基于SOM神經網絡的船舶分油機故障診斷研究*

李沁生，于家鳳

?

基于SOM神經網絡的船舶分油機故障診斷研究*

李沁生，于家鳳

（江蘇海事職業技術學院輪機工程學院，南京211170）

為了實現對船舶分油機故障的智能診斷, 提出一種基于SOM神經網絡的診斷方法。首先，在分析分油機典型故障及特征參數的基礎上，提取故障特征向量并建立學習樣本。其次，建立了SOM網絡模型，通過樣本數據集進行訓練，獲取了輸入與輸出間的非線性映射。最后將建立的SOM網絡應用于分油機的故障分類和診斷。實驗驗證表明：該方法診斷準確度高和對不同故障識別的適應性強，是一種可行有效的分油機故障智能診斷方法。

船舶分油機 故障診斷 SOM神經網絡

0 引言

分油機是船舶柴油機的燃油系統和滑油系統中必備的輔機設備。大型海船的柴油機普遍采用低質燃油，以降低燃油成本。低質燃油必須使用分油機凈化，以快速除去其中的水分和雜質，此外柴油機的曲軸箱滑油也需要定期使用分油機凈化。處于故障狀態的分油機必然會使油凈化的品質變差，燃油與滑油的凈化質量將直接影響柴油機的可靠運行和使用壽命，所以確保分油機的正常運行成為船舶柴油機安全運行的必要條件之一。因分油機使用時起停頻繁、結構復雜，故障因素繁多且相互交錯[1]。當故障出現時，普遍采用人工診斷和憑經驗拆檢分油機的方式來查找故障。這樣不但效率低下，還會因人為失誤而不能夠準確判斷故障原因，或裝復不符合要求而引發新故障。為了保證分油機的正常運行，準確快速判斷故障原因，需要開展分油機故障診斷技術的研究，特別是船舶分油機智能故障診斷系統的研究，從狀態參數實時監控的角度提高其運行可靠性。

人工神經網絡(ANN)是在神經學和數學等學科交叉的基礎上提出并發展起來的，模擬人腦神經元結構及激發活動的一種非線性數學模型。通過設計合適的結構和學習算法，可以使ANN具有從大量數據中提取知識的能力，能夠建立高度非線性的輸入輸出映射關系。ANN是人工智能理論的基石之一，在模式識別、數據挖掘、智能控制、系統辨識、基于數據的預測分析和故障診斷等領域得到廣泛的應用[2,3,4]。因SOM神經網絡具有無監督學習、自組織、自優化等優良特性，本研究中選用SOM神經網絡進行分油機的故障診斷。

1 SOM神經網絡模型

SOM(Self-Organizing Feature Map)神經網絡，在1987年由芬蘭赫爾辛基大學Teuvo.Kohonen教授提出，也稱Kohonen 網絡或競爭網絡。典型的二層SOM網絡結構如圖1所示，該網絡由下面輸入層和上面的輸出層(也稱為競爭層)組成。輸入層為m個神經元，輸出層為n×k個相互連接的神經元排列出的二維平面，輸入層神經元與輸出層神經元之間實現全連接。

通過計算和比較輸入層數據之間的相似度，SOM能夠自動將相似度越高的輸入在網絡上配置得越近，因此SOM可以對不同輸入數據按照相似度進行自動聚類，即對不同輸入數據代表的模式進行分類。該網絡是一類自組織、無監督競爭學習網絡。SOM網絡的學習算法[2,3,4]可歸納如下：

1）初始化輸入層和競爭層之間的權值，這里設置為0～1之間的隨機數。在輸出神經元中選取j個“鄰接神經元”的集合。記為時刻t的“鄰接神經元”的集合, t從0開始。隨著時間t的增長不斷減小。

3）計算競爭層各神經元的權值向量和輸入向量的歐式距離。按下式計算輸入向量與競爭層的第j個神經元的距離

4）勝出神經元j* 及其“鄰接神經元”的權值,按下式修正:

6) 如達到設定要求則停止;否則，返回步驟(2) ，繼續學習。

2 應用SOM進行分油機故障診斷

2.1 標準故障模式特征數據集的建立

本案例根據文獻[1]建立的故障樹模型總結出了一個含有8個故障模式的樣本數據集：正常排渣工況(F1)、正常分油工況(F2)、出水口跑油(F3)、排渣口跑油(F4)、出油水份高(F5)、分油機振動(F6)、排渣困難(F7)、正常密封工況(F8)。每個故障樣本中有8個特征參數，分別是:進油量(P1)、進油溫度(P2)、水封水壓力(P3)、密封水壓力(P4)、出油壓力(P5)、轉速(P6)、電流(P7)、比重環內徑(P8)，使用SOM神經網絡進行故障診斷。標準故障樣本數據集如表1所列（數據已歸一化)。

2.2 分油機的SOM神經網絡故障診斷軟件的實現步驟

1）盡可能選取覆蓋所有標準故障模式的數據樣本，組成標準故障樣本庫，導入軟件系統；

2）運行程序，對每一種標準故障樣本進行學習訓練。訓練結束后，標記該標準故障為最大輸出神經元在競爭層的位置；

3）輸入待檢樣本到SOM神經網絡中，運行程序，進行分類；

4）分類結果分析，若待檢樣本輸出神經元在輸出層的位置與某標準故障樣本的位置相同，說明待檢樣本屬于該標準故障;若待檢樣本輸出神經元在輸出層的位置，與標準故障樣本的位置不吻合，而是介于幾種標準故障樣本的位置之間，說明待檢樣本有可能都屬于這幾種標準故障，待測樣本與這幾種標準故障的相似度由其位置距離相應標準故障樣本位置的遠近確定。

競爭層的拓撲結構如圖2所示，是由6×6=36個六邊形神經元組成的二維平面陣列。SOM 網絡訓練步數分別設置為10，50，100，200，300，700，1 000，對8個標準故障樣本進行訓練分類，分類結果如表2 所示。

由表2可知，當訓練步數為10時，故障原因F2、F8被劃分為獨立的2類，故障原因F1、F3、F8 歸為一類，故障原因F5、F6歸為同類，故障原因F4、F7歸為同類。這表明SOM網絡對標準故障樣本完成了粗略分類，還有部分故障類別沒有被獨立分開。當訓練步數為10、50時，8種標準故障類型沒有被完全分開，但是可以看出訓練步數越長，分類越細化。加大訓練步數，就可實現完全分離。當訓練步數達到100以上時，每個樣本都被劃分成一類，8 種故障類型實現完全分離。當訓練步數為1000時，運行程序后，8種標準故障完全被獨立分開，代表這8種標準故障的最終競爭勝出的神經元在競爭層中的分布情況如圖2中藍色六邊形位置分布所示。

標準故障樣本經過1000步SOM網絡訓練之后，將如表3所示的3組分油機故障數據作為待測樣本集輸入網絡進行故障診斷。

經過診斷后，3組故障分類結果分別為3、25、10，對照表2中訓練步數為1000時的分類結果，我們可判斷待測故障樣本集分別對應為第F8、F6、F5類標準故障。SOM對待測樣本的診斷結果與待測樣本發生的實際故障相一致，而且，從SOM 的訓練到診斷結果的輸出用時短。可見，SOM 網絡對分油機故障實現了準確診斷。

3 結論

本文選取了廣泛應用于模式識別領域的SOM神經網絡對船舶分油機故障進行診斷分類。通過本研究表明：SOM 神經網絡自學習能力強，在無監督的條件下，快速實現了對網絡拓撲結構和輸入的分布情況的同時自學習。SOM神經網絡對船舶分油機故障的分類和識別達到了又準又快的效果，為船舶分油機故障診斷提供了一種簡捷有效的智能診斷方法。

參考文獻：

[1] 李沁生. FTA在船舶分油機故障診斷中的應用[J].中國修船，2010，23（1）：25-28.

[2] 張靜. 基于SOM 的變壓器故障診斷研究[J].電力學報，2014 ，29（4）：318-321.

[3] 印洪浩，彭中波. 船用離心泵故障SOM網絡診斷方法[J]. 中國航海，2012，35（2）：24-28.

[4] 史峰，王小川. Matlab 神經網絡30個案例分析[M]. 北京：北京航空航天大學出版社，2010.

SOM Neural Networks-based Fault Diagnosis for Marine Separator

Li Qinsheng, Yu Jiafeng

（Marine Engineering College of Jiangsu Maritime Institute, Nanjing 211170, Jiangsu, China）

U665

A

1003-4862（2016）11-0010-03

2016-06-15

江蘇海事職業技術學院院級課題（2012A3-08，2015KJZD-03）,江蘇省“青藍工程”資助

李沁生（1983-），男，碩士，講師。研究方向：輪機自動化與智能化。