智能船舶機泵艙設備健康狀態評估方法分析

路 通，黃志勇，王家支，王 旭，鄒 淼，吳培莉

(大連船舶重工集團設計研究院有限公司， 遼寧 大連 116021)

近年來，現代科學技術得到迅速發展，進而牽引全球工業趨于信息化、智能化的方向不斷發展[1]。在2014年德國漢諾威工業博覽會中，第四次工業革命的“工業4.0”的概念引起廣泛關注，繼工業機械化、電氣化、自動化之后，“工業4.0”的核心理念為工業的智能化。在此背景下，船舶設備及主要系統也逐步朝分布型、網絡型和智能型的方向靠攏，在技術需求層次，智能船舶的構建已具備一定的可行性[2-3]。

船舶機泵艙是船舶設備的主要布置場所，包括船舶主機、輔機、鍋爐等重要設備，機泵艙設備的智能運維是智能船舶的必然要求[2]。而設備健康狀態的在線監測和評估是智能船舶自主決策分析的基礎，本文以船舶主機作為評估案例，介紹了2種健康狀態評估方法，為實現機泵艙的智能運維提供了一定參考。

1 健康狀態評估的概念

設備在運轉時，除受到外界環境突發的過大破壞外，其功能狀態由正常至故障通常為一個逐步累積的漸變過程，健康狀態即用來描述介于“正常”和“故障”之間的設備狀態。2000年，美國軍方提出了故障預測與健康管理技術(Prognostics and Health Management, PHM)，用來描述設備或系統的工作狀態，并根據健康狀態完成設備故障的預測[4]。健康狀態評估是PHM技術的核心組成，其結果能夠直接反映當前的運行狀況，進而為設備的智能運維提供決策信息。

2 健康狀態評估方法

目前，在PHM中常用的健康狀態評估方法主要包括經典評估法、機器學習與多源信息融合法等[5]，本文自2類評估方法中分別選取了層次分析法和BP神經網絡法，并以船舶主機作為評估案例，介紹機泵艙設備健康狀態評估的具體方法。

2.1 層次分析法

層次分析法(Analytic Hierarchy Process，AHP)于20世紀70年代問世，由美國運籌學家、匹茲堡大學教授T.L.薩迪(T.L.Saaty)首次提出[6]。該方法的基本計算原理是通過將評估目標按照一定的規則劃分為不同的評估層次，并確定各層次中每個元素所占權重，計算最底層元素的參數狀態并無量綱化，最終逐級評估匯總數據，完成評估目標的狀態描述。

以船舶主機為例，根據層次分析法的計算規則，首先可將其分為3個評估層次[7]，見圖1。第一層為評估目標層，即為船舶主機的整體健康狀態；第二層可根據評估目標層的主要屬性組成或其他規則進行劃分，從主要工作系統的角度分析，船舶主機的第二層次可拆分為燃油系統、滑油系統、冷卻水系統等，各系統均為影響主機健康狀態的主要因素。第三層為基本數據層，為能夠體現第二層元素健康狀態的設備參數，燃油系統可包括燃油溫度、燃油壓力及燃油黏度等；滑油系統可包括滑油濾器壓差、進出口溫度和壓力等。

圖1 船舶主機整體健康狀態

在實時的設備健康狀態監測中，以燃油系統中進口溫度參數為例，該元素的健康狀態H11,可表示為[8]：

(1)

式中，T測為燃油進口溫度的實時監測數據；T0為系統所設定燃油進口溫度的標準值；Tl和Th分別代表燃油進口溫度的允許最低、最高閾值。其中T測可通過溫度傳感器的輸出直接讀取，T0、Tl和Th可通過查詢設備說明書獲取具體數值。對于系統中標準值、設定閾值空缺或無定量數據采集的參數，則需要根據專家經驗和設備的具體運轉情況來確定。

同樣的計算方法可得出燃油系統中其他元素的健康狀態，此時燃油系統模塊的健康狀態H1和船舶主機的整體健康狀態H可通過公式(2)計算：

(2)

式中，ω表示元素在對應上層模塊健康狀態評估中的影響權重，該數值可以參考各元素的影響程度分別賦值，或通過構造判斷矩陣和最小二乘法確定權值[9]。

2.2 BP神經網絡法

BP神經網絡法具備較強的數據處理能力，在描述對象的建模過程中，不需要獲取變量之間準確的數學方程映射關系，能夠較好地完成信號處理分類和擬合[10]。在智能機泵艙設備的數據監測中，傳感器的種類繁多，且各參數之間難以用明確的數值關系準確描述，因此，以神經網絡計算方法進行機艙泵設備的在線評估具備一定的適用性。

BP神經網絡為一種多層的前饋型神經網絡，其拓撲結構可通過圖2表示。

圖2 BP神經網絡拓撲結構

其中，輸入層為網絡的原始數據導入層，對應計算中的自變量，隱含層為數據擬合計算的過渡層，輸出層即為因變量導出層。圖2中，參數P1,P2,…,Pn為輸入參數；ωij,ωjk為計算過程中相鄰兩層間的附加權值；b1,b2,…,bm和θ1,θ2,…，θk為網絡偏置，輸出結果a1,a2,…,ak即為網絡計算的預測值，其中m、k分別為隱含層節點數目及輸出層因變量數目。在拓撲網絡中可根據實際情況設定隱含層的層數(一層或多層)和m、k的具體數值。圖2中的神經網絡拓撲結構表達的為由n個自變量到k個因變量的函數映射關系，網絡中隱含層的第j個節點yj可表達為：

(3)

輸出層第k個節點ak為：

(4)

式中，f1、f2為輸入/輸出關系的傳遞函數，其中隱含層內的傳遞函數要求為連續、光滑、單調遞增且存在上下界的非線性函數，輸出層的傳遞函數不限制于非線性函數[11]；Pi表示第i個輸入參數；bj表示第j個節點所對應的附加權值。

利用BP神經網絡進行設備的健康狀態評估時，首先需要調用設備正常運轉的歷史數據作為網絡的訓練樣本，通過設定程序進行自主學習，學習主要分為2個階段，第一階段為根據網絡輸入的樣本數據，由輸入層向后計算得出各神經節點的輸出值，第二階段為由最后一層逆向計算各權值和閾值對總體誤差的影響。2個階段交替反復計算，不斷修正網絡中各參數的數值，直至最終收斂。網絡的訓練學習完成后，在符合一定的檢驗前提下，可將實時采集的設備運轉數據輸入神經網絡中進行計算，以網絡的輸出值同實測數據的差異體現設備的健康狀態。

以選擇主機油耗作為網絡單一輸出值為例，主機的油耗數據是能夠反映設備狀態的主要參數之一。理論上在轉速、轉矩、功率等參數確定的情況下，主機的正常油耗存在一定標準值，而實測值同標準值的偏差即可反映出當前的設備相對狀態，其評估流程主要包括以下幾方面。

1)采集樣本數據，輸入數據為能夠影響主機油耗的所有可測數據，包括轉速、冷卻水溫度等運轉數據和風速、相對風向等外界環境數據等。根據需要可對數據做出相應處理，如異常值剔除、滑動平均處理及主成分分析確定輸入形式等。

2)構建神經網絡，案例模型以主機油耗作為單一輸出值，實際計算可設置多項輸出值，并附加對應的權重。

3)將樣本數據導入神經網絡，進行訓練學習，直至最終收斂，得出網絡參數。

4) 以在線監測的實時輸入參數作為網絡的輸入，對比網絡輸出值和實測油耗的差異，得出設備的實時健康狀態。

3 結束語

相對而言，層次分析法的計算較為簡潔，但該方法對專家經驗有著較大的依賴，各層次權重分配的合理性將會直接影響評估結果的準確性；BP神經網絡法具備自主訓練學習的能力，可避免狀態評估中因船型、設備型號及操作習慣不同等因素帶來的影響，在評估結果方面具備一定的可靠性，存在的唯一不足是對樣本數據的需求，網絡的構建至少需等設備運轉一段時間積累足夠的樣本數據之后。此外，在構建評估模型的過程中，也需根據實際的數據特征設置對應評估參數，確保最終評估結果的準確性，為機泵艙設備的智能化運維提供堅實基礎。