王曉東

(上海船舶運輸科學研究所有限公司 艦船自動化系統(tǒng)事業(yè)部，上海 200135)

0 引 言

在船舶加速航行過程中，柴油機可能會出現(xiàn)燃燒不充分的情況，引發(fā)“冒黑煙”現(xiàn)象，造成一定的經(jīng)濟損失。如何有效避免船舶在加速航行過程中出現(xiàn)“冒黑煙”現(xiàn)象已成為船舶運輸領(lǐng)域的一個主要研究課題。

近年來，人工智能(Artificial Intelligence，AI)在船舶行業(yè)得到了廣泛應(yīng)用，不僅能增加企業(yè)的經(jīng)濟效益，而且能提高船舶的航行效率。

1) 應(yīng)用AI有助于降低船舶行業(yè)的企業(yè)運營成本，提高企業(yè)的生產(chǎn)效率，幫助行業(yè)更好地整合資源和優(yōu)化生產(chǎn)流程。AI技術(shù)的發(fā)展目標是用機器設(shè)備代替人類完成作業(yè)任務(wù)，并提升作業(yè)效率，解放勞動力。因此，降本增效是AI發(fā)展的必然結(jié)果。對于船舶行業(yè)而言，AI可應(yīng)用于船舶設(shè)計研發(fā)、建造和運營維護等全過程中，推動整個行業(yè)實現(xiàn)降本增效。

2) 應(yīng)用AI有助于改變現(xiàn)有的商業(yè)模式和制造模式，引入外部競爭者，改變傳統(tǒng)的產(chǎn)業(yè)格局。在船舶行業(yè)應(yīng)用AI技術(shù)，能在大幅提升行業(yè)運營效率的同時，改變傳統(tǒng)的行業(yè)運營模式[1]。

AI是計算機科學的一個分支，研究內(nèi)容包括語言識別、圖像識別、機器人、專家系統(tǒng)和自然語言處理等。實現(xiàn)AI的方法主要有決策樹算法、隨機森林(Random Forest)算法、邏輯回歸算法、線性回歸算法、樸素貝葉斯算法、神經(jīng)網(wǎng)絡(luò)算法、KNN(K-Nearest Neighbor)算法、SVM(Support Vector Machine)算法和Kmeans算法等[2]。本文主要采用AI算法中的隨機森林算法和Python軟件，結(jié)合基于C#語言編寫的船舶主動力推進系統(tǒng)上位機軟件，實現(xiàn)對船舶柴油機“冒黑煙”現(xiàn)象的預(yù)測，通過避免出現(xiàn)“冒黑煙”現(xiàn)象，使船舶柴油機的運行工況良好。

1 船舶加速航行過程中的“冒黑煙”現(xiàn)象分析

船舶柴油機是一種壓縮發(fā)火的往復(fù)式內(nèi)燃機，能將燃油熱能轉(zhuǎn)變?yōu)闄C械能，主要分為二沖程柴油機和四沖程柴油機2種。柴油機的工作基本原理是：通過活塞的運動壓縮空氣，使氣缸內(nèi)空氣的溫度和壓力提高，通過噴油器將柴油以霧化的形式噴入氣缸內(nèi)，霧化的柴油遇到高溫、高壓的壓縮空氣立即燃燒，產(chǎn)生高溫、高壓的燃氣。燃氣在氣缸內(nèi)推動活塞往復(fù)運動，這樣就可將熱能轉(zhuǎn)變?yōu)闄C械能。柴油機的構(gòu)成見圖1。船舶在航行時經(jīng)常會受某種因素的影響而出現(xiàn)“冒黑煙”現(xiàn)象，造成動力下降、油耗增加[3]和污染物排放超標。引發(fā)“冒黑煙”現(xiàn)象的原因有很多，供油系統(tǒng)、燃油系統(tǒng)和進排氣系統(tǒng)等發(fā)生故障都會導(dǎo)致柴油機出現(xiàn)“冒黑煙”現(xiàn)象，具體原因[2]包括：

1) 供油提前角不正確、供油提前角過大、供油提前角過小和噴油泵柱塞或出油閥嚴重磨損；

2) 噴油柱塞或出油閥嚴重磨損；

3) 噴油器霧化不良、卡死或滴油嚴重和噴油壓力不正確；

4) 氣缸壓縮壓力不足、氣閥間隙不正確和氣缸內(nèi)壓縮阻力減??；

5) 進氣管和排氣系統(tǒng)存在問題；

6) 燃油質(zhì)量不佳，設(shè)備匹配存在問題；

7) 供氣量不足等。

圖1 柴油機的構(gòu)成

若不考慮柴油機本身的故障因素，則“冒黑煙”現(xiàn)象主要在3種情況下出現(xiàn)，分別是主機啟動時、主機接排過程中和主機加速過程中。本文主要研究船舶加速航行時出現(xiàn)的“冒黑煙”。當船舶加速航行時，柴油機的輸出功率需在短時間內(nèi)快速增加，即柴油機的轉(zhuǎn)速需快速增加，柴油機油門給定增大。由于柴油機的給油量在短時間內(nèi)快速增加，而排氣壓力增加不及時，造成進入氣缸的空氣量不足，柴油機內(nèi)的燃油燃燒不充分，從而出現(xiàn)“冒黑煙”現(xiàn)象。當出現(xiàn)“冒黑煙”現(xiàn)象時，由于排氣壓力是由柴油機的特性決定的，故可適當減小油門給定，或在加速過程中減小柴油機轉(zhuǎn)速的加速斜率。由于不同柴油機的特性不同，故每臺柴油機都需根據(jù)自身的特性設(shè)置油門給定特性。

2 隨機森林算法介紹

隨機森林算法是一種高度靈活的機器學習算法，是一個包含多個決策樹的分類器，其輸出的類別是由個別樹輸出的類別的眾數(shù)決定的，該算法的原理圖見圖2。隨機森林算法是通過集成學習的思想對多棵分類與回歸樹(Classification And Regression Tree,CART)進行集成的算法，其基本單元是決策樹，在本質(zhì)上屬于機器學習的一個分支，即集成學習(Ensemble Learning)方法。

圖2 隨機森林算法原理圖

隨機森林算法的特點包括：準確率高，能有效地運行在大數(shù)據(jù)集上，能處理具有高維特征的輸入樣本；不需要降維，能評估各特征在解決分類問題方面的重要性；在生成過程中能獲取內(nèi)部生成誤差的一種無偏估計，對于缺省值問題也能獲得很好的結(jié)果。隨機森林相關(guān)概念包括信息熵、信息增益、決策樹、集成學習和bagging。

1) 信息熵表示信息量的大小，信息量越大，對應(yīng)的熵值就越大。

2) 信息增益在決策樹算法中是用來選擇特征的指標，信息增益越大，該特征的選擇性越好。

3) 決策樹是一種樹形結(jié)構(gòu)，含有多個節(jié)點，每個節(jié)點表示1個屬性上的測試，每個分支代表1個測試輸出，每個葉節(jié)點代表1種類別。常見的決策樹算法有CART、C4.5和ID3。

4) 集成學習算法的原理是通過對幾種模型算法進行組合解決單一預(yù)測問題。隨機森林算法的工作原理是生成多個分類器或模型，每個分類器或模型獨立地進行學習和作出預(yù)測。這些預(yù)測最后形成預(yù)測結(jié)果，該結(jié)果優(yōu)于任何一個單分類的分類器或模型的預(yù)測結(jié)果。

5) bagging也稱bootstrap aggregating，是在原始數(shù)據(jù)集中選擇S次之后得到S個新數(shù)據(jù)集的一種技術(shù)，是一種有放回抽樣[2]。

隨機森林的生成過程：若要對一個輸入數(shù)據(jù)集進行分類，需先將該輸入數(shù)據(jù)集輸入到每棵CART中進行分類，再根據(jù)所有CART分類結(jié)果綜合得出分類結(jié)論。例如：森林中召開會議，討論某個動物到底是兔子還是狐貍，每棵樹都要獨立地發(fā)表自己對該問題的看法，即每棵樹都要投票選擇是兔子還是狐貍。被投票的動物到底是兔子還是狐貍需根據(jù)投票情況確定，獲得票數(shù)最多的類別就是森林的分類結(jié)果。森林中的每棵CART都是獨立的，99.9%不相關(guān)的樹做出的預(yù)測涵蓋所有情況，這些預(yù)測結(jié)果會彼此抵消。將以上總結(jié)起來，即對若干個弱分類器的分類結(jié)果進行投票選擇，從而組成一個強分類器，這就是隨機森林bagging的思想?！吧帧睆淖置嫔侠斫饩褪怯啥囝w決策樹構(gòu)成的集合，森林中的每顆樹都是采用CART算法得出的；“隨機”表示構(gòu)成多顆決策樹的數(shù)據(jù)是隨機生成的，生成的過程采用bootstrap抽樣法實現(xiàn)。

3 基于隨機森林算法的“冒黑煙”預(yù)測實現(xiàn)

在船舶主動力推進系統(tǒng)上位機軟件中增加AI模塊，通過調(diào)用Python語言和隨機森林算法模型實現(xiàn)對柴油機“冒黑煙”現(xiàn)象的預(yù)測，并顯示預(yù)測結(jié)果，該結(jié)果可發(fā)給柴油機控制器作為其進一步實施控制的依據(jù)。船舶主動力推進系統(tǒng)上位機軟件的主要功能包括數(shù)據(jù)采集、數(shù)據(jù)顯示、報警、數(shù)據(jù)記錄和查詢、AI模塊等，軟件的流程框圖見圖3。Python作為一種解釋型腳本語言，廣泛應(yīng)用于科學計算、大數(shù)據(jù)統(tǒng)計、AI、軟件開發(fā)和網(wǎng)絡(luò)爬蟲等領(lǐng)域中。

圖3 軟件的流程框圖

本文的柴油機“冒黑煙”現(xiàn)象預(yù)測流程如下：

1) 在船舶航行過程中采用船舶主動力推進系統(tǒng)上位機軟件實時記錄相關(guān)參數(shù)，并將其保存到數(shù)據(jù)庫中，供Python調(diào)用。

2) 軟件的AI模塊從數(shù)據(jù)庫中提取關(guān)鍵設(shè)備的數(shù)據(jù)，建立數(shù)據(jù)集，調(diào)用Python，根據(jù)已提取的大數(shù)據(jù)，基于隨機森林算法模型建模，生成可應(yīng)用的模型。

3) AI模塊輸入當前的狀態(tài)參數(shù)到已建立的模型中進行預(yù)測，生成預(yù)測結(jié)果并進行顯示。操船人員可根據(jù)預(yù)測結(jié)果進行相關(guān)操作。

柴油機“冒黑煙”現(xiàn)象預(yù)測流程圖見圖4。

圖4 柴油機“冒黑煙”現(xiàn)象預(yù)測流程圖

本文采用某艘船12個月的航行數(shù)據(jù)進行大數(shù)據(jù)分析，這些數(shù)據(jù)為船舶每天航行過程中由上位機保存到數(shù)據(jù)庫中的數(shù)據(jù)，包括主機轉(zhuǎn)速、主機功率、槳角絕對值、油門給定百分比、主機掃氣壓力和主機是否冒黑煙等。在柴油機煙囪中，傳感器探測其排放的煙霧濃度，當達到設(shè)定濃度時，認為存在“冒黑煙”現(xiàn)象。由于煙囪內(nèi)的煙霧濃度不均，故收到“冒黑煙”信號有一定的延遲。當有“冒黑煙”現(xiàn)象時，記錄數(shù)據(jù)為1;當柴油機正常時，記錄數(shù)據(jù)為0。本文將“冒黑煙”現(xiàn)象數(shù)據(jù)作為特征值，將其他數(shù)據(jù)作為因變量值。AI模塊首先對采集到的數(shù)據(jù)進行清洗，包括查看數(shù)據(jù)集是否存在缺失問題、數(shù)據(jù)是否具有一致性和完整性、數(shù)據(jù)中是否存在異常值。當數(shù)據(jù)集存在缺失問題時，采用替換法，使用均值替換缺失值。當數(shù)據(jù)集中存在異常數(shù)據(jù)值(指遠離正常值的觀測，即“偏離”的數(shù)值)時，采用刪除法，刪除偏離的數(shù)據(jù)。其次，調(diào)用Python對數(shù)據(jù)做訓練集和測試集進行拆分。最后，采用隨機森林模型對訓練集數(shù)據(jù)進行訓練，得到訓練好的模型。

4 “冒黑煙”預(yù)測效果驗證

采用決策樹模型算法作為對比對象，對隨機森林模型算法的應(yīng)用效果進行驗證。隨機森林算法模型的訓練過程如下。

首先，將經(jīng)過清洗的數(shù)據(jù)分為訓練集和測試集，通過網(wǎng)格搜索法確定最佳組合參數(shù)，結(jié)果為：決策樹最大深度max_depth取值為2；內(nèi)部節(jié)點再劃分所需最小樣本數(shù)min_samples_split取值為3；葉子節(jié)點最少樣本數(shù)min_samples_leaf取值為2。Python部分代碼如下：

import pandas as pd

from sklearn import model_selection

from sklearn.model_selection import GridSearchCV

from sklearn import tree

import matplotlib.pyplot as plt

from sklearn import ensemble

from sklearn import metrics

data=pd.read_csv(r'C:UsersNeighborWangDesktop