基于神經網絡的船舶主機零件磨損監測方法的研究

李長青，林彬，魏海濱

（1.象山縣港航管理中心，浙江 寧波 315700；2.舟山市定海興舸船舶設計有限公司，浙江 舟山 316000）

船舶主機是船舶的“心臟”，保持船舶主機良好的工作狀態是輪機技術管理的關鍵內容，在船舶主機潤滑油中，磨損性金屬元素信息能夠反映主要零部件實時磨損狀況，借助油液分析技術，可使主要磨損件的失效被提前發現，從而避免惡性事故的突然發生。

在船舶機械領域，油液光譜分析技術已被用于船機設備的工況監測、故障診斷和狀態預測，油液中的磨損性元素的信息可以被有效地檢測出來，通過分析，可獲得油液的污染情況、添加劑的狀況的有效信息。油液光譜分析可完成以下兩項工作。

（1）磨損零件和部位判定，檢測磨損金屬成分、磨屑的形貌觀察，可判定出摩擦副的部位和磨損程度。

（2）易損件磨損趨勢的預測。本項研究為上面的第二項工作，將光譜技術運用到船舶主機的油液分析中，對主機的運行狀態進行動態監測，從而實現故障趨勢的預判，并采用相應的預知性維修手段，重大事故的發生得到有效避免，其中，光譜數據預測模型的建立有著非常重要的意義。

1 構建神經網絡

1．1 BP神經網絡的構建

（1）BP神經網絡的模型設計。在用于故障預測的神經網絡模型中，BP神經網絡應用比較廣泛，三層的神經元：輸入層、隱含層和輸出層，上下層之間全連接，每層神經元之間無連接，每個神經元的激勵函數為Sigmoid函數。

（2）BP神經網絡的設計。用于BP神經網絡的許多函數被包含在MATLAB神經網絡工具箱中，表1給出了BP網絡的常用函數。

圖1 BP 神經網絡模型

表1 BP網絡的常用函數

網絡的層數：由于三層網絡可以逼近任意非線性函數，模型采用輸入層、隱含層和輸出層的三層結構。

輸入、輸出層節點的數量：歷史的光譜數據被均分為50份，輸入為連續的10個數據， 第11個數據作為輸出，這樣10為輸入層節點數，1為輸出層節點數。

歸一化處理網絡數據：為了網絡訓練獲得更快的速度，更高精度的結果，樣本數據采用歸一化處理，輸入、輸出數據都被映射到[-1，1]范圍內，具體見下式：

隱含層節點數：隱含層節點數通過以下經驗公式來獲得：

傳遞函數：雙曲正切tansig傳遞函數被作為隱含層傳遞函數。

1．2 遺傳神經網絡

（1）遺傳網絡的實現步驟。

①隨機地建立初始群體，該群體由串形式編碼組成，個體數目取值為50。

②在計算群體中，個體的適應度的確定。首先，制定出轉換規則，該規則滿足目標函數值與個體適應度的轉換。

③為了新群體的產生，遺傳操作被進行，主要內容包括選擇、交叉和變異。

④反復執行上述步驟，一旦達到終止條件，最佳個體被選擇為結果。具體的步驟可詳見圖2。

圖2 遺傳算法的流程

（2）遺傳網絡的構建。

①初始化種群，由于種群規模是50，所以遺傳代數也為50，然后，進行針對網絡參數的編碼操作。

②計算個體適應度可用誤差平方和的倒數來表示。

③MATLAB工具箱被調用，經過反復的迭代，最優的閾值和權值可獲得。

④閾值和權值被用來訓練，如果目標精度未達標，則初始的閾值和權值被重啟、訓練，若精度達標則下一步繼續。

⑤閾值和權值輸出，訓練結束。對所選的閾值和權值進行預測，與算法進行比對，最后輸出預測結果。

3 神經網絡在船舶主機上的應用實例

3．1 BP神經網絡在船舶主機的應用

以磨損中的鐵屑為分析對象，油液光譜數據來源于某船主機，共獲得15個時間序列，對實驗數據進行曲線擬合，采用等間距離散法，獲得50個離散時間序列。

圖3 基于BP網絡的潤滑油鐵金屬含量預測結果

3．2 遺傳神經網絡在船舶主機上的應用

采用上面的時間序列離散方法，獲得50個離散時間變量。

圖4 基于遺傳網絡的潤滑油鐵金屬含量預測結果

3．3 兩種方法的比較

遺傳算法和神經網絡相結合，對光譜數據，即采用遺傳神經網絡進行預測，預測結果表明：基于遺傳神經網絡的預測結果，預測曲線與實際曲線誤差更小、更接近。

4 結語

（1）從應用實驗結果來看，基于BP神經網絡的預測結果明顯不如遺傳神經網絡算法的結果。遺傳算法具有全局選優的特征，通過優化神經網絡的各層閾值和權值，BP網絡的隨機選取初始權值的“盲目性”，通過運用遺傳算法得到了克服，閾值和權值的優選結果，使得預測結果更加穩定，也更接近實際值。

（2）頻繁的換油，極大地破壞了磨損數據的線性趨勢，采樣數據的增加和預處理，可以增加預測的準確性。