基于神經網絡算法的船體結構腐蝕分析及預測

于淳

(中國船級社，北京 100007)

基于神經網絡算法的船體結構腐蝕分析及預測

于淳

(中國船級社，北京 100007)

針對船體測厚數據未能被有效利用的問題，提出一種基于神經網絡算法的結構腐蝕分析、預測方法，為船舶的健康管理提供評估及決策支持。依據神經網絡算法的基本原理和建模方法，研究測厚數據結構、神經網絡輸入參數的選擇、腐蝕狀況的分析及預測等關鍵問題的實現方案，并在此基礎上開發船體可視化模型關聯測厚結果的展示、分析功能，應用于實船測厚數據并形成有針對性的分析結論、決策建議。采用該方法對某船實際測厚數據進行分析，預測出該船型隨船齡的增長腐蝕嚴重的區域，并在3D模型中展示。

測厚；神經網絡算法；預測

船體結構腐蝕狀況的評估、檢測，是船舶維護保養、檢驗的重要內容，是決定船舶健康指標的重要工作。船體結構腐蝕狀況通常按照國際船級社協會(IACS)的統一要求，通過測厚工作獲取[1]。就實際檢驗結果來看，測厚工作表格式復雜、數據量大，尤其是對于船齡較老的部分大型散貨船、油船，通過測厚等工作積累的船體結構腐蝕數據量通常在10萬條以上。一方面，當測厚點較多、數據繁雜時，除了直觀辨別可疑區域、普遍及顯著腐蝕數值外，船舶管理、維修、檢驗等相關方未能通過數據對船體結構狀況開展有效的評估分析；另一方面，各相關方對船舶積累形成的歷史測厚數據未能進一步利用，幫助開展相關的挖掘、預測，乃至幫助形成維護保養方面的決策建議。

針對上述現狀，本文通過選擇神經網絡算法，提出一種針對營運中船體結構的測厚數據分析、腐蝕趨勢預測的方式。同時，以實船為例，通過上述算法及方式建立數據模型，在歷史腐蝕狀況評估、腐蝕情況展示、趨勢預測、維護保養建議等方面做了原型應用，并輔以有效的可視化技術手段。

1 功能的實現

根據IACS標準測厚格式，將電子版實船數據存儲在同一數據庫中，數據以測厚點為單位。

功能借助CATIA V5進行3D船舶模型的建立，主要是基于其曲面效果突出、裝配方便等優點,結合測厚工作內容建立相應的艙室3D模型，用以展示結構腐蝕狀況。通過上述模型與數據開發平臺與數據庫的接口，可建立數據與可視化模型間的關聯[2]。

除建立顯示功能外，通過調用測厚數據，引入神經網絡算法建立分析模型。隨著測厚工作的不斷增加，應根據算法自適應、反饋的特點監控訓練參數，適當時予以調整，以保證功能結論的準確性。

2 測厚數據結構

目前，業界采用的數據格式見表1。

對于滿足共同結構規范(CSR)的船舶，或雙殼散貨船的部分位置，其測厚數據經轉化，以統一格式存入數據庫中[3]。

測厚數據的表結構建立過程可簡要描述為：定義一張空數據表MtbTemp，其中設定5個主鍵：PS、TMJOBNO、TMNO、TMPARTID、SKETCHNAME。逐行解析測厚數據表，其中有以下數據項：TMJOBNO、TMNO、PS、SHEET、TMROW、ORGTHK、FA、RMNTHK、RENEWREMARK,RENEWREMARK1、X,Y,Z、SKETCHNAME、GROUPNAME、SHEETFORMAT、TMPARTID、BEAMTYPE、POINTTYPE、SYMTMNO、SYMPARTID、POINTFILEHANDLE、PARTFILEHANDLE、FRAMENO、ONBOARDNAME。將測厚數據文件中的以上數據項位置上的字符分別寫入到MtbTemp中，從而完成測厚數據的轉化。

表1 IACS通用測厚表格

測厚點所在位置的構件屬性、船舶基本參數等均作為表結構，與測厚數據關聯，建立測厚數據庫。

數據庫需設置另外的參數表，用以存儲測厚工作中所使用的草圖、關聯的3D模型，并設置中間變量與測厚點相關聯。此外，設有相應的數據表，存儲測厚結果轉化為神經元各層的關聯關系，見圖1。

3 輸入參數的選擇

除標識測厚點屬性的參數外，在測厚工作中通常以板厚、測量厚度、腐蝕余量、腐蝕百分比、腐蝕磨耗極限評定一個測厚點所在區域的結構狀況。按照IACS相關要求，當測厚點整體腐蝕百分比超過額定范圍時，形成超差測厚點。通常，超差測厚點所在區域將作為檢驗與維護保養的重點關注對象。

基于上述工作要求，輸出層用以標識腐蝕數值；輸入點選取板厚、測量厚度；在權重值的選取上，測厚點所在構件、構件尺寸、構件類別(型材或板材)、船齡、船型、艙室位置、艙室類別(貨物處所/壓載處所/空艙)等均作為備選項。在學習與反饋開始前，各參數對應的權重取值相同[4-5]。

根據上述輸入參數建立多維數據集，見圖2。

根據測試數據在測試數據集中的百分比和所提供的最大事例數，算法將輸入數據隨機拆分為兩個集，即一個定型集和一個測試集。定型集用于創建挖掘模型。測試集用于檢查模型準確性。

選擇Record表創建挖掘模型，并將表中屬性分別設置為輸入層、輸出層、可選層，見圖3。

圖中：DAMAGE100為腐蝕百分比；DAMAGE為腐蝕值；DAMAGEMARK為測厚點所在結構位置；INSAREA為所在艙室；GAUGE為測量厚度。另設置可選層屬性：板厚原始值、船型、船齡、油漆種類、測厚點所在構件屬性、艙室位置、艙室用途。另外，在將上述可選層屬性分別作為模型的維度的同時，將時間作為另一維度參與算法運行。

該模型的建立旨在分析及預測測厚結果隨可選層屬性參數的變化情況。

4 腐蝕狀況分析及預測

在分析及預測模型中，所有維度初始權重值均為1，經測試，在諸多維度中，測厚時間、艙室位置、艙室用途等對結果會產生較為顯著的影響。因此，在誤差的計算上，根據初始學習的結果進行迭代學習(迭代次數由測厚點的數目和測厚次數決定)后，得出對交叉熵影響較大的維度(船齡、艙室位置、艙室用途)，縮小關鍵的屬性值范圍。

基于某大型油輪及其姊妹船前后3次塢內測厚的結論，得出的分析結果見圖4。

可見，隨著船齡的增長，該船型貨物處所、甲板區域腐蝕較為明顯。

根據以上分析結果，將平均每年的腐蝕百分比作為維度，結合上一模型的已選維度，設置線性變化的時間維度后，建立預測模型。該模型可在已有腐蝕趨勢下，對艙室及構件變化趨勢加以預測。相關方可通過設置維度值的權重，即測厚點的腐蝕百分比、構件原始厚度、時間等影響預測結果。在現實中，這些屬性的修改即意味著修船時間的選擇，構件尺寸、油漆類型的選擇等因素[6]。

5 腐蝕狀況展示

根據測厚工作的范圍，本文建立了測厚覆蓋的艙室模型，并通過測厚報告中標識的結構信息，整理為標識字符串存入數據庫中。經二次開發，將測厚點關聯至模型上。這種方式便于分辨測厚區域及腐蝕量較大的位置。圖5為測厚點在模型中的定位功能。

結合數據分析結果，以船齡、艙室位置、艙室用途等為基本參數，將結構變化情況關聯至3D模型，形成結果云圖，便于就分析及預測結果進行展示，并為船舶相關方提供后續的維護保養參考[7]。圖6中，某輪貨艙3D模型與其測厚數據關聯，并針對該艙近3次特檢的腐蝕值變化趨勢分顏色形成云圖。這種方式直觀、精確，便于跟蹤經多次測厚后有關參數的變化趨勢。

6 結論

本文在分析目前船舶測厚點眾多、存儲分散，從而導致測厚數據不能有效為相關方所用的問題后，提出一種可視化模型與分析預測功能交互模式下的輔助解決方案。通過上述方案，以實船艙室腐蝕趨勢為分析指標，驗證了神經網絡算法應用于船體結構腐蝕分析及預測的有效性，算法所應用的數據存儲模式及參數處理過程普遍適用于滿足IACS有關要求的測厚工作。

船體結構是一個復雜的系統，引起結構狀況變化、維護保養方法改變的因素有許多。對于測厚工作來說，其他人為因素、航行狀況的參數是否會對分析、預測的結果產生顯著影響，應進一步進行研究。然而，業界各船舶管理公司應用的數據采集設備、計算機系統的差異較大，不具備通用的數據獲取條件，這為預測模型的擴充增添了難度，也是當前業界有待解決的問題。

本文提出的方案在為各相關方提供了一種分析預測辦法的同時，能夠幫助全面、詳細地掌控船體結構狀態、保養檢驗工作狀態，能夠為進一步進行結構計算、評估、決策等提供必要的數據基礎。方案的提出彌補了以往研究未將測厚數據進一步應用于分析、預測的缺陷。如能在一定的數據積累后將同型船舶的測厚數據與修理、機海損、檢驗數據進一步關聯，各相關方將獲得更為豐富、具體、準確的分析及預測結論。

[1] 中國船級社.船體測厚指南[S].北京：中國船級社，2015.

[2] 楊流輝，張和明.基于COM組件的CATIA產品信息集成技術研究與實現[J].計算機工程與應用，2001(24)：131-136.

[3] 馮光.IACS CSR對船體結構測厚修理的影響[J].中國修船，2008(3)：2-5.

[4] 張華軍，趙金.基于遺傳算法和神經網絡預測的再勵學習[J].計算機工程，2010(1)：28-33.

[5] 覃光華.人工神經網絡技術及其應用[D].成都：四川大學，2003.

[6] 任剛.船舶航運管理中人為因素與風險分析研究[D].大連：大連理工大學，2003.

[7] 李楷.船體生命周期建模與管理關鍵技術研究[D].大連：大連理工大學，2011.

Corrosion Analysis and Prediction of Ship Hull Structure Based on Neural Network Algorithm

YU Chun

(China Classification Society, Beijing 100007, China)

Based on the situation that hull thickness measurement data hasn’t been effective utilized, a kind of neural network based corrosion analysis and prediction method was put forward, providing assessment and decision support for ship health management. According to the basic principle and modeling method of neural network algorithm, the solutions to key issues were investigated, such as establishing the data structure based on the thickness measurement, the selection of neural network input parameters, and the analysis and prediction of corrosion condition. The display and analysis functions of hull visible model connected with the data of thickness measurement were programmed and applied in real ship thickness measurement successfully to get analysis conclusion and suggestions. Based on the above method, a data structure was established, providing a certain technical basis for ship comprehensive analysis and risk assessment.

thickness measurement; neural network algorithm; prediction

10.3963/j.issn.1671-7953.2017.02.012

2016-06-13

于淳(1984—)，男，碩士，工程師

U661.5

A

1671-7953(2017)02-0054-04

修回日期：2016-08-18

研究方向:入級船舶檢驗管理