神經網絡和證據理論融合的尾軸承磨損故障診斷

王永堅, 陳景鋒, 楊小明

(1.集美大學 輪機工程學院，福建 廈門 361021；2.福建省廈門輪船公司，福建 廈門 361021)

神經網絡和證據理論融合的尾軸承磨損故障診斷

王永堅1, 陳景鋒1, 楊小明2

(1.集美大學 輪機工程學院，福建 廈門 361021；2.福建省廈門輪船公司，福建 廈門 361021)

為克服鐵譜、光譜、理化和顆粒計數等4種油液檢測分析方法在船舶尾軸承磨損故障診斷中存在的準確性偏差等問題，提出運用神經網絡和D-S證據理論對尾軸承磨損故障進行融合診斷。依據各分析方法的標準磨損界限值，將各檢測原始數據預處理轉換為布爾值，運用神經網絡算法獲取每種檢測方法的故障域單項診斷結果。利用D-S證據理論融合各單項故障診斷結果，以獲得更為準確的診斷結果，并通過具體的案例驗證方法的準確性。

船舶工程；船舶尾軸承；油液分析；神經網絡；D-S證據理論；磨損故障

船舶尾軸管裝置(尾軸承及尾軸)是推進裝置軸系組成設備中最關鍵的部件之一，其穿出船體與螺旋槳相連，工作條件十分惡劣，除了需要承受各種機械應力、海水腐蝕之外，還存在嚴重的摩擦磨損問題。[1]油潤滑尾軸及軸承工作狀態較差，不僅影響船舶安全航行，而且會對海洋環境造成嚴重污染。因此，運用科學、有效的檢測方法，定期檢測尾軸及軸承工作狀態，及時發現故障問題，提出故障診斷意見，指導輪機管理人員及時檢修尾軸承和科學換油，對確保船舶安全航行和保護海洋環境具有重要作用。[2]應用油液檢測技術與先進故障分析理論監測船舶尾軸承磨損故障，對及時發現故障進而采取科學的檢修措施、降低故障發生率具有顯著的現實意義，已成為尾軸承維護保養的重要手段之一。

1 船舶尾軸承磨損故障診斷流程

尾軸管裝置一般由尾軸管、尾軸承、密封裝置以及潤滑、冷卻部分等組成。[1]基于神經網絡和D-S(Dempster-Shafter)證據理論的船舶尾軸承磨損故障診斷研究方法與技術手段見圖1，基本思路為：

1.根據受控船舶(57 000載重噸散貨船)油潤滑尾軸承(鉛基巴氏白合金PbSb10Sn6)最常見的磨損故障類型確定故障域(正常磨損、過度磨損、擦傷、裂紋、金屬剝落、燒熔等)。

圖1 基于神經網絡與D-S證據理論融合的船舶尾軸承磨損故障診斷流程圖

2.定期送檢尾軸承油樣理化指標、鐵譜、光譜和顆粒計數(污染度)測取的檢測數據，與行業專家和輪機管理人員建議的評判標準極限值(閾值)比較后，對各檢測原始數據進行預處理。

3.基于神經網絡理論獲取每種檢測方法的故障域診斷結果。

4.利用D-S證據理論融合各檢測分析方法對故障域的單項診斷結果，獲取更為準確的尾軸承磨損故障診斷結果，為船舶的日常維護保養提供重要的技術保障和決策支持。

2 基于神經網絡的尾軸承油樣檢測數據分析與故障診斷

2.1BP神經網絡與油樣訓練樣本

BP神經網絡由輸入矢量層、多個隱含層以及輸出層組成。[3]BP算法是一類有導學習算法。船舶尾軸承BP算法中的訓練樣本是從行業專家和經驗豐富的輪機管理人員的長期經驗總結和科學判斷中獲得的，尾軸承BP算法中的油樣檢測數據的訓練樣本分為鐵譜、光譜、理化指標分析、顆粒計數等4類子網絡訓練樣本。

2.2尾軸承油樣檢測數據故障征兆預處理

由于運用4種油液檢測分析方法得到的診斷數據的數值及量綱均不相同[4]，為便于后續分析，在進行神經網絡診斷分析和D-S融合診斷前，必須對各原始檢測數據進行預處理。預處理的主要方法是：將4種帶有故障征兆的檢測數據與行業專家和輪機管理人員建議的評判標準界限值(閾值)相比較，處于正常范圍內的值標為0，超出界限值的標為1，這樣就將具有故障征兆的4種原始數據轉換為0和1的布爾值。

在船舶尾軸承油樣分析中，理化分析的原始數據選擇有100 ℃和40 ℃的運動黏度、機械雜質及水分含量等。根據理化指標與尾軸承故障模式的對應關系，通過預處理得到的輸出結果為：運動黏度超標SP1；機械雜質超標SP2；其他理化指標超標SP3。

鐵譜檢測原始數據為各類磨粒的百分比[5]，通過預處理得到的輸出結果為：球狀磨粒SF1；層狀磨粒SF2；疲勞磨粒SF3；切削磨粒SF4；嚴重滑動磨粒SF5；腐蝕磨損SF6；污染物顆粒SF7；紅色氧化物磨粒SF8；黑色氧化物磨粒SF9。

光譜分析中，檢測的金屬類型與尾軸承材料有關[6]，此受控船舶尾軸承采用鉛基巴氏白合金，檢測獲得的原始數據中選擇與故障域關聯度緊密的Fe，Cu，Cr，Sb，Sn，Pb，Na等元素的百萬分比濃度[7]。通過預處理得到：Fe元素濃度超標S1；Cu元素濃度超標S2；Cr元素濃度超標S3；Sb元素濃度超標S4；Sn元素濃度超標S5；Pb元素濃度超標S6；Na元素濃度超標S7。

尾軸承油樣顆粒計數檢測分析中，由于檢測獲得的各擋尺寸顆粒(5～15 μm，15～25 μm，25～50 μm，50～100 μm，≥100 μm)的具體數量與尾軸承的故障域無法對應，因此只能通過判斷油樣污染度是否超標進行預處理得到：污染度超標SC1。

2.3基于神經網絡單項檢測方法故障診斷

BP神經網絡多層前饋網絡的分類能力與網絡信息容量有關，為解決因網絡參數太少而無法表達樣本中蘊涵的規律以及網絡參數過多樣本信息少而得不到充分訓練的問題，采用3層BP神經網絡對尾軸承油樣檢測獲得的分析數據進行磨損故障分析，以獲得較為可靠的診斷結果。

BP神經網絡船舶尾軸承磨損故障診斷系統包括鐵譜、光譜、理化分析和顆粒計數等4類子系統，其中子系統輸入的是各種原始數據通過預處理得到的布爾值0或1。根據行業專家和輪機管理人員的綜合意見確定尾軸裝置故障域為：正常磨損(F1)，過度磨損(F2)，擦傷(F3)，裂紋(F4)，金屬剝落(F5)，燒熔(F6)；在不同子系統中，分別用AFn(鐵譜)、BFn(光譜)、CFn(理化)、DFn(顆粒計數)表示。

根據行業專家和輪機管理人員多年的經驗知識得到的4種檢測數據神經網絡的訓練樣本見表1～表4。由于輸入樣本不同，所建立的網絡結構參數也不同。如確定鐵譜子系統網絡結構參數的基本方法為：輸入層有9個神經元，輸出層有6個神經元，隱含層節點數的選擇直接影響網絡對復雜問題的映射能力，因此采用試湊法確定最佳隱節點數。首先設置較少的隱節點訓練網絡，然后逐漸增加隱節點數，用同一個本集進行訓練，從而確定網絡誤差最小時對應隱層應該有20個神經元，最終獲得鐵譜網絡結構參數為9-20-6。按此方法，可得光譜網絡結構參數為7-15-6，理化指標網絡結構參數為3-7-6，顆粒計數網絡結構參數為1-6-6。

表1 鐵譜子網絡的訓練樣本

表2 光譜子網絡訓練樣本

表3 理化指標分析子網絡訓練樣本

表4 顆粒計數子網絡訓練樣本

3 尾軸承磨損故障D-S證據理論融合診斷

D-S證據理論是目前決策層融合中最常用的方法之一，證據理論的基礎是證據合并和信任函數的更新，其對不確定性的描述[8]是通過識別框架、基本概率分配函數以及信任函數等的概念來進行的。

3.1識別框架與基本信任分配函數

設互不相容事件的完備集合Θ為識別框架，可表示為：Θ={θ1,θ2,…,θj,…,θn}，θj為識別框架Θ的一個事件或元素，n為元素個數；由識別框架Θ的所有子集組成的一個集合稱為Θ的冪集，記作2Θ，而基本信任分配函數m是一個從集合2Θ到[0,1]的映射，A為識別框架Θ的任一子集，記A?Θ,且滿足條件

(1)

3.2證據理論的合成規則

設Bel1,Bel2,…,Beln都是相同框架2Θ上的信任函數，其基本概率分布是m1,m2,…,mk,…,mn，焦元分別為A1,A2,…,Ai,…,An和B1,B2,…,Bj,…,Bn，則n個信任函數組合支持程度為

(2)

對于雙重假設問題，若設每個問題的陳述對假設A的支持程度分別為m1(A),m2(A),…,mn(A)以及m1(θ),m2(θ),…,mn(θ)，且有

mi(θ)=1-mi(A),i=1,2,…,n

(3)

則聯合式(2)和式(3)可推導出

(4)

在利用尾軸承油樣的4種檢測分析方法進行磨損故障診斷時，會有不同的診斷準確率。相關研究[9]表明：鐵譜診斷的準確率為RF=55%，光譜為RS=36%，理化性能分析為RP=21%，顆粒計數為RC=33%，可以得到神經網絡單項診斷4種方法6種故障模式的故障基本概率的分配(見表5)。

表5 4檢測方法6種故障模式基本概率的分配

4 案例驗證

為驗證研究過程的有效性，以對受控母型船(57 000載重噸散貨船)尾軸承進行長時間定期檢測油樣中的某一次較為不理想的檢測數據為例進行驗證。此次檢測中，鐵譜原始數據預處理后的結果為：層狀磨粒和疲勞磨粒超標，其他磨粒正常，故障征兆向量為{SF1,SF2,SF3,SF4,SF5,SF6,SF7,SF8,SF9}={0,1,1,0,0,0,0,0,0}；光譜原始數據處理后的結果為：Fe與Cr元素超標，其他元素含量正常，故障征兆向量為{S1,S2,S3,S4,S5,S6,S7}={1,0,1,0,0,0,0}；理化性能原始數據處理結果為：運動黏度偏低，其他指標正常，故障征兆向量為：{SP1,SP2,SP3}={1,0,0}；油樣粒測處理結果為：污染度超標，故障征兆向量為：{SC1}={1}。根據BP網絡一般設計原則，訓練誤差為0.001，訓練步數為50，中間層神經元的傳遞函數為tansig，訓練函數為trainlm，對尾軸承油樣各檢測方法訓練樣本進行單項磨損故障診斷，運行結果見表6。根據BP神經網絡建立故障基本概率分布m，確定每種故障分析對油液檢測方法的支持程度[10]。以表6的鐵譜、光譜、理化分析和顆粒計數單項故障診斷結果為基礎，以“過度磨損”為例，運用D-S證據理論對4種油液檢測方法以不同方式融合后的組合的支持程度進行計算，過程為

表6 神經網絡單項診斷結果

m1(A)=0.544 5，m1(θ)=0.455 5；m2(A)=0.658 8，m2(θ)=0.341 2；m3(A)=0.892 1，m3(θ)=0.107 9；m4(A)=0.654 0，m4(θ)=0.346 0。

根據式(4)，有

(5)

若4種油液檢測方法中的某一個或其他的方法沒有給出與診斷規則相符的信息，則支持程度下降。如，若顆粒計數分析方法沒有給出結果，則“過度磨損”故障的組合支持程度為

(6)

顯然，獲得的信息越充分，診斷結論的可靠性越高。依次類推，尾軸承磨損故障模式的其他類型D-S證據理論的融合診斷組合支持程度見表7。通過表7可以得到：

1. 不同油液檢測方法的融合診斷，診斷結果的精度隨檢測方法的減少而明顯降低，說明融合診斷手段對多種分析方法具有明顯的互補性，可顯著提高系統故障判斷的準確率。

2. 此次不理想的檢測數據運用神經網絡和D-S證據理論融合診斷后，可知尾軸承過度磨損故障概率高，其次為裂紋和金屬剝落。在決定檢修方式時，應先檢查過度磨損，接著檢查裂紋和金屬剝落，逐一排除故障。

表7 基于D-S證據理論不同油液檢測融合診斷

基于上述分析，由本例油樣數據可知該受控船尾軸承“過度磨損”的可能性非常高，為此，向船舶所有人提出必須提前進塢檢修的建議。船舶所有人接受建議后，縮短近4個月的進塢檢修時間進行尾軸承維修，經現場檢查和測量，發現尾軸承出現較為嚴重的磨損現象，部分位置出現“露銅”現象，說明偏磨明顯，也驗證了研究方法的準確性。

5 結 語

為解決所運用的4種油液檢測分析方法在對船舶尾軸承磨損故障進行診斷時存在的準確性不夠高等問題，提出并設計基于神經網絡和D-S證據理論的融合船舶尾軸承磨損故障診斷方法，通過具體的案例驗證該研究方法的準確性。方法的應用對全面了解尾軸管裝置的磨損機理、嚴重程度以及故障類型有重要的指導作用。

[1] 黃加亮，陳丹. 船舶動力裝置技術管理[M]. 大連：大連海事大學出版社，2009：43-44.

[2] 孫培廷，魏海軍. 油液檢測技術及其應用[J]. 世界海運，2004, 27(1):54-55.

[3] 施彥，韓力群,廉小親.神經網絡設計方法與實例分析[M]. 北京: 北京郵電大學出版社, 2009:23-75.

[4] LITT JS, SIMON DL, GARY S. A Survey of Intelligent Control and Health Management Technologies for Aircraft Propulsion Systems[J]. Journal of Aerospace Computing, Information and Communication, 2004(1):543-563.

[5] 陳果.基于神經網絡和D-S證據理論的發動機磨損故障融合診斷[J].航空動力學報，2005，20(2)：303-308.

[6] LI Shaohui, FU Jixin. Study on the Characteristic Parameter of Oil Spectrometrie Analysis[J]. Lubrication Engineering, 2004(6):92-93.

[7] 朱新河, 嚴志軍，王宏志，等. 船舶螺旋槳軸油液監測的研究[J]. 大連海事大學學報, 2000，26(4): 14-17.

[8] 劉立峰. 基于神經網絡和證據理論融合的水電機組振動故障診斷研究[D].西安：西安理工大學, 2006.

[9] 虞和濟, 韓慶大，李沈.設備故障診斷工程[M ].北京:冶金工業出版社，2001:931-949.

[10] 王松,褚福磊，何永勇，等.基于信息融合技術的發動機故障診斷的研究[J].內燃機學報，2003,21(5):374-378.

DiagnosisofSternBearingWearFaultwithCombinationofNeuralNetworkandEvidenceTheory

WANGYongjian1,CHENJingfeng1,YANGXiaoming2

(1.Marine Engineering Institute, Jimei University, Xiamen 361021, China; 2.Fujian Xiamen Shipping Co., Ltd, Xiamen 361021, China)

With the aim of improving the accuracy of existing oil analysis techniques for diagnosing stern bearing wear fault, the method of fusing 4 commonly used diagnosis analysis (ferrograph, spectroscopy, oil chemical-physics analysis and particle counting analysis) is designed based on neural networks and the D-S evidence theory. The test data from the 4 kinds of analysis of the oil sample are transformed into BOOL values by comparing them to respective wear limit values, and processed by means of neural network analysis method to find the tentative decisions given by each analysis method. These tentative decisions are processed according to the D-S evidence theory to get the final diagnosis decision. The method is verified by actual cases.

ship engineering; ship stern bearing; oil analysis; neural network; D-S evidence theory; wear fault

2014-07-29

福建省自然科學基金(2012J01228)；福建省教育廳資助項目(JA12203)

作者簡介：王永堅(1972—)，男，福建晉江人，副教授，高級輪機長，主要從事輪機仿真技術與船舶動力裝置故障分析研究工作。

E-mail：wyongjian55@qq.com

陳景鋒(1963—)，男，福建廈門人，教授，輪機長，主要從事船舶動力裝置故障分析研究工作。E-mail：jingfengchen@126.com

1000-4653(2014)04-0020-05

TP18；U664.21

A