尚前明，曹 召，王 瀟

(武漢理工大學(xué) 能源與動力工程學(xué)院,湖北 武漢 430063)

在過去，人們針對船用空壓機(jī)已發(fā)生的失效模式，僅僅局限于找到導(dǎo)致該故障發(fā)生的原因，從而確定應(yīng)該采取哪些措施進(jìn)行維修，預(yù)防故障的再次出現(xiàn)，這種故障發(fā)生后找故障原因的方法，只能發(fā)現(xiàn)故障形成的表面原因，不能分析出導(dǎo)致該故障所有的根本原因，對故障[1]發(fā)生的全部過程無法全部了解，很難有效地預(yù)防故障再次發(fā)生。

因此，有必要對船用空壓機(jī)系統(tǒng)進(jìn)行故障機(jī)理分析，在船用空壓機(jī)的運行過程中，實時獲取設(shè)備技術(shù)狀態(tài)參數(shù)信息，進(jìn)行相關(guān)分析，判斷設(shè)備運行狀態(tài)，提升船用空壓機(jī)設(shè)備的安全性。BP神經(jīng)網(wǎng)絡(luò)算法在故障診斷領(lǐng)域發(fā)展迅速，它可以很好的擬合故障模式，并能可靠的預(yù)測故障類型。由于神經(jīng)網(wǎng)絡(luò)對整個故障數(shù)據(jù)集進(jìn)行訓(xùn)練，模型耗時較長，影響了診斷的效率，因此文章選用PCA進(jìn)行數(shù)據(jù)預(yù)處理，提取主成分，然后再進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可以大大節(jié)約模型訓(xùn)練的時間。

1 空壓機(jī)失效模式及熱工參數(shù)選擇

通過查閱大量相關(guān)資料，我們發(fā)現(xiàn)船用空壓機(jī)的系統(tǒng)劃分多種多樣，而對于整個裝置的失效模式分析不夠到位。同時，船用空壓機(jī)設(shè)備工作環(huán)境惡劣、失效模式交錯復(fù)雜、失效機(jī)理藕合多變、可靠性的基礎(chǔ)理論薄弱等特點,以及存在從事機(jī)械可靠性技術(shù)應(yīng)用研究的人員相對較少，船用空壓機(jī)可靠性技術(shù)缺少借鑒性等原因，造成船舶空壓機(jī)的故障指標(biāo)匱乏。本文以空壓機(jī)典型的4種失效模式，即空壓機(jī)容積流量低、空壓機(jī)排氣溫度過高、空壓機(jī)滑油變質(zhì)故障及空壓機(jī)不正常噪聲進(jìn)行分析。由于故障分析所占篇章較多，下面以空壓機(jī)容積流量低為代表來分析其故障類型及故障原因見表1。

由表1可知，空壓機(jī)轉(zhuǎn)速、壓力、溫度、容積等關(guān)鍵參數(shù)與失效模式及故障原因存在一定的關(guān)聯(lián)。因此，我們可以選用排氣壓力、 進(jìn)氣量、進(jìn)氣溫度、冷卻水溫度、冷卻水壓力、主機(jī)轉(zhuǎn)速、主機(jī)振動頻率、潤滑油溫度、 潤滑油壓力和軸承溫度作為熱工參數(shù)來生成樣本數(shù)據(jù)。

2 PCA和BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)

2.1 主成分分析

主成分分析[2]是通過保留原指標(biāo)的主要特征，來簡化數(shù)據(jù)降低維度的一種方法。空壓機(jī)的熱工參數(shù)有10種，所以有10個故障特征。這些故障特征之間難免有數(shù)據(jù)重疊部分，主成分分析法可以找出不相關(guān)的主要特征指標(biāo)，去除數(shù)據(jù)冗余來簡化數(shù)據(jù)[3]。本文通過主成分分析法對樣本數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，并計算出貢獻(xiàn)率，選擇累積貢獻(xiàn)率大于85%的特征作為主成分，求得主成分反歸一化的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。主成分分析法的步驟如圖1所示。

圖1 主成分分析法一般步驟

2.2 BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)即前饋型神經(jīng)網(wǎng)絡(luò)，它是通過神經(jīng)元來學(xué)習(xí)知識訓(xùn)練模型，并能對未知數(shù)據(jù)進(jìn)行預(yù)測的一種智能算法。神經(jīng)網(wǎng)絡(luò)分為正向傳播和反向傳播[4]，正向傳播是計算出輸入X和權(quán)重W的乘積，再加上偏值b，最后通過合適的函數(shù)映射得到神經(jīng)網(wǎng)絡(luò)的輸出過程，反向傳播是反向逐層對成本函數(shù)進(jìn)行求導(dǎo)，直到求出輸入層變量的導(dǎo)數(shù)為止，然后運用梯度下降法對權(quán)值和偏值進(jìn)行修正的一個過程。其單個神經(jīng)元的流程示意圖如圖2所示。

圖2 神經(jīng)元流程示意圖

2.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)果的確定

BP神經(jīng)網(wǎng)絡(luò)[5]一般由輸入層、隱含層、輸出層組成。輸入、輸出層由一層組成，隱含層可以有多層，增加隱含層的層數(shù)會增加模型處理復(fù)雜問題的能力，但層數(shù)增多也會使模型收斂時間增加。根據(jù)反復(fù)實踐，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，空壓機(jī)的故障診斷模型正確率較高，完全適合要求。因此，本文采用三層BP神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)一般由樣本特征數(shù)來確定，本文以主成分分析得到的特征數(shù)作為輸入層的節(jié)點數(shù)，輸出層一般由故障類型確定，本文共有5種故障類型，其中[1,0,0,0,0]表示空壓機(jī)正常運行狀態(tài)作為故障模式1；[0,1,0,0,0]表示空壓機(jī)排氣溫度過高作為故障模式2；[0,0,1,0,0]表示空壓機(jī)滑油變質(zhì)故障作為故障模式3；[0,0,0,1,0]表示空壓機(jī)不正常噪聲作為故障模式4；[0,0,0,0,1]表示空壓機(jī)容積流量低作為故障模式5。

3 算例

3.1 樣本數(shù)據(jù)的確定和輸入數(shù)據(jù)的處理

樣本數(shù)據(jù)的選擇對BP神經(jīng)網(wǎng)絡(luò)模型的建立至關(guān)重要，樣本數(shù)量過少時，會使得模型故障類型欠缺，造成欠學(xué)習(xí)的現(xiàn)象，樣本數(shù)量過多時，會使得模型計算效率下降，診斷時間過長，造成過學(xué)習(xí)的現(xiàn)象。所以，基于以上原因，本文選取MLG30.4/8-185G型空壓機(jī)典型的30組數(shù)據(jù)作為研究對象，選用前20組樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后10組作為測試數(shù)據(jù)集，部分?jǐn)?shù)據(jù)集如表2所示?；跀?shù)據(jù)冗余的問題，我們對數(shù)據(jù)做了歸一化處理，然后用主成分進(jìn)行了分析。

表2中各個參數(shù)符號的物理意義：Pexh為排氣壓力；Vexh為進(jìn)氣量；Texh為進(jìn)氣溫度；Tcw為冷卻水溫度；Pcw為冷卻水壓力；vm為主機(jī)轉(zhuǎn)速；Fmh為主機(jī)振動頻率；TLo為潤滑油溫度；PLo為潤滑油壓力；Tb為軸承溫度。

根據(jù)累計貢獻(xiàn)率大于等于85%的原則，我們選擇了前5個特征作為主成分，其累計貢獻(xiàn)率達(dá)到了85.628%，如表3所示。結(jié)果表明其前5個主成分包含了原始數(shù)據(jù)85.628%的信息，完全可以用來代表原始數(shù)據(jù)特征。最后把主成分分析后的前5個主成分?jǐn)?shù)據(jù)乘以對應(yīng)特征值的二次方根進(jìn)行反歸一化，得到如表4所示的數(shù)據(jù)，此數(shù)據(jù)傳入神經(jīng)網(wǎng)絡(luò)的輸入層。

表2 空壓機(jī)樣本數(shù)據(jù)

表3 總方差解釋

表4 主成分計算后的樣本數(shù)據(jù)

續(xù)表4 主成分計算后的樣本數(shù)據(jù)

3.2 訓(xùn)練網(wǎng)絡(luò)

根據(jù)分析，我們選擇輸入層的節(jié)點數(shù)為5個，輸出層的節(jié)點數(shù)也為5個。隱含層和輸出層的傳遞函數(shù)分別采用Tansig和Logsig，均方差目標(biāo)設(shè)置為0.000 1，隱含層數(shù)初步設(shè)置為10，最后選用Trainlm函數(shù)對模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

為了得到最佳的網(wǎng)絡(luò)結(jié)構(gòu)使模型更健壯，我們反復(fù)實驗隱含層的節(jié)點數(shù)，最后得到隱含層為8時，模型精度最高，訓(xùn)練時間最少。至此，神經(jīng)網(wǎng)絡(luò)模型已經(jīng)建立完成，需要對建立的模型進(jìn)行測試。

3.3 測試網(wǎng)絡(luò)

模型訓(xùn)練完成后，還需要測試模型的準(zhǔn)確性。選擇剩余的10組數(shù)據(jù)作為測試數(shù)據(jù)，對模型進(jìn)行測試，結(jié)果見表5所示。

3.4 網(wǎng)絡(luò)對比

為了更好和基于PCA數(shù)據(jù)預(yù)處理的神經(jīng)網(wǎng)絡(luò)模型對比，本文選取原始數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，經(jīng)過訓(xùn)練和測試的結(jié)果見圖4所示。

表5 神經(jīng)網(wǎng)絡(luò)測試結(jié)果

圖4 未經(jīng)PCA處理的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

4 結(jié)束語

通過測試結(jié)果可以看出，采用基于PCA-BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法可以有效的對船用空壓機(jī)進(jìn)行故障診斷，提高模型計算的時間。并且在現(xiàn)代計算機(jī)技術(shù)飛速發(fā)展的時代，可以借助編程軟件，設(shè)計良好的人機(jī)界面，方便的得到診斷結(jié)果。但此、次采用的船舶空壓機(jī)數(shù)據(jù)量較少，對某些故障模式可能還沒有分析到，以后隨著故障數(shù)據(jù)的增多會得到更加完善的網(wǎng)絡(luò)模型。