評判理論沒有學習能力，且模糊關系矩陣建立困難，導致評估結果的準確性不高；向木生等［4］應用BP 神經網絡對橋梁的技術狀態等級進行了狀態評估，但由于神經網絡的訓練需經過幾千次迭代才能完成，速度較慢，因而影響了狀態評估的實時性。鑒此，本文擬采用模糊理論（Fuzzy Theory，FT）和人工神經網絡（Artificial Neural Network，ANN）相結合的模糊神經網絡（Fuzzy Neural Network，FNN）方法進行船舶電力推進系統的狀態評估。

1 模糊神經網絡方法概述

基于知識的智能評估方法主要包括人工神經網絡和模糊理論，各有特點［5］。模糊神經網絡能將模糊理論與人工神經網絡適當地結合起來，組成比單獨的模糊系統或單獨的神經網絡系統性能更好的系統。模糊神經網絡適合表達模糊或定性的知識，推理方式類似于人的思維模式，能夠處理不確定性、非線性和其他不確定問題，并具有并行計算、分布式信息存儲、容錯能力強以及具備自適應學習功能等優點。目前，模糊神經網絡已在復雜系統中得到廣泛應用，具有較好的精度和效率。

1.1 模糊綜合評判

模糊綜合評判法（Fuzzy Comprehensive Evalu?ation，FCE）［6］是目前常用的基于模糊理論的狀態評估方法。對一個對象進行狀態評估，設有m 個評判級別，n 個評判指標，以此建立2個論域V，U ：

式中：V 為評判集；U 為評判指標集（也稱為因素集）；v1，v2，…，vm為m 個評判級別；u1，u2，…，un為n 個評判指標（也稱為因素）。

模糊綜合評判的關鍵在于找出因素集U 與評判集V 之間的模糊關系矩陣R。根據被評判事物的某一因素ui（i=1～n）求出其相對于各評價等級的隸屬度rij（j=1～m），記Ri=[ri1，ri2，…，rim]。當完成每個因素的單因素評價后，便可得到n 個因素的單因素評價矩陣

得到模糊關系矩陣R 后，對于因素集U 的模糊子集A={a1，a2，…，an}，通過運算A·R，就可以得到評判集V 的一個模糊子集B，從而得出評判結果。這里，模糊子集A 表示的是因素集U 各因素在評判集中所起作用的大小，即權重，所以也稱因素權重集。若運算結果B={b1，b2，…，bm}，當bj= max｛bi｝時，bj相對應的等級即為模糊綜合評判應判定的結果，即狀態評估的結果。

1.2 模糊神經網絡

結合人工神經網絡方法之后，上述模糊綜合評判的狀態評估過程可以表示為如圖1 所示的神經網絡過程。圖中，設從對象得到的歸一化后的狀態評估指標為｛g1，g2，…，gn｝。神經網絡分為3層：輸入層n 個神經元接收n 個輸入信號g1，g2，…，gn；隱含層也有n 個神經元，是根據輸入信號計算的因素集U 的一個模糊子集{a1，a2，…，an}；輸出層有m 個神經元，輸出評價集V 的一個模糊子集{b1，b2，…，bm}。網絡中，輸入層只接收和傳輸輸入信號，無計算功能，隱含層和輸出層則根據適當的算子對變量進行處理，屬于計算單元。通過觀察可以發現，隱含層與輸出層之間連線的權值與模糊關系矩陣R 的各元素一一對應，故可用模糊關系矩陣R 的各元素初始化神經網絡的權值，以此克服神經網絡初始權值設置任意性強、網絡收斂速度慢、有可能陷入局部極小困境等缺點。

圖1 模糊神經網絡的結構Fig.1 The structure of FNN

圖1 所示為模糊神經網絡的典型應用方式之一。模糊理論和神經網絡有多種結合方式［7］，其中包括：以模糊算子代替神經網絡中神經元的傳遞函數、采用模糊變量作為神經網絡的輸入信號、采用模糊參數作為神經網絡的權值。上面介紹的模糊神經網絡屬于采用模糊參數作為神經網絡權值的結合方式。

2 船舶電力推進系統狀態評估流程

船舶綜合電力推進系統按功能可劃分為供電系統、推進系統和監控系統3 個分系統。其中：供電系統包括發電機組和配電板；推進系統包括推進變壓器、推進變頻器、推進電動機、軸系及螺旋槳；監控系統包括機艙監控系統、推進操控系統和功率管理系統。本文主要研究推進系統的狀態評估。

狀態評估系統要提高評估準確率、發揮其應有的作用，基本前提是必須得到大量信息。應選取哪些參數作為狀態評估的指標，對于具體的設備要進行具體分析。為此，采用專家統計法建立了船舶電力推進系統的狀態評估指標體系，如圖2 所示。

圖2 船舶電力推進系統狀態評估指標體系Fig.2 The condition assessment index system of marine electric propulsion system

根據船舶電力推進系統的狀態評估指標體系，結合模糊神經網絡方法，構造船舶電力推進系統狀態評估流程，如圖3 所示［8］。

圖中，電力推進系統的狀態評估分為推進變壓器狀態評估、推進變頻器狀態評估、推進電動機狀態評估、其他設備狀態評估和外環境狀態評估5 個部分，分別進行狀態評估，然后根據各部分對整個系統的權重對系統進行綜合評估，得出評分結果。評估結果采取百分制，為0～100 分。0 分表示狀態評估指標接近或超過規定的注意值；100分則表示所有狀態評估指標均遠離注意值或與優質產品的出廠值相近，即電力推進完全處于正常狀態，無需維護；其他情形的狀態評分介于0 分與100 分之間。根據評估分數，把電力推進系統的運行狀態分為優、良、中、差、劣5 個類別［9］，各運行狀態的分數及維修策略見表1。

圖3 船舶電力推進系統狀態評估流程Fig.3 The condition assessment flow chart of marine electric propulsion system

表1 電力推進系統運行狀態分類Tab.1 The running state classification of electric propulsion system

3 基于模糊神經網絡的狀態評估模型

3.1 船舶電力推進系統狀態評估模型

船舶電力推進系統狀態評估流程將電力推進系統的狀態評估分為5 個部分，所以為每個部分建立一個模糊神經網絡的狀態評估子網絡，將各子網絡的評估結果乘以權值并求和，即可得到系統的狀態評估結果。由此設計的船舶電力推進系統狀態評估模糊神經網絡模型如圖4 所示。

圖中，N1～N5 為5 個模糊神經網絡，稱為整個模糊神經網絡狀態評估系統的子網絡，表示電力推進系統狀態評估的5 個部分：推進變壓器、推進變頻器、推進電動機、其他設備和外環境。其中每個子網絡由于評估設備的不同，輸入節點和輸出節點也不同。網絡模型的第2 層根據第1 層判定的設備所處的狀態求出設備的狀態評估分grade1～grade5，第3 層根據grade1～grade5 和各設備的權重求出電力推進系統狀態評估的最終評分grade。

圖4 船舶電力推進系統狀態評估模糊神經網絡模型Fig.4 The condition assessment FNN model of marine electric propulsion system

3.2 狀態評估的步驟

針對某個模糊神經網絡子網絡，狀態評估的步驟如圖5 所示。

圖5 模糊神經網絡狀態評估的步驟Fig.5 The condition assessment steps of FNN

1）確定評判集V 、因素集U 。

評判集和因素集的內容要根據具體的評估對象而定，一般格式為V={f1，f2，…，fp，l1，l2，…，lq}，U={g1，g2，…，gn} 。其中：評判集中的f1，f2，…，fp表示對象的p 種故障，l1，l2，…，lq表示對象的q種正常模式；因素集中的g1，g2，…，gn表示輸入的n 個狀態評估指標。

2）確定隸屬函數。

只有確定了隸屬函數，才能建立模糊關系矩陣R。隸屬函數有專家打分法、模糊統計法、指派法等多種確定方法。

3）建立模糊關系矩陣R 并初始化神經網絡。

4）樣本歸一化。

樣本的歸一化是指將訓練樣本中所有的數據參數采用極差標準化方法予以標準化，標準化后的數據值在[0，1] 之間，歸一化樣本能提高精確度，減少計算誤差，簡化數據運算，加快訓練模型的收斂速度。歸一化公式如下：

式中：x(i)為樣本中待歸一的值；max x(i)，min x(i)分別為該樣本中的極大和極小值。

5）訓練神經網絡。

用歸一化后的訓練樣本對神經網絡進行訓練。MATLAB 仿真軟件提供有Neural Network Toolbox（神經網絡工具箱），工具箱中包括各種神經網絡的計算函數［10-11］，其中train（）函數是神經網絡的訓練函數，此函數可設置訓練誤差和訓練次數，調用方便。

6）狀態評估。

將評估數據輸入到訓練好的模糊神經網絡中進行狀態評估，最后得到評估結果。

4 仿真試驗

本研究以某實船應用的電力推進系統為例進行狀態評估仿真試驗。由圖3 可知，船舶電力推進系統狀態評估分為5 個部分，首先進行推進變壓器的狀態評估。該電力推進系統推進變壓器的參數為：額定功率1 450 kVA，初級電壓660 V，次級電壓690 V，絕緣等級F 級，額定電流1 220 A。

選取因素集U={g1，g2，g3，g4}= {繞組溫度，溫度變化值，輸出電流，輸出電壓}，評判集V={f1，f2，f3，f4，l1，l2}={繞組過熱，溫度上升過快，過流，過壓，正常1，正常2}。其中，“正常1”表示系統以額定功率的一半運行，“正常2”表示系統滿功率運行。

采用指派法的半梯分布函數并結合專家建議確定隸屬函數，繞組溫度屬于“繞組過熱”的隸屬函數為

繞組溫度屬于“溫度上升過快”、“過流”、“過壓”無隸屬關系，即r12=r13=r14=0。

繞組溫度屬于“正常1”、“正常2”的隸屬函數分別為：

同理，可以得到其他隸屬函數。取U={110，0，800，690}，得到模糊關系矩陣

用R 初始化模糊神經網絡，并用如表2 所示的訓練樣本歸一化后進行神經網絡的訓練，得到如圖6（a）所示的訓練曲線。

圖6（b）所示為沒有經過初始化的普通人工神經網絡的訓練曲線，可見模糊神經網絡與普通神經網絡相比其訓練速度提高了約6 倍，且收斂性較好。

為測試模糊神經網絡的準確性，將表3 所示的測試樣本輸入到訓練完成的模糊神經網絡，得到模糊關系矩陣

表2 訓練樣本Tab.2 Training samples

圖6 訓練曲線Fig.6 Training curves

表3 測試樣本Tab.3 Test samples

可見，模糊神經網絡的準確性較高。

把某一時刻的輸入值U={101.5，0.01，837.1，690.6}輸入到推進變壓器狀態評估的模糊神經網絡，計算結果為V={0.000 1，0.049 2，0，0，0.999 5，0.000 1}，可判斷此時推進變壓器為“正常1”狀態，進行相關計算，得到狀態評估分為grade1=98.5。

電力推進系統其他設備狀態評估的模糊神經網絡與推進變壓器原理相同，此處不再贅述。求出其他設備的狀態評估分后，根據各設備對總評分的權重，可得到系統狀態評估的總評分為

上式中，各權重經專家統計法取為［12］

5 結 語

本文對船舶電力推進系統的狀態評估方法進行了研究，將模糊神經網絡狀態評估技術引入到船舶電力推進系統的狀態評估中，提出了船舶電力推進系統狀態評估流程、基于模糊神經網絡的船舶電力推進系統狀態評估模型和具體的評估步驟。通過仿真試驗，表明與普通人工神經網絡相比，模糊神經網絡具有較快的收斂速度和較好的收斂性，其在船舶電力推進系統狀態評估中具有較高的準確性和實用價值。

［1］韓輝. 變壓器狀態評估系統的研究與實現［D］. 保定：華北電力大學，2009.

［2］王麗麗，戴迪，王成江，等.電力變壓器狀態評估方法綜述［J］.電氣開關，2010，48（2）：4-6.WANG Lili，DAI Di，WANG Chengjiang，et al. Sum?mary of state estimate method of a power transformer［J］.Electric Switchgear，2010，48（2）：4-6.

［3］倪麗，宋士賢，盧成光，等. 電力變壓器的實時狀態評估［J］.電氣技術，2012（10）：13-16.NI Li，SONG Shixian，LU Chengguang，et al. Re?al-time condition assessment for power transformer［J］.Electrical Engineering，2012（10）：13-16.

［4］向木生，陳健，劉瑞. 基于BP 神經網絡的橋梁技術狀態評估［J］.交通科技，2011（5）：41-44.XIANG Musheng，CHEN Jian，LIU Rui. Assessment of the bridge technical state based on the BP neural net?work［J］. Transportation Science ＆ Technology，2011（5）：41-44.

［5］王美剛. 基于模糊理論的電力變壓器狀態評估［D］.保定：華北電力大學，2007.

［6］謝季堅，劉承平.模糊數學方法及其應用［M］.3 版.武漢：華中理工大學出版社，2000.

［7］周東華，葉銀忠. 現代故障診斷與容錯控制［M］. 北京：清華大學出版社，2000.

［8］HAN Y，SONG Y H. Condition monitoring techniques for electrical equipment ——A literature survey［J］.IEEE Transactions on Power Delivery，2003，18（1）：4-13.

［9］陶國慧. 基于模糊綜合評判的引風機狀態維修的研究［D］.武漢：華中科技大學，2005.

［10］叢爽. 面向MATLAB 工具箱的神經網絡理論與應用［M］.合肥：中國科學技術大學出版社，2003.

［11］ZHANG Y，DING X，LIU Y，et al. An artificial neu?ral network approach to transformer fault diagnosis［J］. IEEE Transactions on Power Delivery，1996，11（4）：1836-1841.

［12］王孟蓮，馬丹，沈楓，等.艦船電力推進系統故障診斷技術研究［J］.船電技術，2010，30（12）：1-4.WANG Menglian，MA Dan，SHEN Feng，et al. Re?search of fault diagnose technology to a ship's electric propulsion system［J］. Marine Electric ＆ Electronic Technology，2010，30（12）：1-4.