在綠色船舶智能監(jiān)測(cè)領(lǐng)域，多源數(shù)據(jù)融合過(guò)程復(fù)雜，從這些數(shù)據(jù)中提取非線性特征面臨諸多挑戰(zhàn)。為有效解決這些問(wèn)題，本文提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能監(jiān)測(cè)方法。首先利用自適應(yīng)加權(quán)平均算法對(duì)多傳感器采集的數(shù)據(jù)進(jìn)行動(dòng)態(tài)融合處理;接著引入蟻群優(yōu)化算法對(duì)融合后的數(shù)據(jù)進(jìn)行特征提取，降低冗余數(shù)據(jù)干擾，提高數(shù)據(jù)處理效率和準(zhǔn)確性;最后構(gòu)建改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)模型，對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行判斷和劃分。實(shí)驗(yàn)表明，該方法獲取的設(shè)備狀態(tài)數(shù)據(jù)能有效監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)，具有切實(shí)可行性。

　　關(guān)鍵詞

　　模糊神經(jīng)網(wǎng)絡(luò);智能船舶;智能監(jiān)測(cè)系統(tǒng)

　　0 引言

　　隨著數(shù)字化技術(shù)與航運(yùn)產(chǎn)業(yè)深度融合，全球航運(yùn)事業(yè)規(guī)模化擴(kuò)張，但船舶各系統(tǒng)運(yùn)行安全性不容忽視。航運(yùn)風(fēng)險(xiǎn)包括設(shè)備本體風(fēng)險(xiǎn)、環(huán)境擾動(dòng)因素和人工操控因素，其中設(shè)備本體風(fēng)險(xiǎn)主要表現(xiàn)為機(jī)艙各類電氣及自動(dòng)化設(shè)備故障等。在此背景下，船舶智能監(jiān)測(cè)技術(shù)從 “單一感知” 向 “多源感知” 轉(zhuǎn)型，關(guān)鍵在于集成多模態(tài)傳感數(shù)據(jù)與智能算法模型，通過(guò)融合邊緣計(jì)算、遷移學(xué)習(xí)等技術(shù)構(gòu)建動(dòng)態(tài)感知網(wǎng)絡(luò)，實(shí)現(xiàn)船舶運(yùn)行狀態(tài)的全域可視化監(jiān)測(cè)與預(yù)測(cè)性維護(hù)，成為當(dāng)前智能船舶領(lǐng)域研究重點(diǎn)。

　　1 數(shù)據(jù)采集及優(yōu)化

　　多源感知首先體現(xiàn)在數(shù)據(jù)來(lái)源多樣化，通過(guò)在設(shè)備不同部位合理布置多種類型傳感器獲取多源數(shù)據(jù)。傳感器采集數(shù)據(jù)回傳后，采用自適應(yīng)加權(quán)平均算法進(jìn)行融合處理。該算法是基于數(shù)據(jù)動(dòng)態(tài)變化特征的優(yōu)化融合算法，能依據(jù)輸入數(shù)據(jù)可靠程度動(dòng)態(tài)分配權(quán)重系數(shù)，運(yùn)行中評(píng)估數(shù)據(jù)質(zhì)量并實(shí)時(shí)更新權(quán)重，最終通過(guò)加權(quán)平均計(jì)算實(shí)現(xiàn)整體誤差最小化，達(dá)到更精準(zhǔn)的數(shù)據(jù)融合效果。

　　算法詳細(xì)步驟如下：用c1?,c2?,?,cn?表示多個(gè)傳感器采集的數(shù)據(jù)量，對(duì)每個(gè)傳感器從精度、準(zhǔn)確度、穩(wěn)定性及噪聲水平等多維度綜合評(píng)估，初步評(píng)定權(quán)值ξ1?,ξ2?,?,ξn?。在相同環(huán)境和同一時(shí)刻，多個(gè)傳感器同步采集船舶運(yùn)行狀態(tài)數(shù)據(jù)，融合后權(quán)值表達(dá)式為c=∑a=1n?ξa?×ca?。進(jìn)一步推導(dǎo)，數(shù)據(jù)融合后的特征向量公式為T(a)=ca?2∑a=1n?ξa?c2?。根據(jù)無(wú)偏估計(jì)理論，各傳感器數(shù)據(jù)相互獨(dú)立，當(dāng)數(shù)據(jù)融合特征均方差最小時(shí)，加權(quán)值公式為ξa∗?=∑a=1n?T(a)21?，最終獲取船舶運(yùn)行數(shù)據(jù)融合結(jié)果ζ=ξa∗?∑a=1n?T(a)?。

　　若數(shù)據(jù)中存在大量冗余數(shù)據(jù)，會(huì)影響監(jiān)測(cè)結(jié)果準(zhǔn)確性。蟻群優(yōu)化算法借助信息素正反饋機(jī)制優(yōu)化數(shù)據(jù)，本文采用該算法提取船舶運(yùn)行狀態(tài)數(shù)據(jù)的最優(yōu)特征集，具體步驟如下：

　　參數(shù)初始化設(shè)置：包括螞蟻數(shù)量、信息素初始濃度及啟發(fā)因子權(quán)重。

　　構(gòu)建可行解：每只螞蟻依據(jù)啟發(fā)式規(guī)則和信息素濃度抉擇移動(dòng)路徑，重復(fù)選擇直至找到可行解或達(dá)到搜索終止條件。其中，τijα?(t)表示時(shí)刻t邊(i,j)上的信息素?cái)?shù)值，ηij?(t)代表相應(yīng)信息值，Nk?(i)表示可行網(wǎng)格集合，尚未被螞蟻k訪問(wèn)過(guò)，轉(zhuǎn)移概率公式為Pijk?(t)=????∑s∈Nk?(i)?τisα?(t)ηisβ?(t)τijα?(t)ηijβ?(t)?,j∈Nk?(i)0,otherwise?。

　　更新信息素：持續(xù)迭代更新信息素，直到達(dá)到最大迭代次數(shù)或最優(yōu)解趨于穩(wěn)定，更新公式為τij?(t+1)=(1−ρ)τij?(t)+∑k=1m?Δτijk?(t)，其中ρ表示信息素蒸發(fā)速率，m是螞蟻數(shù)量。完成數(shù)據(jù)優(yōu)化后，將優(yōu)化后的數(shù)據(jù)投入神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類。

　　2 改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

　　考慮到船舶運(yùn)行數(shù)據(jù)維度多、權(quán)重難確定且要求算法對(duì)傳感器噪聲容忍度高，模糊神經(jīng)網(wǎng)絡(luò)適用于模糊語(yǔ)義或數(shù)據(jù)不確定性高的分類情境，它結(jié)合了模糊邏輯與神經(jīng)網(wǎng)絡(luò)的互補(bǔ)特性，能有效應(yīng)對(duì)復(fù)雜情況。因此，本文選用模糊神經(jīng)網(wǎng)絡(luò)對(duì)船舶航行狀態(tài)數(shù)據(jù)進(jìn)行分類處理，將提取的最優(yōu)特征集合輸入網(wǎng)絡(luò)實(shí)現(xiàn)智能監(jiān)測(cè)，其模型架構(gòu)如圖 1 所示。

　　首先將優(yōu)化后的船舶航行狀態(tài)數(shù)據(jù)作為輸入量，進(jìn)入模糊層，通過(guò)隸屬函數(shù)進(jìn)行模糊化操作，選用的隸屬函數(shù)為iwkok?=ζok2?exp(−(cwk?−vok?)2)?，其中vok?表示第o維第k類聚類中心，cwk?表示第k類第w個(gè)輸入最優(yōu)特征子集。

　　模糊處理后的子集繼續(xù)輸入推理層進(jìn)行模糊規(guī)則計(jì)算，表達(dá)式為ωwa?=∏o=1T?iwook?。然后對(duì)推理層輸出數(shù)據(jù)進(jìn)行歸一化處理，得到歸一化輸出值ωwa?=∑a=1MT?ωwa?ωwa??。連接矩陣E=BU?，其中B代表歸一化輸出矩陣，U表示模糊神經(jīng)網(wǎng)絡(luò)的輸出，進(jìn)一步推導(dǎo)出模糊神經(jīng)網(wǎng)絡(luò)模型的輸出公式ωwa?=E∑a=1MT?ωwa?ωwa??。從輸出層獲取的數(shù)據(jù)可實(shí)現(xiàn)船舶運(yùn)行狀態(tài)的智能監(jiān)測(cè)。

　　3 實(shí)驗(yàn)與分析

　　本文以船舶動(dòng)力系統(tǒng)的關(guān)鍵設(shè)備齒輪箱和柴油發(fā)動(dòng)機(jī)為例進(jìn)行實(shí)驗(yàn)，分析設(shè)備在相同位置、相同工作條件下不同時(shí)間點(diǎn)的數(shù)據(jù)，以及不同工作條件下的橫向比較，算法流程框圖如圖 2 所示。

　　在某船舶齒輪箱監(jiān)測(cè)實(shí)驗(yàn)中，對(duì)于減速齒輪裝置等設(shè)備，布置聲音傳感器，監(jiān)測(cè)點(diǎn)選擇設(shè)備容易故障、便于日常檢測(cè)維護(hù)且兼顧各個(gè)外立面的地方。對(duì)于典型一級(jí)減速齒輪裝置，監(jiān)測(cè)點(diǎn)布放原則為：在設(shè)備每個(gè)軸承附近、上端面及側(cè)面各布放 1 個(gè)監(jiān)測(cè)點(diǎn)。通過(guò)算法對(duì)采集的聲音信號(hào)計(jì)算，經(jīng)傅里葉變換將數(shù)據(jù)從時(shí)域轉(zhuǎn)為頻域，刻畫聲音的密度和能量曲線，建立與設(shè)備健康的對(duì)應(yīng)關(guān)系。圖 3 為同一左舷齒輪箱在不同工況下的運(yùn)行狀態(tài)圖，圖 4 為同一右舷齒輪箱在不同工況下的運(yùn)行狀態(tài)圖，不同顏色曲線表示不同工況，橫坐標(biāo)為工作頻率 (Hz)，縱坐標(biāo)為聲音分貝 (dB)。由圖可知，在各個(gè)工況下，設(shè)備聲音表現(xiàn)一致性良好，運(yùn)行狀態(tài)穩(wěn)定，雖有少數(shù)數(shù)據(jù)差異但在正常范圍內(nèi)，設(shè)備運(yùn)行狀況良好。

　　對(duì)某船舶的軸承進(jìn)行監(jiān)測(cè)，并與報(bào)廢軸承對(duì)比，圖 5 為低頻聲音能量曲線圖，橫坐標(biāo)為工作頻率 (Hz)，縱坐標(biāo)為能量 (dB)，兩條藍(lán)色曲線為某船舶軸承的低頻聲音能量曲線，紅色曲線為報(bào)廢軸承的低頻能量曲線，低頻 (390Hz) 能量曲線表征軸承運(yùn)行平穩(wěn)度，可看出報(bào)廢軸承與合格軸承能量曲線差異較大。圖 6 為中高頻聲音能量曲線圖，兩條藍(lán)色曲線為某船舶軸承的高頻聲音能量曲線，紅色曲線為報(bào)廢軸承的高頻能量曲線，中頻 (2100-3500Hz) 故障軸承潤(rùn)滑油聲音能量遠(yuǎn)高于正常軸承，高頻 (>10000Hz) 報(bào)廢軸承內(nèi)滾珠與內(nèi)圈不平滑撞擊，能量差異顯著，驗(yàn)證了本文算法對(duì)兩類軸承的區(qū)分能力，未來(lái)可據(jù)此建立設(shè)備報(bào)廢標(biāo)準(zhǔn)。

　　4 結(jié)論

　　為保證船舶安全航行，對(duì)重點(diǎn)系統(tǒng)設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)是智能船舶研究重點(diǎn)內(nèi)容之一。本文提出基于模糊神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備智能監(jiān)測(cè)方法，通過(guò)合理布置傳感器實(shí)現(xiàn)對(duì)重點(diǎn)設(shè)備運(yùn)行狀態(tài)全面監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果顯示，該方法獲取的設(shè)備狀態(tài)數(shù)據(jù)能有效監(jiān)測(cè)設(shè)備實(shí)際運(yùn)行狀態(tài)，驗(yàn)證了方法的可行性。未來(lái)研究中，需深入探索設(shè)備狀態(tài)檢測(cè)后準(zhǔn)確確定故障類型，將狀態(tài)監(jiān)測(cè)與故障診斷有機(jī)結(jié)合，構(gòu)建從 “感知” 到 “決策” 的完整閉環(huán)體系，提升船舶設(shè)備運(yùn)行的安全性與可靠性。

如果您現(xiàn)在遇到期刊選擇、論文內(nèi)容改善、論文投稿周期長(zhǎng)、難錄用、多次退修、多次被拒等問(wèn)題，可以告訴學(xué)術(shù)顧問(wèn)，解答疑問(wèn)同時(shí)給出解決方案 。