基于Mini-batch神經網絡的船舶柴油機風險等級預測

尚前明，王 瀟，曹 召，劉治江，鄧曉光

(武漢理工大學 能源與動力工程學院，湖北 武漢 430063)

近年來，隨著“智能船舶”概念的提出，船舶柴油機的自動化程度及復雜程度也越來越高，與之相伴的是設備故障越來越復雜，因設備故障導致的機務風險也變得越來越大，甚至會導致重大機損和海難事故。故障預測和健康管理技術大多停留在理論研究層面，在實際的工程應用中鮮有涉及[1]。

本文在闡述船舶機務風險的基礎上，宏觀分析與柴油機風險狀態密切相關的因素。利用Mini-batch神經網絡對柴油機健康狀態進行風險等級劃分，柴油機的風險等級狀態對維護管理人員有著重要的指導意義，也能為評估人員提供直觀、科學、合理的依據。并且提前預知設備健康風險狀態，進一步降低船舶發生重大機務事件及事故的可能性。

1 基于Mini-batch神經網絡船舶柴油機風險等級預測框架

1.1 風險等級預測基本理論

預測系統的功能是進行必要的未來預測以及預知潛在故障變化發展的蹤跡和趨勢，預測分析必須著眼與未來時間內事件可能發生的概率和發展趨勢[2]。船舶柴油機健康風險極富彈性尺度，存在形式、發展過程、觸發條件差別很大，傳統的機務管理沒有綜合整體因素對船舶柴油機進行有針對的智能維護，對柴油機的整體健康狀態存在一定的模糊性，因此應該合理劃分風險預測的類別，船舶機務風險預測模式主要包括以下幾種。

1)根據現有信息進行趨勢預測。即用科學的統計方法對事故的發展狀態進行定量預測。預測方程如公式(1)所示。

Y=f(t)，

(1)

式中：Y是預測變量；t是時間。

2)對不同指標因素預測相互影響效果，主要是通過關聯分析和跟蹤設備的監測數據，預測某個受影響變量的狀態，其預測方程如公式(2)所示。

Y=f(x0,x1，…,xn)，

(2)

式中：Y是預測變量；x0，x1，…,xn為相關變量。

3)根據相關征兆預測可能出現的結果。通過對監測到的相關征兆信息進行狀態識別，歸納相應的結果。

4)對發生頻率較低，偶然事件的發生狀態進行預測。例如預測柴油機突發性事故的概率、發生時間、持續時間以及產生的影響等。

本文柴油機健康狀況風險預報采用的模式主要為對因素相互影響的預測和對征兆可能的結果進行預測兩種模式，采用的預測步驟如圖1所示。

圖1 船舶柴油機風險等級預測步驟圖

1.2 基于Mini-batch神經網絡的方法

在過去的機務管理中，管理人員一般采用統計圖表的方法來進行觀察，直觀預測一些偶發事件，這些預測太主觀，受不確定影響比較大。相比之下，神經網絡在處理這類復雜的多因素問題中具有良好的表現，容錯性及自組織能力比較強，因此采用神經網絡算法來進行預測。

BP-神經網絡即反向傳播網絡，實際上是由一個個單個感知器組合而成，由輸入層經過層層的特征轉換，最后得到一個權重作為特征輸出，中間的神經元作為特征轉換函數，多個非線性特征轉換函數使神經網絡有著強大的擬合能力。典型的神經網絡結構如圖2所示。

圖2 典型神經網絡結構圖

圖2中，x1,…,xn表示輸入值；y1,…,ym表示輸出值；wij,…,wjk表示神經元之間連接的權值。

BP-神經網絡通過誤差反向傳播通過梯度下降算法迭代進行優化，梯度下降算法是通過沿著目標函數的一階導數負方向來通過一定的步長η迭代達到目標函數的極小值點，如公式(3)所示。

(3)

式中：η表示訓練步長；ω表示相關參數。

采用全量梯度下降法每次下降學習都是用整個訓練集，缺點很明顯。每次學習需要使用整個訓練集，消耗很多計算空間和資源。針對要解決的對柴油機風險狀態預測模型，使用整個樣本空間進行迭代訓練會使樣本之間沒有差別。實際情況下要想使預測模型變得準確，應該基于時間序列或者典型樣本數據給予不同的權重，這樣訓練的模型泛化能力會更好，預測更加精準。針對上述問題，對上述全量梯度下降法進行改進。

隨機梯度下降采用每次隨機抽取一個樣本點的方法進行樣本訓練，通過這種方法可以減小每次迭代過程的計算量，雖然這種方法最終還會收斂到全局最優點，但是每次只抽取一個樣本值會帶來一定的波動。綜合考慮隨機全量梯度下降和隨機梯度下降的點，采用每次隨機抽取幾個樣本進行梯度下降，即Mini- batch梯度下降，如公式(4)所示。

(4)

式中：xi:(i+m)表示每次梯度下降用所用的第i到(i+m)個樣本;yi:(i+m)表示第i到(i+m)個樣本的標簽值。

Mini-batch梯度下降綜合了全量梯度下降和隨機梯度下降的優點，更重要的是使用Mini-batch梯度下降，我們可以根據所獲得訓練樣本的時間或者訓練樣本的典型程度的不同，在訓練樣本集上做一個劃分，在模型訓練初期，使用前面的非典型樣本訓練，后期使用典型數據進行迭代訓練，這樣使得模型的準確度在時間維度上更與真實值相接近。而且可以進行在線模型訓練，在獲得新的訓練樣本時，或者需要多模型進行調整時，使用新的數據進行優化即可。

2 船舶柴油機健康風險等級計算

船舶柴油機風險等級預測實質上是用BP-神經網絡解決一個分類問題，主要分為兩個步驟：①確立與柴油機風險有關的因素及對這些信息數據的處理；②采用合適的隱含層，根據樣本特性進行處理，訓練成泛化能力較強的模型。

本文提出利用Mini-batch梯度下降神經網絡算法對船舶柴油機健康風險等級預測算法流程主要包括以下幾個步驟。

1)數據采集。從故障統計指標、設備性能指標、安全保障指標這3個因素來綜合考慮柴油機健康風險因素。

2)輸出健康等級確定：根據船公司的習慣方法對柴油機進行級別劃分。

本研究以市售泡菜為研究對象，從中篩選出乳酸菌，研究其基本生理生化特性、產酸性能、降解亞硝酸鹽的能力以及耐酸性，進而篩選出各方面性能都比較優異的乳酸菌株，并對其采用API 50 CHL碳水化合物的發酵產酸試驗及分子生物學技術進行鑒定。本研究可以豐富乳酸菌菌種資源，并為其在食品工業中的應用奠定基礎。

3)訓練樣本的獲取及處理。根據機務統計數據及典型機務風險獲取訓練樣本，根據合理的映射關系將“語言變量”轉化為“數值變量”并經過一定的轉換獲得訓練樣本集。

4)對訓練樣本進行PCA降維處理，并根據收集得到的典型機務數據統計時間序列對樣本進行劃分成一個個小組。

5)根據經驗公式設計隱含層個數，進行模型訓練。根據驗證集來證明模型的準確性。

2.1 船舶主機健康風險因素的確立

隨著現代造船技術、船員管理水平的提高，使現代船舶設備風險的內涵和外延都發生了重大變化。因此在構建輸入因素指標時，要充分考慮現有的評價指標，并全面收集事故發生時的背景、過程以及造成的影響，遵循敏感性、獨立性、外推性和規范性[3]。

1)敏感性。參數必須綜合全面地代表船舶柴油機運行狀況。

2)獨立性。參數性能比較穩定、波動小，且不易受到外界干擾。

3)外推性。參數應能夠隨機器性能的變化和時間流動而隨之產生相應的變化。

4)規范性。關鍵指標取值范圍和預警等級要符合相關法律法規和船級標準。

根據上述分析，結合人、機、環境因素和參考有關船舶風險評價有關的相關文獻[4]，進一步對相關指標進行選擇，最終選取了對船舶主機風險狀態影響因素較大的十一個指標因素，具體如下。

1)故障統計指標。柴油機的故障統計指標反映了柴油機各項性能指標的維持能力。主要包括故障率、設備維修度、修復率。

(1)故障率。故障率指的是設備在某一時刻沒有發生故障，在這一時刻單位時間內發生故障的概率。

(2)維修度。維修度指的是設備在發生故障之后能夠快速修復到正常狀態的能力，也是評價柴油機維修難易程度的指標之一。

(3)修復率。修復率表示設備在某個時刻的修復狀況，具體指直到修理時間T時還未得到修復的設備，在T時刻之后的單位時間內被修復完好的概率。

2)技術性能指標。主要有設備新度、設備有效度、運行參數以及維護保養的相關指標。

(1)設備新度。即反映機器設備的老舊程度，可用新度系數來表示。

(2)設備有效度。反應機械設備運轉功能完備程度。

(3)運行參數。由運行參數偏差來反映，即設備運行參數實際值與理論值的偏離。

(4)維護保養狀況。反映維修決策方案的科學性和設備的備件情況，修復工藝等指標因素。

3)安全保障指標。反映設備的監測與控制措施，對突發性故障的應急反應能力，以及對船舶柴油機工作系統的干預度即有效保養措施。主要包括平均修復時間、備件系統供應合格度、應急反應能力和工作環境的惡劣程度。

(1)供應系統合格度。該項指標的計算可根據船舶對供應備件、物料、油料等物質的合格率反饋所得到。

(2)工作環境劣化度。綜合評價指標，根據設備總體狀況和周圍的工作環境來共同確定。

(3)平均修復時間。指因設備發生故障，處理故障修理的平均時間。

(4)應急反應能力。綜合評價指標，綜合反應處理中人、機、環境的應急協調能力。

2.2 輸出健康等級確定

由于不同的船舶的主機風險狀態差異很大，不同的船舶對設備的健康狀態要求也不一樣，統一的健康標準很難建立，本文的柴油機健康等級評定采用船用公司的習慣方法，將設備的健康標準必須劃定在一個合理的范圍內。對船舶設備健康狀態分為5個級別:A為健康區域、B為良好區域、C為健康警戒區域、D為危險區域、E為特別區域(健康狀況失控)。見表1。

表1 柴油機風險等級表

2.3 訓練樣本的獲取及處理

訓練樣本中的健康等級輸出主要根據機務統計數據獲得或是用典型機務風險案例獲得，主要有以下3種途徑。

1)從已經發生過的設備風險事故中獲得。

2)從模擬設備健康狀態惡化的過程中獲得。

3)從國內外發生過的典型故障案例中收集獲得。

在設備健康狀態評估中為了獲取與柴油機設備健康狀態密切相關的指標因素，常常專家調查、主觀分析法、概率分析法獲得基本的信息和數據，并采用一定方法對這些數據進行分析和處理。

上述確定的11個指標因素，有的并不是數值變量，需要通過合理的映射將“語言變量”轉化為“數值變量”，以此建立的以此建立的各種輸入指標的模糊化語言處理以及相應量化分值如表2所示。

表2 指標因素語言量化分值表

由于上述指標因素與輸出等級關系不一致，需要對上述指標因素一致化處理，處理公式為：

因素指標與輸出等級的關系是正相關時：

(5)

因素指標與輸出等級的關系是負相關時:

(6)

式中：A0為輸入樣本的初始因素的初始量化值；A為轉化后的值。

盡管經過一致化處理后的樣本值都轉化為正相關關系，仍需要根據模糊數學中的“指標值越大隸屬度越大”原則，根據隸屬度的大小對上述處理后的樣本值進行修正，使各因素指標與評價標準保持一致，將其映射范圍保持在1～55之間，體現在數學上就是：

(7)

mj=4×rj+1，

(8)

式中：rij、rj均為隸屬度；mj為評價分值；xij、xi,max、xi,min分別表示樣本中指標的數值，所有樣本集中指標的最大值和最小值。

以某船舶柴油機為例進行信息收集，根據上面定義的方法及定義的各項等級指標建立訓練樣本集，部分訓練樣本集如表3所示。

表3 部分訓練樣本

2.4 PCA降維及訓練樣本分組處理

為了降低模型復雜度，提高模型泛化能力，首先對訓練樣本集進行PCA降維處理，經過主成分分析過后，得到前4個主成分的貢獻率為95.411%，包含了絕大部分的原始信息，選用前4個主成分作為神經網絡輸入。

由于樣本集通過機務統計案例或典型風險案例獲得，在時間上跨度很大，可能時間較早的數據已經不太適合現有的指標體系，采用Mini-batch梯度下降法，可以實時對模型進行更新。本文根據時間序列對訓練樣本集進行劃分，時間較早的樣本在模型訓練前期賦予比較大的權重，比較新的樣本在訓練后期賦予較大的權重。訓練前期抽取到前一部分樣本的概率比較大，當訓練誤差小于5%時，后一部分樣本隨機抽到的概率比較大，這樣對訓練數據集進行處理保障了模型更好的泛化效果。

由上文確定的5個風險狀態確定的5個等級輸出矩陣為：狀態A=(1，0，0，0，0)代表柴油機處于健康區域，狀態B=(0，1，0，0，0)代表柴油機處于健康狀態良好區域，C=(0，0，1，0，0)代表健康狀態警戒區域，D=(0，0，0，1，0)代表危險區域，E=(0，0，0，0，1)代表設備失控，處于極度危險狀態。

2.5 隱含層結果設計及計算結果

文獻[5]研究表明，隱含層的個數存在一個最佳值兼顧訓練時間和容錯性。隱含層節點設計常常采用如下的極端公式:

(9)

式中：n為網絡輸入節點數；m為網絡輸出節點數；p為隱含層節點數；r為常數，r=1,2,…,10。

本文采用這種方法，輸入節點個數n=4，m=5，P的范圍在4～14之間，經過多次訓練，通過驗證集驗證模型誤差，在訓練時間和訓練誤差之間進行平衡，最終隱含層節點數為11個，神經網絡結構為4-11-5。設置好相關的參數變量后用Matlab進行編程。輸入訓練樣本集訓練，用測試樣本集選擇效果較好的模型。

經過了39步迭代訓練，達到了目標誤差的收斂要求。最后以5組驗證數據作為檢驗樣本來檢驗訓練好的神經網絡柴油機風險等級預測結果,如表4所示。

表4 柴油機風險等級預測結果

從表4可以看出，用訓練后的網絡對各組輸入矢量進行預測后，得出的輸出值并不是理想的0和1，造成這種現象的原因是由于訓練樣本點過少和網絡模型不夠復雜，太復雜的模型容易造成過擬合。這種輸出結果已經和理想輸出很接近，完全可以依靠此模型判斷船舶柴油機健康風險狀態，從而進行風險等級狀態辨識。

3 結束語

針對現有的故障預測及設備健康管理技術大多停留在理論層面，本文提出采用神經網絡模型對柴油機風險狀態進行預測分級。系統分析與柴油機風險狀況有關的指標因素，采用科學合理的預測模型比過去管理人員采用單一的管理方法進行評估更具有科學性。另外本文針對所獲取訓練樣本時間跨度大，預測模型要隨著時間的推移進行實時更新等因素，采用采用Mini-batch梯度下降法，相比于全量梯度下降和隨機梯度下降，Mini-batch更適用于訓練樣本時間跨度大，模型需要隨著時間的推移進行更新。試驗表明其在柴油機風險預測中具有良好的效果與準確性。本文只是做了風險狀態等級的預測，管理人員根據風險等級狀態進行有針對性的維護管理，離真正意義上的智能維護管理還有一定的提高空間。