張帥 曹毅 李亦鑫

摘 要：船舶制造行業(yè)發(fā)展速度飛快，在現(xiàn)今科技技術(shù)的支持下，船舶質(zhì)量被充分提升，船舶性能也變得更加穩(wěn)定，技術(shù)人員為了提升船舶運行的合理性，充分強化了船舶的內(nèi)部系統(tǒng)，在船舶運行過程中，其汽輪機裝置會出現(xiàn)一些故障問題，通過對汽輪機的常見故障問題進行診斷可以即使完成汽輪機的處理工作，減少汽輪機運轉(zhuǎn)問題。隨著預(yù)測以及診斷汽輪機故障的應(yīng)用技術(shù)水平提升，技術(shù)人員也逐漸將信息融合科技融入其中。

關(guān)鍵詞：信息融合技術(shù)；船舶；汽輪機；故障診斷；預(yù)測

現(xiàn)代船舶系統(tǒng)的內(nèi)部構(gòu)造相對復(fù)雜，其部件種類豐富，多種部件在其中均發(fā)揮著相對獨特的作用，確保船舶可以被正常使用。在眾多的船舶部件中，汽輪機屬于核心部件，如果汽輪機出現(xiàn)異常的問題，船舶的航行效率也將被降低，同時還會出現(xiàn)很多航行安全問題。為了確保船舶保持安全的運行狀態(tài)，技術(shù)人員需要預(yù)先對汽輪機可能存在的故障情況加以預(yù)測或者診斷，原有的故障分析系統(tǒng)顯露出了多種缺陷問題，現(xiàn)對信息融合技術(shù)在這一環(huán)節(jié)中的應(yīng)用展開探討。

1 汽輪機故障預(yù)測與診斷工作概述

汽輪機屬于蒸汽動力裝置，其一般具有旋轉(zhuǎn)式的形式，速度被加快的氣流沖擊到汽輪機的葉片上時，裝置中的轉(zhuǎn)子會逐漸開始旋轉(zhuǎn)，發(fā)揮出對外做功的功能，汽輪機可被應(yīng)用到化學(xué)工業(yè)、冶金以及發(fā)電等行業(yè)中。在給船舶制造動力型裝置時也可應(yīng)用汽輪機裝置，該裝置將蒸汽熱能加以轉(zhuǎn)化，使其成為機械能，幫助推動船舶正常運行，借助能量轉(zhuǎn)換來實現(xiàn)應(yīng)用需求?，F(xiàn)代船舶系統(tǒng)具有相對比較復(fù)雜的電力系統(tǒng)，相比從前，船舶需要航行的環(huán)境的復(fù)雜度也有所增加，當外部航行環(huán)境與內(nèi)部系統(tǒng)均出現(xiàn)故障問題時，船舶故障問題也逐漸增加，同時故障問題也變得更具復(fù)雜性。在探討汽輪機裝置存在的問題時，技術(shù)人員需通過一些比較特殊的方法來判斷相應(yīng)的故障問題，借助模型可以輔助故障分析活動，在診斷汽輪機故障問題時，需考慮到實效性與準確性兩方面指標。

汽輪機是能將蒸汽熱能轉(zhuǎn)化為機械功的外燃回轉(zhuǎn)式機械。來自鍋爐的蒸汽進入汽輪機后，依次經(jīng)過一系列環(huán)形配置的噴嘴和動葉，將蒸汽的熱能轉(zhuǎn)化為汽輪機轉(zhuǎn)子旋轉(zhuǎn)的機械能。蒸汽在汽輪機中，以不同方式進行能量轉(zhuǎn)換，便構(gòu)成了不同工作原理的汽輪機。

在故障模型分析這一工作階段中，可以選擇結(jié)合信息化技術(shù)，對原有的單維度的工作模式進行改變，通過多維度的分析模型來實現(xiàn)全面分析故障問題的工作需求，在故障分析環(huán)節(jié)，需充分應(yīng)用神經(jīng)網(wǎng)絡(luò)相關(guān)的技術(shù)，基于多維信息的使用需求，技術(shù)人員需適當?shù)貞?yīng)用信息融合技術(shù)，強化故障分析系統(tǒng)的可行性。

2 神經(jīng)網(wǎng)絡(luò)模型分析

在分析模型構(gòu)建工作環(huán)節(jié)中，技術(shù)人員首先需要可靠且合適的神經(jīng)網(wǎng)絡(luò)構(gòu)建出來，在分析環(huán)節(jié)需要應(yīng)用多種不同的傳感器裝置，進而達到采集基礎(chǔ)信息的可靠目的，在信息分析過程中，技術(shù)人員可以對故障隸屬度進行計算，確保輸入到神經(jīng)網(wǎng)絡(luò)的隸屬度可以達到一定的標準，給船舶應(yīng)用的汽輪機裝置具有的故障種類豐富，首先需應(yīng)用傳感器對相應(yīng)的故障信息加以采集，并根據(jù)故障問題計算出最終的隸屬度，借助神經(jīng)網(wǎng)絡(luò)相關(guān)的理論來建設(shè)出診斷模型，對模型進行初始化操作，通過歷史數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，做出最終的故障決策。

3 預(yù)測模型分析

3.1 實現(xiàn)神經(jīng)網(wǎng)絡(luò)應(yīng)用需求

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對于汽輪機進行故障診斷預(yù)測時，在網(wǎng)絡(luò)中添加了所有故障類型，通過訓(xùn)練序列對網(wǎng)絡(luò)進行自組織學(xué)習。隨著船舶汽輪機結(jié)構(gòu)復(fù)雜度的增加，故障類型也隨之增加，網(wǎng)絡(luò)的診斷能力出現(xiàn)下降?；谛畔⑷诤系纳窠?jīng)網(wǎng)絡(luò)是一種集成架構(gòu)。首先對船舶汽輪機的故障類型進行空間劃分，構(gòu)建不同子空間的故障特征參數(shù)空間，針對不同的子空間設(shè)定子神經(jīng)網(wǎng)絡(luò)，最后進行數(shù)據(jù)融合，極大提高了判斷準確性。在對神經(jīng)網(wǎng)絡(luò)進行身診斷時，主要需要經(jīng)過以下幾個工作環(huán)節(jié)，首先需要對相關(guān)的汽輪機進行診斷，對于故障問題存在關(guān)聯(lián)的信息加以采集，通過預(yù)處理模塊做出初步的故障問題分析處理，確定故障問題的具體所在，通過人機接口模塊來對其他的故障情況加以研究，通過融合使的神經(jīng)來進行最終的決策。將傳感器采集的數(shù)據(jù)發(fā)送至不同故障診斷類型子網(wǎng)絡(luò)，實現(xiàn)對故障的最快定位。與傳統(tǒng)BP網(wǎng)絡(luò)不同，集成式神經(jīng)網(wǎng)絡(luò)通過多傳感器在不同位置采集故障設(shè)備信息，位置信息可以作為故障診斷的特征值，提高特征信息區(qū)分度。初始化時，通過訓(xùn)練序列確定各子網(wǎng)絡(luò)的學(xué)習過程，此時子網(wǎng)絡(luò)為離線狀態(tài)，每個子網(wǎng)絡(luò)建立自身的檔案數(shù)據(jù)，保存訓(xùn)練后的網(wǎng)絡(luò)特征值。當各子網(wǎng)絡(luò)訓(xùn)練完畢，并建立檔案數(shù)據(jù)后，進入故障診斷階段，對傳感器采集的信息進行分析。

設(shè)船舶汽輪機的故障類型為n，劃分的子網(wǎng)絡(luò)數(shù)為m，基于信息融合的故障決策處理在融合網(wǎng)絡(luò)中進行。

假設(shè)子網(wǎng)絡(luò)NNi（0

經(jīng)過信息融合網(wǎng)絡(luò)處理的輸出為Y=FR，故障i的發(fā)生概率為：

Pi=fi1ri1+fi2ri2+fimrim

3.2 應(yīng)用故障診斷技術(shù)

在實際的船舶汽輪機故障診斷中，需要監(jiān)測的數(shù)據(jù)主要有：潤滑油的量及位置、發(fā)動機溫度、汽輪機的轉(zhuǎn)動速率、空氣熱力傳導(dǎo)、汽輪震動速率，這五大類監(jiān)測數(shù)據(jù)組成5個子神經(jīng)網(wǎng)絡(luò)，分別對應(yīng)d1，d2，d3，d4，d5。本文設(shè)計的汽輪機故障系統(tǒng)采用兩級神經(jīng)網(wǎng)絡(luò)架構(gòu)，如圖1所示。圖1中，各神經(jīng)子網(wǎng)絡(luò)d1，d2，d3，d4，d5通過自身的自組織學(xué)習能力對不同的故障類型進行診斷，診斷后的結(jié)果發(fā)送至最終的信息融合神經(jīng)網(wǎng)絡(luò)進行進一步判別，得到更準確的故障診斷結(jié)果。

4結(jié)束語

本文對現(xiàn)代船舶的內(nèi)置汽輪機裝置的實際情況進行了分析，同時還探討了相應(yīng)的故障分析模型，信息融合技術(shù)在很多現(xiàn)代機械制造領(lǐng)域中均有良好應(yīng)用，在對船舶的問題進行分析時同樣也可以使用該種技術(shù)，本文結(jié)合汽輪機的實際特點探討了應(yīng)用該技術(shù)的具體情況，同時給出了一些應(yīng)用建議，經(jīng)過實際的應(yīng)用可以發(fā)現(xiàn)該技術(shù)可以有效地實現(xiàn)故障問題仿真的工作需求，幫助研究人員對汽輪機的相關(guān)信息加以采集，同時還能將一些頻域信號發(fā)出，可預(yù)測與診斷的故障問題類型豐富，可繼續(xù)被推廣應(yīng)用。

參考文獻

[1]黃振中，卞政明.基于信息融合技術(shù)的船舶汽輪機故障診斷和預(yù)測的研究[J].艦船科學(xué)技術(shù)，2017（7x），164-166.

[2]李環(huán)宇.基于信息融合的柴油機故障診斷技術(shù)研究[D].大連海事大學(xué)，2017.

[3]劉國斌.多傳感器信息融合與神經(jīng)網(wǎng)絡(luò)的汽輪機的故障分析[J].內(nèi)燃機與配件，2017（22），82-83.