船舶動力系統設計及優化

徐志立

(北京青年政治學院 電子政務研究所，北京 100102)

0 引 言

船舶的發展史就是其動力系統的發展進化史，動力系統的好壞直接關系到整個艦船的安全穩定航行。正是因為船舶的動力系統對于船舶至關重要，對于動力系統的改造優化也就成為船舶設計中值得重點關注和研究的問題。對于動力系統的優化設計，既要堅持科學的原則，又要根據船舶具體的類型和航行特點有所針對性，從而實現對船舶動力系統配置的合理優化[1-3]。

動力系統優化的主要方向就是對于能源控制技術的改良優化。不同的能源動力系統采用的控制技術也完全不同，對于船舶的航行速度，航行穩定性和航行安全性的要求也與日俱增，需要通過更加先進的方法對于船舶的動力系統進行全面的優化升級改造。在這樣的背景下，人工神經網絡作為目前人工智能領域最為常見的智能算法脫穎而出[4]。

1 船舶動力系統的概念闡述

主要動力系統和輔助配套系統是構成船舶前進驅動的兩大部分，這兩部分相互協調工作，都需要進行科學的優化設計[5]。

1.1 主要裝置

主動力系統主要包括發動機，其中又涵蓋了原始動力系統和輔助動力系統，原始動力系統又包括燃氣輪機，汽油機，傳動系統主要包括主推器，還有推進器，螺旋槳，泵式推進器，這部分結構主要功能是實現船舶的動力能轉換。除此以外，配套裝置還有離合器，減速器，管系設備以及軸系設備等。這些設備是為了保障傳動裝置能夠更穩定的運行，同時能夠保障船舶發揮良好的轉向、制動和減震的作用[6-8]。

1.2 輔助裝置

除了原動系統，配套系統也是發動機必不可少的組成部分，發電機，鍋爐和自動化操控裝置構成了發動機配套系統，這些裝置的主要目的是為了實現船舶的良好可操控性[9-10]。

圖 1 船舶動力系統結構圖Fig. 1 Ship power system structure

1.3 配置優化方案

眾多精密復雜的機電設備組成的電氣化系統構成了整個動力系統，這就會出現一個嚴重的設備間干擾問題。特別是大型電器設備運行會形成磁場，對于周圍電器設備運行，特別是精密的設備運行產生影響。這就需要對于整個主動力系統電氣系統進行設備結構的優化改造。為此需要配套不同的子系統，并且諸多子系統都要按照同樣的原則進行設計，才能避免系統間內擾動，具體的國際標準系統設計方案如下：

1）首先對于動力系統目標進行優化，明確船舶動力系統所需要完成的目標需求，進行針對優化設計，主要從動力和經濟兩方面考慮，同時還需要兼顧安全和穩定性能。

2）進一步明確船舶所需要承載負荷需求，同時考慮船舶主要日常用途，航行線路特點以及特定性需求等。

3）根據船舶歸屬國家相關船舶設計規定，對于船舶的性能進行進一步的對比設計，制定一系列約束條件，從而保障船舶設計的合理性。

4）根據之前確定好的最佳方案參數，在將技術可行性，建造成本，建造時間和性能指標等附加條件納入考慮范圍，最終確定船舶的動力系統優化設計方案[15]。

2 神經網絡技術在系統優化配置中的應用

2.1 神經網絡優化原理

以人工智能技術為代表的第三次信息技術革命正在改變過去傳統領域。特別是具有代表性的人工神經網絡技術，其具有優良的非線性模型擬合能力。在各個方面的實際應用中已經取得了良好的效果。

人工神經網絡沒有一個具體固定的結構標準，往往根據不同的物理問題通過數據訓練得到成熟的模型。但是一般的神經網絡主要分為3 個層次，按照數據輸入順序分別是輸入層，隱含層和輸出層構成的，每個層之中含有若干個神經元，一般結構如圖2 所示。

圖 2 一般神經網絡結構Fig. 2 Gerenal structure of neunal network

圖中W 為輸入層和中間層的連接權值，通過對于每個神經元的輸入進行賦權，調整不同輸入信息在整個模型的影響程度，得到單個神經元輸入z 和將z 通過激活函數進行非線性轉化為a，使用激活函數的原因是因為線性模型（無法處理線性不可分的情況）的表達能力不夠，所以通常需要利用Sigmoid 函數來加入非線性因素得到神經元的輸出值。

根據本文研究的船舶具體情況，采用前饋神經網絡ELM 算法進行優化設計，該算法結構簡單，只有一層隱含層，同時ELM 算法可以支持向量機操作，模型內部神經元參數不需要不斷調整，可以根據隨機函數設定具體目標而自動生成，保證該模型能夠具有較高的計算效率，比較適合船舶動力系統這樣復雜結構的優化設計[11-13]。ELM 算法具有以下2 個特點：

1）所有的隱含層節點參數相互獨立，與訓練數據集無關；

2）ELM 模型的優點是無需任何先驗信息。假設ELM 單隱層前饋神經網絡具有L 個隱節點輸出，其表達式為。

式中：ai和bi分別為隱含節點的學習訓練參數；θi∈Rm 為第i 個隱節點連接到輸出節點時的權重向量值；F（x, ai, bi）為第i 個隱節點在輸入為x 時的輸出函數。

本文對于動力系統優化算法的激活函數為[14]：

2.2 優化訓練算法

在對優化算法進行數據驅動訓練時，第一種數據樣本（xj，tj）如果一共存在L 個隱含層單元，并且ELM 算法網絡結構誤差較小。那么模型中的θi，ai 與bi 滿足下式：

經過簡化處理，可以得到F(x,ai,bi)θ=T。

式中：F 為單隱層前饋神經網絡中的輸出向量矩陣。

F 矩陣的第i 列分別與x1，x2，…，xl 的第i 個隱含節點的輸出向量相對應；F 矩陣的第j 行分別與輸入xj 的隱含性輸出向量相對應。

3 仿真設計

針對本文研究的船舶動力系統優化問題進行仿真建模，通過建模得到動力系統的三維仿真圖[15]，如圖3所示。

圖 3 船舶動力系統仿真界面Fig. 3 Simulation face of ship power system

在系統優化仿真前先設定仿真對象的數學模型，輸入滿足如下關系：

圖4 為神經網絡訓練后的輸出曲線，圖5 為優化后的結果對比曲線，可以看出，通過ELM 神經網絡優化以后，船舶動力系統輸出性能有了較為明顯的改善。

圖 4 神經網絡與實際系統輸出對比Fig. 4 Comperation of ANN and real system

4 結 論

本文首先簡要介紹船舶的動力系統組成，提出ELM 神經網絡算法對于船舶動力系統優化設計，并且通過三維仿真進行實驗驗證。結果表明，船舶動力系統輸出性能有了較為明顯的改善，對于提升船舶性能，提高船舶航行安全穩定性具有一定價值。

圖 5 控制作用下的輸出振幅曲線對比圖Fig. 5 Output curve comperation under control