李沁生，于家鳳

?

基于SOM神經(jīng)網(wǎng)絡(luò)的船舶分油機故障診斷研究*

李沁生，于家鳳

（江蘇海事職業(yè)技術(shù)學院輪機工程學院，南京211170）

為了實現(xiàn)對船舶分油機故障的智能診斷, 提出一種基于SOM神經(jīng)網(wǎng)絡(luò)的診斷方法。首先，在分析分油機典型故障及特征參數(shù)的基礎(chǔ)上，提取故障特征向量并建立學習樣本。其次，建立了SOM網(wǎng)絡(luò)模型，通過樣本數(shù)據(jù)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(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)

0 引言

分油機是船舶柴油機的燃油系統(tǒng)和滑油系統(tǒng)中必備的輔機設(shè)備。大型海船的柴油機普遍采用低質(zhì)燃油，以降低燃油成本。低質(zhì)燃油必須使用分油機凈化，以快速除去其中的水分和雜質(zhì)，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(tài)的分油機必然會使油凈化的品質(zhì)變差，燃油與滑油的凈化質(zhì)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(jié)構(gòu)復雜，故障因素繁多且相互交錯[1]。當故障出現(xiàn)時，普遍采用人工診斷和憑經(jīng)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(fā)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(shù)的研究，特別是船舶分油機智能故障診斷系統(tǒng)的研究，從狀態(tài)參數(shù)實時監(jiān)控的角度提高其運行可靠性。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是在神經(jīng)學和數(shù)學等學科交叉的基礎(chǔ)上提出并發(fā)展起來的，模擬人腦神經(jīng)元結(jié)構(gòu)及激發(fā)活動的一種非線性數(shù)學模型。通過設(shè)計合適的結(jié)構(gòu)和學習算法，可以使ANN具有從大量數(shù)據(jù)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(guān)系。ANN是人工智能理論的基石之一，在模式識別、數(shù)據(jù)挖掘、智能控制、系統(tǒng)辨識、基于數(shù)據(jù)的預測分析和故障診斷等領(lǐng)域得到廣泛的應用[2,3,4]。因SOM神經(jīng)網(wǎng)絡(luò)具有無監(jiān)督學習、自組織、自優(yōu)化等優(yōu)良特性，本研究中選用SOM神經(jīng)網(wǎng)絡(luò)進行分油機的故障診斷。

1 SOM神經(jīng)網(wǎng)絡(luò)模型

SOM(Self-Organizing Feature Map)神經(jīng)網(wǎng)絡(luò)，在1987年由芬蘭赫爾辛基大學Teuvo.Kohonen教授提出，也稱Kohonen 網(wǎng)絡(luò)或競爭網(wǎng)絡(luò)。典型的二層SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)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(jīng)元，輸出層為n×k個相互連接的神經(jīng)元排列出的二維平面，輸入層神經(jīng)元與輸出層神經(jīng)元之間實現(xiàn)全連接。

通過計算和比較輸入層數(shù)據(jù)之間的相似度，SOM能夠自動將相似度越高的輸入在網(wǎng)絡(luò)上配置得越近，因此SOM可以對不同輸入數(shù)據(jù)按照相似度進行自動聚類，即對不同輸入數(shù)據(jù)代表的模式進行分類。該網(wǎng)絡(luò)是一類自組織、無監(jiān)督競爭學習網(wǎng)絡(luò)。SOM網(wǎng)絡(luò)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(quán)值，這里設(shè)置為0～1之間的隨機數(shù)。在輸出神經(jīng)元中選取j個“鄰接神經(jīng)元”的集合。記為時刻t的“鄰接神經(jīng)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(jīng)元的權(quán)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(jīng)元的距離

4）勝出神經(jīng)元j* 及其“鄰接神經(jīng)元”的權(quán)值,按下式修正:

6) 如達到設(shè)定要求則停止;否則，返回步驟(2) ，繼續(xù)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(shù)據(jù)集的建立

本案例根據(jù)文獻[1]建立的故障樹模型總結(jié)出了一個含有8個故障模式的樣本數(shù)據(jù)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(shù)，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(zhuǎn)速(P6)、電流(P7)、比重環(huán)內(nèi)徑(P8)，使用SOM神經(jīng)網(wǎng)絡(luò)進行故障診斷。標準故障樣本數(shù)據(jù)集如表1所列（數(shù)據(jù)已歸一化)。

2.2 分油機的SOM神經(jīng)網(wǎng)絡(luò)故障診斷軟件的實現(xiàn)步驟

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

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

3）輸入待檢樣本到SOM神經(jīng)網(wǎng)絡(luò)中，運行程序，進行分類；

4）分類結(jié)果分析，若待檢樣本輸出神經(jīng)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(jīng)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(jié)構(gòu)如圖2所示，是由6×6=36個六邊形神經(jīng)元組成的二維平面陣列。SOM 網(wǎng)絡(luò)訓練步數(shù)分別設(shè)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(jié)果如表2 所示。

由表2可知，當訓練步數(shù)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(wǎng)絡(luò)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(shù)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(shù)越長，分類越細化。加大訓練步數(shù)，就可實現(xiàn)完全分離。當訓練步數(shù)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(xiàn)完全分離。當訓練步數(shù)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(jīng)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(jīng)過1000步SOM網(wǎng)絡(luò)訓練之后，將如表3所示的3組分油機故障數(shù)據(jù)作為待測樣本集輸入網(wǎng)絡(luò)進行故障診斷。

經(jīng)過診斷后，3組故障分類結(jié)果分別為3、25、10，對照表2中訓練步數(shù)為1000時的分類結(jié)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(jié)果與待測樣本發(fā)生的實際故障相一致，而且，從SOM 的訓練到診斷結(jié)果的輸出用時短。可見，SOM 網(wǎng)絡(luò)對分油機故障實現(xiàn)了準確診斷。

3 結(jié)論

本文選取了廣泛應用于模式識別領(lǐng)域的SOM神經(jīng)網(wǎng)絡(luò)對船舶分油機故障進行診斷分類。通過本研究表明：SOM 神經(jīng)網(wǎng)絡(luò)自學習能力強，在無監(jiān)督的條件下，快速實現(xiàn)了對網(wǎng)絡(luò)拓撲結(jié)構(gòu)和輸入的分布情況的同時自學習。SOM神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)診斷方法[J]. 中國航海，2012，35（2）：24-28.

[4] 史峰，王小川. Matlab 神經(jīng)網(wǎng)絡(luò)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(yè)技術(shù)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。