开云优惠体育网页版入口

专利名称：一种应用于船舶动力系统的故障模拟分析系统及方法

专利类型：发明专利

专利申请号：CN202310520648.0

专利申请（专利权）人：广东海洋大学
权利人地址：广东省湛江市麻章区海大路1号

专利发明（设计）人：贾宝柱,廖志强,孔德峰,宋雪玮

专利摘要：本发明公开了一种应用于船舶动力系统的故障模拟分析系统及方法，其中系统包括：数据采集模块、动力系统模拟模块、数据库与分析模块；所述数据采集模块用于将船舶真实运行数据传输至所述动力系统模拟模块，并采集所述动力系统模拟模块的模拟运行数据；所述动力系统模拟模块用于模拟真实船舶动力系统，并基于所述船舶真实运行数据进行模拟运行；所述数据库用于存储所述船舶真实运行数据以及所述模拟运行数据；所述分析模块用于基于所述模拟运行数据进行计算，得到所述动力系统模拟模块运行状况，并基于所述运行状况进行状态预警。本发明分别对不同结构单元实时进行数据进行采集，构建模型，同步分析，解决了数据数量庞大，计算缓慢的问题。

主权利要求：
1.一种应用于船舶动力系统的故障模拟分析系统，其特征在于，包括：数据采集模块、动力系统模拟模块、数据库与分析模块；
所述数据采集模块用于将船舶真实运行数据传输至所述动力系统模拟模块，并采集所述动力系统模拟模块的模拟运行数据；
所述动力系统模拟模块用于模拟真实船舶动力系统，并基于所述船舶真实运行数据进行模拟运行；
所述动力系统模拟模块包括：主动力机组运行单元和辅机运行单元；
所述主动力机组运行单元用于模拟船舶主动力机组运行状态；
所述辅机运行单元用于模拟船舶辅机运行状态；
所述主动力机组运行单元包括：主推进机组运行子单元和柴油机运行子单元；
所述主推进机组运行子单元用于模拟船舶轴系与推进器运行状态；
所述柴油机运行子单元用于模拟船舶柴油机组运行状态；
所述辅机运行单元包括：发电机组运行子单元、锅炉运行子单元；
所述发电机组运行子单元用于模拟备用发电机组运行状况；
所述锅炉运行子单元用于模拟蒸汽锅炉运行状况；
所述数据库用于存储所述船舶真实运行数据以及所述模拟运行数据；
所述分析模块用于基于所述模拟运行数据进行计算，得到所述动力系统模拟模块运行状况，并基于所述运行状况进行状态预警；
所述数据采集模块包括：采集单元、显示单元、异常报警单元；
所述采集单元用于采集所述船舶真实运行数据与所述模拟运行数据；
所述显示单元用于实时显示所述模拟运行数据；
所述异常报警单元用于基于所述模拟运行数据以及预设极限值进行报警；
所述分析模块包括：主分析单元和若干子分析单元；
若干所述子分析单元与所述采集单元连接，分别对所述动力系统模拟模块采集的数据进行处理分析，得到子单元分析结果；
4个子分析单元：第一子分析单元、第二子分析单元、第三子分析单元和第四子分析单元，分别用于对主推进机组运行子单元、柴油机运行子单元、发电机组运行子单元和锅炉运行子单元采集的运行数据进行分析；
第一子分析单元的工作过程包括：
首先对主推进器进行健康监测：
对设备健康表征参数统计分布检验：分布检验选择克尔莫格洛夫检测法，当有一个以上的分布形式用过检验时，选择分布的似然比检验方法，选择出最符合的分布形式；
确定健康表征参数在各个工况下的健康控制限：在已经判断出设备处于工况稳定状态时，根据健康表征参数统计分布检验结果及运行工况信息，确定对应工况下的健康表征参数控制限；
根据健康控制限以及健康监测数据进行分析：分别进行超限分析、偏移分析和趋势分析；
然后对主推进器进行健康评估：采用设备的健康特征值波动的大小来描述健康程度，计算方法如下：A＝6σ
式中，σ表示健康特征值的标准差，A表示主推进器的健康程度；
基于健康程度来计算健康程度：
式中，LMAX表示健康控制上限，LMIN表示健康控制下限，C表示健康程度；
第二子分析单元用于对柴油机运行子单元的运行数据进行计算分析，方法包括：获取采集单元对柴油机采集故障时的振动信号、瞬时转速信号、温度信号、压力信号，并统一转换为时域信号；
获取上述信号的特征向量，具体的：
将上述信号进行EMD分解，取得其中的前三阶IMF分量；
基于前三阶得到的IMF分量，求出偏度值和峰度值；
求出前三阶IMF分量的边际谱，并在10kHZ将频段进行划分，进行计算得到归一化能量；
并构建特征向量；
通过计算重心频率值和重心幅值来构建特征向量，其中，重心频率计算方法包括：式中，fi表示频率点，G(fi)表示频率点的能量；
重心幅值计算方法包括：
利用BP神经网络对柴油机故障进行识别、诊断和分析：输入层节点数设置为27、隐藏层节点数设置为28，输出层节点数设置为4；通过选取训练样本，对BP神经网络进行训练，优化；基于优化后的BP神经网络对故障进行诊断；
第三子分析单元用于对采集的发电机组运行子单元的运行数据进行计算分析；
采用基于蚂蚁算法优化训练神经网络的方法对故障进行诊断分析；
蚂蚁算法优化训练BP神经网络的具体方法包括：设置初始化条件：令时间t＝0和迭代次数NC＝0，设置最大迭代次数NCmax，蚂蚁的数目为K，令集合Ipi(1≤i≤M)中的元素j的信息素τj(Ipi)(0)＝C，且Δτj(Ipi)＝0,将全部蚂蚁置于蚁巢；
启动所有蚂蚁，每只蚂蚁从第1个集合开始，按照路径选择规则依次在每个集合中选择一个元素；
路径选择规则：对于集合Ipi，任意一只蚂蚁根据下式计算的概率随机地选择它的第j个元素；
直到蚁群全部到达食物源；
当所有蚂蚁在每个集合中都选择了一个元素，并按照原路径返回蚁巢，该过程经历的时间为n个时间单位，所选择的元素的信息素做相应调节：τj(Ipi)(t+n)＝ρτj(Ipi)(t)+Δτj(Ipi)式中，ρ表示信息素的持久性, 表示第k只蚂蚁在本次循环中，在集合Ipi的第j个元素上留的信息素，其中k
式中，Q为常数，e是将第k个蚂蚁选择的一组权值和阈值作为神经网络的权值和阈值的k输出误差，e＝|On?Op|；On与Op分别表示神经网络的实际输出和期望输出；
重复上述步骤，直到所有蚂蚁全部收敛到一条路径或达到最大迭代次数NCmax，输出最优解，则循环结束；
最后，基于优化后的神经网络对故障进行检测；
神经网络的输入层神经元个数设置为6个，输出层神经元个数设置为2个，隐藏层神经元个数设置为8个；
第四子分析单元用于对采集的锅炉运行子单元的运行数据进行计算分析；通过构建混合神经网络，对锅炉系统进行故障检测、分析；混合神经网络基于SOM神经网络和BP神经网络构建；
首先将采集的数据输入至SOM神经网络中，对采集的数据进行初步分类，将初步分类结果作为BP神经网络的输入，训练优化网络，直至混合神经网络得到最优准确率，将其作为最终混合神经网络模型，对故障进行诊断，得出诊断结果；
混合神经网络包括输入层、竞争层、隐含层和输出层；输入层节点个数设置为7个；竞争层的节点数量设置为25，竞争层的拓扑结构采用六角形拓扑结构；隐含层设计为单个隐含层；输出层神经元节点数设置为9；隐含层激活函数设置为Logsig函数，输出层激活函数设置为Perelin函数；
所述主分析单元用于对所述子单元分析结果进行综合评估，得到所述动力系统模拟模块运行状况，并基于所述运行状况进行状态预警。
2.根据权利要求1所述的应用于船舶动力系统的故障模拟分析系统，其特征在于，所述采集单元包括：转速传感器、温度传感器、压力传感器、振动传感器、声发射传感器。
3.一种应用于船舶动力系统的故障模拟分析方法，所述故障模拟分析方法应用权利要求1?2任一项所述的故障模拟分析系统，其特征在于，包括：采集船舶真实运行数据作为模拟系统的历史运行数据，并实时采集模拟系统的模拟运行数据；
对所述模拟运行数据进行存储以及实时显示；
构建分析模型，基于所述分析模型对所述模拟运行数据进行计算分析，得出模拟运行状况；
基于所述运行状况对模拟系统进行故障分析，得出分析结果。 说明书 : 一种应用于船舶动力系统的故障模拟分析系统及方法技术领域[0001] 本发明属于故障检测技术领域，具体涉及一种应用于船舶动力系统的故障模拟分析系统及方法。背景技术[0002] 船舶的正常行驶离不开动力系统的支持，动力系统的运行状态不仅直接影响船舶的运行，还关系着船舶上人员的安全以及巨大的经济效益。因此，对船舶的动力系统的故障检测有着十分重要的意义。[0003] 传统的故障检测大部分还是依赖定期检修，这种方式容易导致材料损耗和维护成本增加，而且频繁的拆检会加速破坏部件之间的摩擦状态，严重时容易引起新的故障。一部分船舶运行故障诊断是利用有源电子互感器原理，对可能出现故障的模块，进行逐一排查，再利用解析模型的限制作用，对排查结果进行逐一筛查，确定出现故障的模块，完成一次故障诊断。但这种方法需要大量的数据结算结果，使得故障诊断的时间过长，效率低下。因此需要一种动力系统仿真模型进行故障仿真，通过建立模型对动力系统运行状态进行实时监测，对故障进行融合判断，从而综合评价船舶动力系统的性能。发明内容[0004] 本发明旨在解决现有技术的不足，提出一种应用于船舶动力系统的故障模拟分析系统及方法，通过对船舶动力系统中主动力装备与辅机装备进行模拟，以真实采集的船舶运行数据作为各个结构单元的历史数据，并分别对不同结构单元实时进行数据进行采集，构建模型，同步分析。[0005] 为实现上述目的，本发明提供了如下方案：一种应用于船舶动力系统的故障模拟分析系统，包括：数据采集模块、动力系统模拟模块、数据库与分析模块；[0006] 所述数据采集模块用于将船舶真实运行数据传输至所述动力系统模拟模块，并采集所述动力系统模拟模块的模拟运行数据；[0007] 所述动力系统模拟模块用于模拟真实船舶动力系统，并基于所述船舶真实运行数据进行模拟运行；[0008] 所述数据库用于存储所述船舶真实运行数据以及所述模拟运行数据；[0009] 所述分析模块用于基于所述模拟运行数据进行计算，得到所述动力系统模拟模块运行状况，并基于所述运行状况进行状态预警。[0010] 优选地，所述数据采集模块包括：采集单元、显示单元、异常报警单元；[0011] 所述采集单元用于采集所述船舶真实运行数据与所述模拟运行数据；[0012] 所述显示单元用于实时显示所述模拟运行数据；[0013] 所述异常报警单元用于基于所述模拟运行数据以及预设极限值进行报警。[0014] 优选地，所述采集单元包括：转速传感器、温度传感器、压力传感器、振动传感器、声发射传感器。[0015] 优选地，所述动力系统模拟模块包括：主动力机组运行单元和辅机运行单元；[0016] 所述主动力机组运行单元用于模拟船舶主动力机组运行状态；[0017] 所述辅机运行单元用于模拟船舶辅机运行状态。[0018] 优选地，所述主动力机组运行单元包括：主推进机组运行子单元和柴油机运行子单元；[0019] 所述主推进机组运行子单元用于模拟船舶轴系与推进器运行状态；[0020] 所述柴油机运行子单元用于模拟船舶柴油机组运行状态。[0021] 优选地，所述辅机运行单元包括：发电机组运行子单元、锅炉运行子单元；[0022] 所述发电机组运行子单元用于模拟备用发电机组运行状况；[0023] 所述锅炉运行子单元用于模拟蒸汽锅炉运行状况。[0024] 优选地，所述分析模块包括：主分析单元和若干子分析单元；[0025] 若干所述子分析单元与所述采集单元连接，分别对所述动力系统模拟模块采集的数据进行处理分析，得到子单元分析结果；[0026] 所述主分析单元用于对所述子单元分析结果进行综合评估，得到所述动力系统模拟模块运行状况，并基于所述运行状况进行状态预警。[0027] 本发明还提供一种应用于船舶动力系统的故障模拟分析方法，包括：[0028] 采集船舶真实运行数据作为模拟系统的历史运行数据，并实时采集模拟系统的模拟运行数据；[0029] 对所述模拟运行数据进行存储以及实时显示；[0030] 构建分析模型，基于所述分析模型对所述模拟运行数据进行计算分析，得出模拟运行状况；[0031] 基于所述运行状况对模拟系统进行故障分析，得出分析结果。[0032] 与现有技术相比，本发明的有益效果为：[0033] 本发明公开了一种应用于船舶动力系统的故障模拟分析系统及方法，通过对船舶动力系统中主动力装备与辅机装备进行模拟，以真实采集的船舶运行数据作为各个结构单元的历史数据，并分别对不同结构单元实时进行数据进行采集，构建模型，同步分析，解决了数据数量庞大，计算缓慢的问题，对于不同结构单元的分析进行汇总，通过与数据库中储存的大量故障分析数据进行对比，得到整体设备运行状况。附图说明[0034] 为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0035] 图1为本发明实施例一应用于船舶动力系统的故障模拟分析系统结构示意图；[0036] 图2为本发明实施例一混合神经网络结构示意图；[0037] 图3为本发明实施例二应用于船舶动力系统的故障模拟分析方法流程示意图。具体实施方式[0038] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0039] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。[0040] 实施例一[0041] 如图1所示，为本发明实施例一种应用于船舶动力系统的故障模拟分析系统结构示意图，包括：数据采集模块、动力系统模拟模块、数据库与分析模块；[0042] 其中，数据采集模块主要用于采集船舶真实运行数据，并将其输入至动力系统模拟模块，作为动力系统模拟模块的历史运行数据；并且实时采集运行过程中的动力系统模拟模块的模拟运行数据；将采集的模拟运行数据传输至分析模块进行分析计算。[0043] 数据采集模块主要包括：采集单元、显示单元、异常报警单元；本实施例中，采集单元主要包括不同功能的传感器：转速传感器、温度传感器、压力传感器、振动传感器、声发射传感器等采集装置，根据分析模块需要的运行数据类型设置相应的传感器类型。采集单元与显示单元和异常报警单元连接，采集单元主要用于采集上述船舶真实运行数据与模拟运行数据，并通过显示单元对模拟运行数据进行实时显示，异常报警单元通过设置各个子单元的极限值作为警报值，当实时采集的数据高于警报值或者低于警报值时，异常报警单元发出警报。[0044] 动力系统模拟模块主要用于模拟真实的船舶动力系统，并采集的真实船舶运行数据作为历史数据进行模拟运行。船舶必须装置一整套符合规范要求的动力装置和辅助设备后，才能在水上航行。因此，在本实施例中，动力系统模拟模块主要包括：主动力机组运行单元和辅机运行单元两大部分。其中，主动力机组运行单元作为船舶动力系统的主动力装置，用于模拟船舶主动力机组运行状态；主动力机组运行单元设置有：主推进机组运行子单元和柴油机运行子单元；主推进机组运行子单元用于模拟船舶轴系与推进器运行状态；柴油机运行子单元用于模拟船舶柴油机组运行状态。辅机运行单元用于模拟船舶辅机运行状态，本实施例中，辅机运行单元主要包括：发电机组运行子单元和锅炉运行子单元；船舶的主动力有上述柴油机运行子单元提供，基于船舶安全可靠性的考虑，大型船舶往往会配置有多组发电机，根据需要时进行发电。在本实施例中，发电机组运行子单元设置有3组，用于模拟备用发电机组运行状况。以柴油机为主动力的船上，都需要设置有蒸汽锅炉，用于提供辅助性蒸汽。因此设置有锅炉运行子单元用于模拟蒸汽锅炉运行状况。[0045] 数据库主要用于存储船舶真实运行数据以及模拟运行数据，并提供一个故障数据库，用于分析模块在故障分析时调用故障数据库，对故障进行准确检测。[0046] 分析模块用于基于模拟运行数据进行计算，得到动力系统模拟模块运行状况，并基于运行状况进行状态预警。分析模块主要包括：主分析单元和若干子分析单元；其中，若干子分析单元与采集单元连接，对动力系统模拟模块的各个子单元采集的数据进行处理分析，得到子单元分析结果；主分析单元与若干子分析单元连接，用于将若干子分析单元分析结果汇总，进行综合评估，得到动力系统模拟模块运行状况，并基于运行状况进行状态预警。[0047] 根据本实施例中动力系统模拟模块的子单元设置，本实施例设置有4个子分析单元：第一子分析单元、第二子分析单元、第三子分析单元和第四子分析单元，分别用于对上述主推进机组运行子单元、柴油机运行子单元、发电机组运行子单元和锅炉运行子单元采集的运行数据进行分析。[0048] 主推进器故障往往是由于螺旋桨制作所选材料不好或者铸造缺陷，并且在长期的海水侵蚀的情况下，会导致叶片变形、断裂等情况，使得螺旋桨失去平衡，严重时，螺旋桨所引起的故障还会造成轴系中心线偏差，引起船舶振动、主机无法运行等故障。因此，第一子分析单元对主推进器进行分析计算时以健康监测为主，将其健康状态分为：一级故障、二级故障和三级故障。一级故障：故障发生后严重影响整机工作，并且发生频繁。二级故障：对整机有较为严重的影响，发生次数不是太多，有足够的时间进行处理。三级故障：对整机运行几乎没有影响，即使不处理也不会有影响。[0049] 第一子分析单元的工作过程包括：[0050] 首先对主推进器进行健康监测：[0051] (1)对设备健康表征参数统计分布检验[0052] 本实施例中，分布检验选择克尔莫格洛夫检测法，当有一个以上的分布形式用过检验时，选择分布的似然比检验方法，选择出最符合的分布形式。[0053] (2)确定健康表征参数在各个工况下的健康控制限[0054] 在已经判断出设备处于工况稳定状态时，根据健康表征参数统计分布检验结果及运行工况信息，确定对应工况下的健康表征参数控制限[0055] (3)根据健康控制限以及健康监测数据进行分析[0056] 本实施例中，分别进行超限分析、偏移分析和趋势分析。其中，超限分析指在稳定工况下，健康监测的数据落入健康控制限以外，则表明设备的健康出现了较大的异常波动。偏移分析指健康监测数据在健康限一侧多次出现，表明设备健康状态出现偏移。趋势分析指对健康监测数据进行趋势分析，是否在连续上升或连续下降。[0057] 然后对主推进器进行健康评估：[0058] 当无故障发生时，设备的健康特征值会在一定范围内进行波动。其健康程度越高，其健康特征值波动越。粗酱。因此，本实施例采用设备的健康特征值波动的大小来描述健康程度，计算方法如下：[0059] A＝6σ[0060] 式中，σ表示健康特征值的标准差，A表示主推进器的健康程度。[0061] 基于健康程度来计算健康程度：[0062][0063] 式中，LMAX表示健康控制上限，LMIN表示健康控制下限，C表示健康程度。本实施例中，C的取值范围在[0，1]之间。将C值划分为一级故障、二级故障、三级故障。[0064] 第二子分析单元用于对柴油机运行子单元的运行数据进行计算分析，具体方法包括：[0065] (1)获取采集单元对柴油机采集故障时的振动信号、瞬时转速信号、温度信号、压力信号等信号，并将上述信号统一转换为时域信号。[0066] (2)获取上述信号的特征向量，具体的：[0067] 将上述信号进行EMD分解，取得其中的前三阶IMF分量；[0068] 基于前三阶得到的IMF分量，求出偏度值和峰度值；[0069] 求出前三阶IMF分量的边际谱，并在10kHZ将频段进行划分，进行计算得到归一化能量；并构建特征向量。[0070] 本实施例中，通过计算重心频率值和重心幅值来构建特征向量，其中，重心频率计算方法包括：[0071][0072] 式中，fi表示频率点，G(fi)表示频率点的能量。[0073] 重心幅值计算方法包括：[0074][0075] (3)利用BP神经网络对柴油机故障进行识别、诊断和分析。[0076] 本实施例中，输入层节点数设置为27、隐藏层节点数设置为28，输出层节点数设置为4。通过选取训练样本，对BP神经网络进行训练，优化。基于优化后的BP神经网络对故障进行诊断。[0077] 第三子分析单元用于对采集的发电机组运行子单元的运行数据进行计算分析。[0078] 船舶发电机组常见故障主要包括有机械故障和电气故障。机械故障包括：转子轴承故障、过热、振动、噪声等问题；电气故障包括：启动或者空载时无电压产生、电压值过低或过高、电压波动等问题。其中转子偏心故障是船舶发电机主要故障之一，定转子配合位置不准确、轴承的损坏、定子铁心移动或者变形等都会导致转子偏心。因此，本实施例以转子偏心故障为例，采用基于蚂蚁算法优化训练神经网络的方法对故障进行诊断分析。[0079] 蚂蚁算法优化训练BP神经网络的具体方法包括：[0080] (1)设置初始化条件：令时间t＝0和迭代次数NC＝0，设置最大迭代次数NCmax，蚂蚁的数目为K，令集合Ipi(1≤i≤M)中的元素j的信息素τj(Ipi)(0)＝C，且Δτj(Ipi)＝0,将全部蚂蚁置于蚁巢。[0081] (2)启动所有蚂蚁，每只蚂蚁从第1个集合开始，按照路径选择规则依次在每个集合中选择一个元素。[0082] 路径选择规则：对于集合Ipi，任意一只蚂蚁根据下式计算的概率随机地选择它的第j个元素。[0083][0084] 直到蚁群全部到达食物源。[0085] (3)当所有蚂蚁在每个集合中都选择了一个元素，并按照原路径返回蚁巢，设该过程经历的时间为n个时间单位，则所选择的元素的信息素做相应调节。[0086] τj(Ipi)(t+n)＝pτj(Ipi)(t)+ΔTj(Ipi)[0087][0088] 式中，ρ表示信息素的持久性, 表示第k只蚂蚁在本次循环中，在集合Ipi的第j个元素上留的的信息素，其中[0089][0090] 式中，Q为常数，ek是将第k个蚂蚁选择的一组权值和阈值作为神经网络的权值和k阈值的输出误差，e＝|On?Op|。On与Op分别表示神经网络的实际输出和期望输出。[0091] (4)重复上述步骤，直到所有蚂蚁全部收敛到一条路径或达到最大迭代次数NCmax，输出最优解，则循环结束。[0092] 最后，基于优化后的神经网络对故障进行检测。[0093] 本实施例中，将神经网络的输入层神经元个数设置为6个，输出层神经元个数设置为2个，隐藏层神经元个数设置为8个。[0094] 第四子分析单元用于对采集的锅炉运行子单元的运行数据进行计算分析。船舶的锅炉结构复杂，组成构件众多，设备间耦合性强，任何一个过程出现故障均有可能导致锅炉无法正常工作。因此对锅炉系统的每个单元进行状态监控以及故障检测非常困难。本实施例通过构建混合神经网络，对锅炉系统进行故障检测、分析。本实施例中，混合神经网络基于SOM神经网络和BP神经网络构建。首先将采集的数据输入至SOM神经网络中，对采集的数据进行初步分类，将初步分类结果作为BP神经网络的输入，训练优化网络，直至混合神经网络得到最优准确率，将其作为最终混合神经网络模型，对故障进行诊断，得出诊断结果。[0095] 如图2所示，混合神经网络包括输入层、竞争层、隐含层和输出层。本实施例中，输入层节点个数设置为7个；竞争层的节点数量对于网络训练直观重要，节点数量不合适会引发后续一系列问题：因此，对于竞争层神经元数量经过反复测试，设置为25，竞争层的拓扑结构采用六角形拓扑结构；隐含层设计为单个隐含层；输出层神经元节点数设置为9。隐含层激活函数设置为Logsig函数，输出层激活函数设置为Perelin函数。[0096] 主分析单元通过接收上述四个子分析单元的故障分析结果，通过与数据库中的故障数据库进行类型匹配，获得船舶动力系统的整体故障情况，以及基于故障情况进行预警。[0097] 实施例二[0098] 如图3所示，本发明还提供一种应用于船舶动力系统的故障模拟分析方法，本实施例将结合模拟系统对方法流程进行详细说明。方法包括：[0099] S1、采集船舶真实运行数据作为模拟系统的历史运行数据，并实时采集模拟系统的模拟运行数据；[0100] 本实施例中，主要通过不同功能的传感器，例如：转速传感器、温度传感器、压力传感器、振动传感器、声发射传感器等采集装置，根据故障分析需要的运行数据类型设置相应的传感器类型。[0101] S2、对模拟运行数据进行存储以及实时显示；[0102] 通过显示单元对模拟运行数据进行实时显示，通过设置警报值，当实时采集的数据高于警报值或者低于警报值时，发出警报。[0103] S3、构建分析模型，基于分析模型对模拟运行数据进行计算分析，得出模拟运行状况；[0104] 本实施例中，通过对不同单元的情况，分别构建了相应响应快、准确率高的不同模型，同步对不同单元进行分析，最后通过信息汇总，得出整体故障结果。[0105] 第一分析模型的构建方法包括：[0106] 首先进行健康监测：[0107] (1)对设备健康表征参数统计分布检验[0108] 本实施例中，分布检验选择克尔莫格洛夫检测法，当有一个以上的分布形式用过检验时，选择分布的似然比检验方法，选择出最符合的分布形式。[0109] (2)确定健康表征参数在各个工况下的健康控制限[0110] 在已经判断出设备处于工况稳定状态时，根据健康表征参数统计分布检验结果及运行工况信息，确定对应工况下的健康表征参数控制限[0111] (3)根据健康控制限以及健康监测数据进行分析[0112] 本实施例中，分别进行超限分析、偏移分析和趋势分析。其中，超限分析指在稳定工况下，健康监测的数据落入健康控制限以外，则表明设备的健康出现了较大的异常波动。偏移分析指健康监测数据在健康限一侧多次出现，表明设备健康状态出现偏移。趋势分析指对健康监测数据进行趋势分析，是否在连续上升或连续下降。[0113] 然后进行健康评估：[0114] 当无故障发生时，设备的健康特征值会在一定范围内进行波动。其健康程度越高，其健康特征值波动越。粗酱。因此，本实施例采用设备的健康特征值波动的大小来描述健康程度，计算方法如下：[0115] A＝6σ[0116] 式中，σ表示健康特征值的标准差，A表示主推进器的健康程度。[0117] 基于健康程度来计算健康程度：[0118][0119] 式中，LMAX表示健康控制上限，LMIN表示健康控制下限，C表示健康程度。本实施例中，C的取值范围在[0，1]之间。将C值划分为一级故障、二级故障、三级故障。[0120] 第二分析模型的构建方法包括：[0121] (1)获取采集单元对柴油机采集故障时的振动信号、瞬时转速信号、温度信号、压力信号等信号，并将上述信号统一转换为时域信号。[0122] (2)获取上述信号的特征向量，具体的：[0123] 将上述信号进行EMD分解，取得其中的前三阶IMF分量；[0124] 基于前三阶得到的IMF分量，求出偏度值和峰度值；[0125] 求出前三阶IMF分量的边际谱，并在10kHZ将频段进行划分，进行计算得到归一化能量；并构建特征向量。[0126] 本实施例中，通过计算重心频率值和重心幅值来构建特征向量，其中，重心频率计算方法包括：[0127][0128] 式中，fi表示频率点，G(fi)表示频率点的能量。[0129] 重心幅值计算方法包括：[0130][0131] (3)利用BP神经网络对柴油机故障进行识别、诊断和分析。[0132] 本实施例中，输入层节点数设置为27、隐藏层节点数设置为28，输出层节点数设置为4。通过选取训练样本，对BP神经网络进行训练，优化。基于优化后的BP神经网络对故障进行诊断。[0133] 第三分析模型的构建方法包括：[0134] 采用基于蚂蚁算法优化训练神经网络的方法对故障进行诊断分析。[0135] 蚂蚁算法优化训练BP神经网络的具体方法包括：[0136] (1)设置初始化条件：令时间t＝0和迭代次数NC＝0，设置最大迭代次数NCmax，蚂蚁的数目为K，令集合Ipi(1≤i≤M)中的元素j的信息素τj(Ipi)(0)＝C，且Δτj(Ipi)＝0,将全部蚂蚁置于蚁巢。[0137] (2)启动所有蚂蚁，每只蚂蚁从第1个集合开始，按照路径选择规则依次在每个集合中选择一个元素。[0138] 路径选择规则：对于集合Ipi，任意一只蚂蚁根据下式计算的概率随机地选择它的第j个元素。[0139][0140] 直到蚁群全部到达食物源。[0141] (3)当所有蚂蚁在每个集合中都选择了一个元素，并按照原路径返回蚁巢，设该过程经历的时间为n个时间单位，则所选择的元素的信息素做相应调节。[0142] τj(Ipi)(t+n)＝pτj(Ipi)(t)+Δτj(Ipi)[0143][0144] 式中，ρ表示信息素的持久性, 表示第k只蚂蚁在本次循环中，在集合Ipi的第j个元素上留的的信息素，其中[0145][0146] 式中，Q为常数，ek是将第k个蚂蚁选择的一组权值和阈值作为神经网络的权值和k阈值的输出误差，e＝|On?Op|。On与Op分别表示神经网络的实际输出和期望输出。[0147] (4)重复上述步骤，直到所有蚂蚁全部收敛到一条路径或达到最大迭代次数NCmax，输出最优解，则循环结束。[0148] 最后，基于优化后的神经网络对故障进行检测。[0149] 本实施例中，将神经网络的输入层神经元个数设置为6个，输出层神经元个数设置为2个，隐藏层神经元个数设置为8个。[0150] 第四分析模型的构建方法包括：[0151] 混合神经网络基于SOM神经网络和BP神经网络构建。首先将采集的数据输入至SOM神经网络中，对采集的数据进行初步分类，将初步分类结果作为BP神经网络的输入，训练优化网络，直至混合神经网络得到最优准确率，将其作为最终混合神经网络模型，对故障进行诊断，得出诊断结果。[0152] 混合神经网络包括输入层、竞争层、隐含层和输出层。本实施例中，输入层节点个数设置为7个；竞争层的节点数量对于网络训练直观重要，节点数量不合适会引发后续一系列问题：因此，对于竞争层神经元数量经过反复测试，设置为25，竞争层的拓扑结构采用六角形拓扑结构；隐含层设计为单个隐含层；输出层神经元节点数设置为9。隐含层激活函数设置为Logsig函数，输出层激活函数设置为Perelin函数。[0153] S4、基于运行状况对模拟系统进行故障分析，得出分析结果。[0154] 通过接收上述四个子分析单元的故障分析结果，通过与数据库中的故障数据库进行类型匹配，获得船舶动力系统的整体故障情况，以及基于故障情况进行预警。[0155] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

专利地区：广东

专利申请日期：2023-05-10

专利公开日期：2024-11-19

专利公告号：CN116484637B