基于 BP 神經網絡的船艙溫度預警系統

王明強，錢興達，劉志強

(江蘇科技大學 機械工程學院，江蘇 鎮江 212003)

基于 BP 神經網絡的船艙溫度預警系統

王明強，錢興達，劉志強

(江蘇科技大學 機械工程學院，江蘇 鎮江 212003)

針對現有的船舶機艙的環境監測報警系統無法對船艙火災進行預警的缺點，設計一種基于 BP 神經網絡的船艙溫度預警系統。對船艙某一固定點的溫度進行模擬仿真得到預測結果，并通過與實際測得的溫度數據比較驗證系統仿真得到結果的正確性。實驗證明，該船艙溫度預測模型預測的結果與真實測得的溫度數據比較具有相對較高的準確性，可以達到溫度預測的效果，對船舶機艙對火災進行預警具有一定意義。

船艙溫度預測；BP 神經網絡；火災預警

0 引 言

船舶機艙環境監測報警系統是組成船舶自動化的重要部分，現階段我國擁有較高自動化水平的船舶自動控制和機艙報警系統等，但在火災預警等方面的自動化研究則相對較淺，導致現有的船艙環境監測系統無法進行及時的火災預警[1]。傳統的船艙測溫方式主要是直接測溫法，該方法響應時間長，不能及時反映船艙溫度的變化規律，而要想達到溫度預測，進而進行火警預警，目前采用的方法是基于實驗數據和采用線性回歸的方法，該方法需要根據大量的實驗數據建立模型，使得該方法受到一定的應用限制[2]。

目前應用于環境數據預測方面的研究大多是基于數學模型的建立，而一般基于實驗數據的線性回歸的溫度預測方法需要大量的實驗數據來預先建立數學模型，使得該方法受到一定限制。BP 神經網絡能通過誤差反傳誤差反向傳播算法學習，按照減少目標輸出與實際誤差的方向，逐層修正輸出層與個輸出層之間的連接權值，不斷完善數學模型，使之實現溫度預測的功能[3]。

1 基于 BP 神經網絡的溫度預測方法設計

1.1 現有的船艙環境溫度測試方法

現有的船舶機艙環境監控測量系統通過溫度傳感器采集船艙各個位置的溫度參數，得到輸入模擬量，通過 A/D 轉換成為數字信號，接著經高速采集卡采集存儲數據，單片機對采集到的溫度數據進行分析處理，并將處理所得的實時溫度通過顯示模塊顯示（見圖 1）。

現有的船艙環境溫度測試方法采用的溫度采集方法和數據處理方法較為簡單，可以實時顯示艙內各位置的溫度變化，但是不能起到也測溫度變化的功能，無法起到提前預警的作用[4]。

1.2 BP 神經網絡

在本船艙溫度預測模型中，利用 BP 神經網絡對溫度傳感器所測得的溫度進行預測的溫度預測算法，替代了傳統的溫度數據處理方法，與傳統的溫度預測方法相比，減少了大量建模所需的的數據，有明顯的優勢[5]。

BP 神經網絡的拓撲模型包括輸入層、隱層和輸出層，首先輸入樣本從輸入層單元傳到隱含層單元，經隱含層單元處理后產生一個輸出，傳輸至輸出層[6]（見圖 2）。

BP 神經網絡的基礎模型，第 1 層為輸入層，中間為隱含層，第T層為輸出層，假設隱含層中的某一層為第t層，第t層有p個神經元，從前 1 層輸入到第t層的第i個神經元的權值為，該隱層節點為，當輸出節點的期望值為q1時，則該隱層節點的輸出公式如下[7]：

其中

下一節點的輸出計算公式如下：

其中

1.3 基于 BP 神經網絡的溫度測試模型

本溫度預測模型為 3 層 BP 神經網絡，由輸入層、隱含層和輸出層組成，輸入層為單層輸入，含a個神經元，隱含層為單層，神經元個數為b，輸出層為單輸出，神經元個數為c[8]。本模型選取的學習樣本，輸入樣本點xi（i= 1，2，…，a）為船艙內測得的實時溫度數據，隱含層輸出節點為yj（j= 1，2，…，b），輸出層輸出節點為zk（k= 1，2，…，c）。程序流程如圖 4 所示。

2 基于 BP 網絡的溫度預測方法仿真

2.1 利用線性回歸預測溫度變化

首先利用傳統的溫度測試方法測得船舶機艙某個位置的溫度值，以獲得的溫度數據為基礎，在 Lab-VIEW 內建立的 BP 神經網絡模型內進行訓練。通過溫度測量獲得一組從無機器運行-主機啟動-平穩運行機艙機組工作狀態下的溫度變化數據。待運行穩定之后獲得一組溫度數據如表 1，并用傳統的線性回歸的溫度預測方法進行數據預測。

根據已測得的這組溫度數據求出線性回歸方程（見圖 5 ），利用線性回歸方程，得出預測的 10 個溫度數據。

由表 2 中數據比較可知，實時測得的溫度數據在某一穩定值附近波動變化，而用線性回歸方程預測的溫度數據是線性增加的。所以采用線性回歸的方法預測溫度變化存在一定誤差，且與實際情況不符。

表 1 實際測量溫度Tab.1 practical measuring temperature

表 2 預測溫度與實際溫度Tab.2 predicted temperature and actual temperature

2.2 建立 BP 神經網絡預測模型

2.2.1 具體的網絡模型

本文提取表 1 中實際測得的一組溫度數據作為訓練集，利用表 2 的數據作為測試集。本文構建 3 層 BP神經網絡，由輸入層、隱含層和輸出層組成，輸入層為單層輸入，含a個神經元，隱含層為單層，神經元個數為b，輸出層為單輸出，神經元個數為c[9]。

本模型選取的學習樣本，輸入樣本點xi（i= 1，2，…，a）為船艙內測得的實時溫度數據，隱含層輸出節點為yj（j= 1，2，…，b），輸出層輸出節點為zk（k= 1，2，…，c）。wij（i= 1，2，…，a，j= 1，2，…，b）為輸入層到隱層的權值，vjk（j= 1，2，…，b，k= 1，2，…，c）為中間層至輸出層的連接權值，相應的，?wij，?vjk分別為wij，vjk的增量，θj（j= 1，2，…，b）為中間層各單元的輸出閾值，γk（k= 1，2，…，c）為輸出層各單元的輸出閾值。

2.2.2 算法步驟

1）初始化輸入數據

由于神經網絡的輸入要求其輸入樣本值在 0～1 之間。在網絡訓練開始之前，首先對直接測得的數據進行歸一化處理：

3 溫度數據分析與預測

采用溫度測量裝置測得的一組輪機平穩運行之后的創藏溫度數據作為輸入數據，依次從這組輸入數據中讀取數據，通過建立的神經元模型獲得預測溫度。將實驗所得的預測溫度與實際溫度比較后計算得到一般化誤差，修改權值，重新開始神經網絡訓練，直到得到期望的溫度數據為止[10]。表 3 是一組數據的預測結果。

表 3 溫度預測結果與誤差Tab.3 Results of temperature prediction and error

實驗結果的數據表明，依照上述原理建立的 BP 神經網絡，預測得到的溫度數據誤差較小，平均誤差不超過 1%。

4 結 語

基于 BP 神經網絡建立的溫度預測模型具有很好的溫度預測效果，當系統運行時，首先由溫度測量系統測量一組船舶平穩運行后的溫度數據，通過系統分析該組數據得到的船艙預測溫度超出正常變化范圍時，系統可以提前發出火災預警。該預測系統的提前預警功能不僅能提高船艙安全性，降低船艙維護成本，減少因為船上火災帶來的損失，提高船舶運營的經濟性。

[1]曹玉姣.船舶機艙自動化監控系統研究[J].中國水運, 2010: 107-109.CAO Yu-jiao.Research on automatic monitoring system of marine engine room [J].China Water Transport, 2010: 107-109.

[2]劉躍.基于.NET的船舶機艙自動化及智能故障診斷技術研究[D].鎮江: 江蘇科技大學, 2007: 2-8.LIU Yue.Research on marine engine room automation and intelligent fault diagnosis technology based on .NET [D].Zhenjiang: Jiangsu University of Science and Technology, 2007: 2-8.

[3]閻平凡, 張長水.人工神經網絡與模擬進化計算[M].北京:清華大學出版社, 2000.YAN Ping-fan, ZHANG Chang-shui.Artificial neural network and evolutionary computing [M].Beijing: Tsinghua University Press, 2000.

[4]孟建偉, 黃學武.基于CAN總線的船舶機艙綜合監控系統[J].科技向導, 2012(8): 91-93.

[5]徐麗娜.神經網絡控制[M].哈爾濱: 哈爾濱工業大學出版社, 1999.XU Li-na.Neural network control[M].Harbin: Harbin Institute of Technology press, 1999.

[6]許中華, 楊偉豐, 蔣偉進.BP神經網絡學習算法的改進與應用[J].計算機工程與科學, 2004, 26(12), 61-6.XU Zhong-hua, YANG Wei-feng, JIANG Wei-jin.BP neural network learning algorithm improvement and application of [J].Computer Engineering and Science, 2004, 26 (12), 61-6.

[7]高雋.人工神經網絡原理及仿真實例[M].北京: 機械工業出版社, 2003, 49-70.GAO Jun.Artificial neural network principle and simulation examples [M].Beijing: Mechanical Industry Press, 2003, 49-70.

[8]Silnon Haykin著.葉世偉, 史忠植譯.神經網絡原理[M].北京: 機械工業出版社, 2004, 60-80.SILNON H, YE Shi-wei, SHI Zhong-zhi, translated.Neural network theory [M].Beijing: Mechanical Industry Press, 2004, 60-80.

[9]ZHANG Shou-chun, GAO Jun-bo.Design of autopilot steering alarm system on ship based on CAN-bus[C]// International Conference on Electronic and Mechanical Engineering and Information Technology (EMEIT), 2011: 4085-4088.

[10]MARITIN T, HAGAN H B, DEMUTH M B著.戴葵等譯.神經網絡設計[M].北京: 機械工業出版社, 2005, 30-45.MARITIN T, HAGAN H B, DEMUTH M B et al.Dai Kui translated.neural network design [M].Beijing: Mechanical Industry Press, 2005, 30-45.

Cabin temperature early warning system based on BP neural network

WANG Ming-qiang, QIAN Xing-da, LIU Zhi-qiang
(School of Mechanical Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, China)

Aiming at the existing ship engine room environment monitoring alarm system is unable to cabin fire warning defects, design a based on BP neural network cabin temperature warning system.The cabin of a fixed point temperature of simulation prediction results were obtained, and compared with the actual measured temperature data comparison to verify the correctness of the simulation results.Experiments show that, the cabin temperature prediction model for the prediction of the results and the real measured temperature data comparison with relatively high accuracy, can achieve the effect of temperature prediction, of ship engine room fire warning has a certain significance.

cabin temperature prediction；BP neural network；fire early warning

TP277

：A

1672-7619(2017)01-0145-05doi：10.3404/j.issn.1672-7619.2017.01.030

2016-05-30；

: 2016-06-14

王明強(1964-)，男，教授，研究方向為現代機械設計理論與方法、現代機電產品及工程開發。