孫 云，王沭恒，陳冠宇

（1. 海軍裝備部駐上海地區(qū)第二軍事代表室，上海 200000；2. 江蘇科技大學，江蘇鎮(zhèn)江 212100；3. 鎮(zhèn)江賽爾尼柯自動化股份有限公司，江蘇鎮(zhèn)江 212000）

0 引言

隨著世界經濟與科技的發(fā)展，市場對船舶的需求越來越大，對船舶電站的要求越來越高，船舶負載類型越來越復雜，船舶電站所需要的發(fā)電機臺數(shù)也越來越多[1]。船舶電站通過并聯(lián)幾臺發(fā)電機，達到負載大功率耗電的條件。在實際情況中，船舶發(fā)電機可能會出現(xiàn)各種各樣的問題，會嚴重影響船舶的安全穩(wěn)定航行。

本文采用MATLAB & Simlink軟件平臺來對船舶電站的運行情況進行動態(tài)仿真和短路故障仿真，并通過LSTM神經網絡算法對仿真數(shù)據進行訓練與故障診斷。此算法對發(fā)電機短路故障做出準確的預測及診斷，從而提高船舶航行的安全系數(shù)。

1 船舶電站仿真模型

船舶電站仿真模型主要由3部分組成，數(shù)據輸入部分、船舶電站仿真模型和數(shù)據輸出部分。數(shù)據輸入部分為系統(tǒng)啟動、系統(tǒng)停止、故障設定命令數(shù)據、負載切換命令數(shù)據，數(shù)據輸出部分為發(fā)電機運行狀態(tài)數(shù)據等[2]。

本次試驗只需要系統(tǒng)準確并及時地判斷出發(fā)電機故障模式，因此本次試驗只研究單機模型仿真的情況，通過故障模塊設置不同的故障，分析電流電壓數(shù)據。

如圖1所示，單機仿真模型由一臺發(fā)電機模型、勵磁系統(tǒng)、柴油機及調速系統(tǒng)等組成。通過斷路器模塊來控制負載的增加與減少，通過故障設置模塊來設置不同的故障，模擬船舶電站不同故障工況運行。

圖1 單機模型仿真

2 LSTM 神經網絡算法診斷模型

2.1 LSTM 神經網絡

LSTM是對普通循環(huán)神經網絡的增強, 普通循環(huán)神經網絡經常產生梯度消失或者梯度爆炸的問題[3]，其隱含單元結構見圖2，長短期記憶網絡通過更改單元內部結構，能夠避免時間步過長產生的上述問題，理論上可以學習任意時間步長度的數(shù)據?；贚STM的算法可以實現(xiàn)語言翻譯、機器人操控、語音識別圖像識別、手寫文字辨識、疾病診斷分析、股票趨勢預測和音樂構成等任務，可以很好地解決長時依賴問題，在工業(yè)控制上，LSTM主要應用在故障的預測分析[4]。

圖2 LSTM 隱含單元結構

2.2 LSTM 數(shù)據集

結合前文所提到的船舶發(fā)電機故障仿真模型，運行發(fā)電機單機標準工況仿真模型和故障工況仿真模型[5]，之后利用MATLAB中的Scope模塊將仿真得到的數(shù)據保存到MATLAB的工作區(qū)，并且查看各個輸入參數(shù)的數(shù)值，見圖3。將Scope模型加到前文所提到的電流電壓參數(shù)的輸出位置，運行仿真模型即可得到6組.mat格式的數(shù)據表。

圖3 MATLAB 工作區(qū)數(shù)據表圖

將上述6個數(shù)據表整合在同一個表中，將該表格保存在MATLAB工作路徑之下，作為后面LSTM神經網絡訓練模型的輸入參數(shù)。

3 Simulink 故障診斷模型的建立

3.1 LSTM 神經網絡初始化準備

本文采用直接在MATLAB的腳本文件中，用代碼來建立LSTM神經網絡。將數(shù)據集錄入LSTM神經網絡訓練模型，取數(shù)據的前90%用于訓練，后10%用于測試，參數(shù)設置為：迭代次數(shù)800；梯度閾值1；初始學習速率0.006；乘數(shù)因子130；下降因子0.3。

3.2 模型訓練

首先對4種工況分別進行仿真，采集發(fā)電機正常狀態(tài)和故障狀態(tài)下三相電流及其電壓。每種工況下選取較為穩(wěn)定的10 000組發(fā)電機三相電流電壓數(shù)據，4種工作狀態(tài)分別用編號1～4來表示，具體樣本數(shù)據的數(shù)量選取見表1。

表1 船舶電站故障類型、樣本數(shù)量及故障編號

通過800次的迭代后，神經網絡完成訓練學習，完成后將訓練所得參數(shù)數(shù)值輸入圖表, 即可通過算法模型得到預測的監(jiān)督值，進而判斷出具體的發(fā)電機故障類型[6]。

3.2.1 正常運行

發(fā)電機組正常運行未設置短路故障，LSTM神經網絡訓練結果性能見圖4，將神經網絡預測圖和原數(shù)據觀測圖對比見圖5。

圖4 正常工況訓練結果性能圖

圖5 正常工況預測對比圖

3.2.2 單相接地短路

通過故障模塊設置a相位接地短路，LSTM神經網絡訓練結果性能圖見圖6，將神經網絡預測圖和原數(shù)據觀測圖對比見圖7。

圖6 單相接地短路訓練結果性能圖

圖7 單相接地短路預測對比圖

3.2.2 兩相短路

通過故障模塊設置a和b兩相相間短路，LSTM神經網絡訓練結果性能見圖8，將神經網絡預測圖和原數(shù)據觀測圖對比見圖9。

圖8 兩相短路訓練結果性能圖

圖9 兩相短路預測對比圖

3.2.2 三相短路

通過故障模塊設置abc三相短路，LSTM神經網絡訓練結果性能見圖10，將神經網絡預測圖和原數(shù)據觀測圖對比見圖11。

圖10 三相短路訓練結果性能圖

圖11 三相短路預測對比圖

3.3 試驗結論

圖5～圖11在不同故障狀態(tài)下LSTM神經網絡預測圖有著較大的差異，對于發(fā)電機短路故障做出準確判斷，訓練結果和輸入值的擬合程度也很高。訓練結果顯示出均方根誤差值較小，說明變量對預測值的解釋能力強。研究表明：LSTM神經網絡可以很好的運用于船舶電站的故障診斷中。

4 結論

本文介紹了一種基于LSTM神經網絡算法的船舶電站故障診斷模型，即基于MATLAB中的Simulink平臺搭建發(fā)電機仿真模型，在此基礎上針對不同的故障下對模型進行仿真，采集神經網絡算法所需的數(shù)據集。算法方面選擇了長短時記憶網絡，LSTM網絡相較其他神經網絡可以實現(xiàn)信息的長期記憶，而且擁有更好的對預測值的解釋能力。在MATLAB平臺中建立好算法代碼，將數(shù)據集代入，運行模型得到診斷結果。通過最后給出的結果，LSTM神經網絡可以很好地完成船舶電站故障診斷的工作。