王永堅(jiān), 陳景鋒, 楊小明

(1.集美大學(xué) 輪機(jī)工程學(xué)院，福建 廈門 361021；2.福建省廈門輪船公司，福建 廈門 361021)

神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的尾軸承磨損故障診斷

王永堅(jiān)1, 陳景鋒1, 楊小明2

(1.集美大學(xué) 輪機(jī)工程學(xué)院，福建 廈門 361021；2.福建省廈門輪船公司，福建 廈門 361021)

為克服鐵譜、光譜、理化和顆粒計(jì)數(shù)等4種油液檢測分析方法在船舶尾軸承磨損故障診斷中存在的準(zhǔn)確性偏差等問題，提出運(yùn)用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論對尾軸承磨損故障進(jìn)行融合診斷。依據(jù)各分析方法的標(biāo)準(zhǔn)磨損界限值，將各檢測原始數(shù)據(jù)預(yù)處理轉(zhuǎn)換為布爾值，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法獲取每種檢測方法的故障域單項(xiàng)診斷結(jié)果。利用D-S證據(jù)理論融合各單項(xiàng)故障診斷結(jié)果，以獲得更為準(zhǔn)確的診斷結(jié)果，并通過具體的案例驗(yàn)證方法的準(zhǔn)確性。

船舶工程；船舶尾軸承；油液分析；神經(jīng)網(wǎng)絡(luò)；D-S證據(jù)理論；磨損故障

船舶尾軸管裝置(尾軸承及尾軸)是推進(jìn)裝置軸系組成設(shè)備中最關(guān)鍵的部件之一，其穿出船體與螺旋槳相連，工作條件十分惡劣，除了需要承受各種機(jī)械應(yīng)力、海水腐蝕之外，還存在嚴(yán)重的摩擦磨損問題。[1]油潤滑尾軸及軸承工作狀態(tài)較差，不僅影響船舶安全航行，而且會對海洋環(huán)境造成嚴(yán)重污染。因此，運(yùn)用科學(xué)、有效的檢測方法，定期檢測尾軸及軸承工作狀態(tài)，及時(shí)發(fā)現(xiàn)故障問題，提出故障診斷意見，指導(dǎo)輪機(jī)管理人員及時(shí)檢修尾軸承和科學(xué)換油，對確保船舶安全航行和保護(hù)海洋環(huán)境具有重要作用。[2]應(yīng)用油液檢測技術(shù)與先進(jìn)故障分析理論監(jiān)測船舶尾軸承磨損故障，對及時(shí)發(fā)現(xiàn)故障進(jìn)而采取科學(xué)的檢修措施、降低故障發(fā)生率具有顯著的現(xiàn)實(shí)意義，已成為尾軸承維護(hù)保養(yǎng)的重要手段之一。

1 船舶尾軸承磨損故障診斷流程

尾軸管裝置一般由尾軸管、尾軸承、密封裝置以及潤滑、冷卻部分等組成。[1]基于神經(jīng)網(wǎng)絡(luò)和D-S(Dempster-Shafter)證據(jù)理論的船舶尾軸承磨損故障診斷研究方法與技術(shù)手段見圖1，基本思路為：

1.根據(jù)受控船舶(57 000載重噸散貨船)油潤滑尾軸承(鉛基巴氏白合金PbSb10Sn6)最常見的磨損故障類型確定故障域(正常磨損、過度磨損、擦傷、裂紋、金屬剝落、燒熔等)。

圖1 基于神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論融合的船舶尾軸承磨損故障診斷流程圖

2.定期送檢尾軸承油樣理化指標(biāo)、鐵譜、光譜和顆粒計(jì)數(shù)(污染度)測取的檢測數(shù)據(jù)，與行業(yè)專家和輪機(jī)管理人員建議的評判標(biāo)準(zhǔn)極限值(閾值)比較后，對各檢測原始數(shù)據(jù)進(jìn)行預(yù)處理。

3.基于神經(jīng)網(wǎng)絡(luò)理論獲取每種檢測方法的故障域診斷結(jié)果。

4.利用D-S證據(jù)理論融合各檢測分析方法對故障域的單項(xiàng)診斷結(jié)果，獲取更為準(zhǔn)確的尾軸承磨損故障診斷結(jié)果，為船舶的日常維護(hù)保養(yǎng)提供重要的技術(shù)保障和決策支持。

2 基于神經(jīng)網(wǎng)絡(luò)的尾軸承油樣檢測數(shù)據(jù)分析與故障診斷

2.1BP神經(jīng)網(wǎng)絡(luò)與油樣訓(xùn)練樣本

BP神經(jīng)網(wǎng)絡(luò)由輸入矢量層、多個(gè)隱含層以及輸出層組成。[3]BP算法是一類有導(dǎo)學(xué)習(xí)算法。船舶尾軸承BP算法中的訓(xùn)練樣本是從行業(yè)專家和經(jīng)驗(yàn)豐富的輪機(jī)管理人員的長期經(jīng)驗(yàn)總結(jié)和科學(xué)判斷中獲得的，尾軸承BP算法中的油樣檢測數(shù)據(jù)的訓(xùn)練樣本分為鐵譜、光譜、理化指標(biāo)分析、顆粒計(jì)數(shù)等4類子網(wǎng)絡(luò)訓(xùn)練樣本。

2.2尾軸承油樣檢測數(shù)據(jù)故障征兆預(yù)處理

由于運(yùn)用4種油液檢測分析方法得到的診斷數(shù)據(jù)的數(shù)值及量綱均不相同[4]，為便于后續(xù)分析，在進(jìn)行神經(jīng)網(wǎng)絡(luò)診斷分析和D-S融合診斷前，必須對各原始檢測數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的主要方法是：將4種帶有故障征兆的檢測數(shù)據(jù)與行業(yè)專家和輪機(jī)管理人員建議的評判標(biāo)準(zhǔn)界限值(閾值)相比較，處于正常范圍內(nèi)的值標(biāo)為0，超出界限值的標(biāo)為1，這樣就將具有故障征兆的4種原始數(shù)據(jù)轉(zhuǎn)換為0和1的布爾值。

在船舶尾軸承油樣分析中，理化分析的原始數(shù)據(jù)選擇有100 ℃和40 ℃的運(yùn)動(dòng)黏度、機(jī)械雜質(zhì)及水分含量等。根據(jù)理化指標(biāo)與尾軸承故障模式的對應(yīng)關(guān)系，通過預(yù)處理得到的輸出結(jié)果為：運(yùn)動(dòng)黏度超標(biāo)SP1；機(jī)械雜質(zhì)超標(biāo)SP2；其他理化指標(biāo)超標(biāo)SP3。

鐵譜檢測原始數(shù)據(jù)為各類磨粒的百分比[5]，通過預(yù)處理得到的輸出結(jié)果為：球狀磨粒SF1；層狀磨粒SF2；疲勞磨粒SF3；切削磨粒SF4；嚴(yán)重滑動(dòng)磨粒SF5；腐蝕磨損SF6；污染物顆粒SF7；紅色氧化物磨粒SF8；黑色氧化物磨粒SF9。

光譜分析中，檢測的金屬類型與尾軸承材料有關(guān)[6]，此受控船舶尾軸承采用鉛基巴氏白合金，檢測獲得的原始數(shù)據(jù)中選擇與故障域關(guān)聯(lián)度緊密的Fe，Cu，Cr，Sb，Sn，Pb，Na等元素的百萬分比濃度[7]。通過預(yù)處理得到：Fe元素濃度超標(biāo)S1；Cu元素濃度超標(biāo)S2；Cr元素濃度超標(biāo)S3；Sb元素濃度超標(biāo)S4；Sn元素濃度超標(biāo)S5；Pb元素濃度超標(biāo)S6；Na元素濃度超標(biāo)S7。

尾軸承油樣顆粒計(jì)數(shù)檢測分析中，由于檢測獲得的各擋尺寸顆粒(5～15 μm，15～25 μm，25～50 μm，50～100 μm，≥100 μm)的具體數(shù)量與尾軸承的故障域無法對應(yīng)，因此只能通過判斷油樣污染度是否超標(biāo)進(jìn)行預(yù)處理得到：污染度超標(biāo)SC1。

2.3基于神經(jīng)網(wǎng)絡(luò)單項(xiàng)檢測方法故障診斷

BP神經(jīng)網(wǎng)絡(luò)多層前饋網(wǎng)絡(luò)的分類能力與網(wǎng)絡(luò)信息容量有關(guān)，為解決因網(wǎng)絡(luò)參數(shù)太少而無法表達(dá)樣本中蘊(yùn)涵的規(guī)律以及網(wǎng)絡(luò)參數(shù)過多樣本信息少而得不到充分訓(xùn)練的問題，采用3層BP神經(jīng)網(wǎng)絡(luò)對尾軸承油樣檢測獲得的分析數(shù)據(jù)進(jìn)行磨損故障分析，以獲得較為可靠的診斷結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)船舶尾軸承磨損故障診斷系統(tǒng)包括鐵譜、光譜、理化分析和顆粒計(jì)數(shù)等4類子系統(tǒng)，其中子系統(tǒng)輸入的是各種原始數(shù)據(jù)通過預(yù)處理得到的布爾值0或1。根據(jù)行業(yè)專家和輪機(jī)管理人員的綜合意見確定尾軸裝置故障域?yàn)椋赫Ｄp(F1)，過度磨損(F2)，擦傷(F3)，裂紋(F4)，金屬剝落(F5)，燒熔(F6)；在不同子系統(tǒng)中，分別用AFn(鐵譜)、BFn(光譜)、CFn(理化)、DFn(顆粒計(jì)數(shù))表示。

根據(jù)行業(yè)專家和輪機(jī)管理人員多年的經(jīng)驗(yàn)知識得到的4種檢測數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本見表1～表4。由于輸入樣本不同，所建立的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)也不同。如確定鐵譜子系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的基本方法為：輸入層有9個(gè)神經(jīng)元，輸出層有6個(gè)神經(jīng)元，隱含層節(jié)點(diǎn)數(shù)的選擇直接影響網(wǎng)絡(luò)對復(fù)雜問題的映射能力，因此采用試湊法確定最佳隱節(jié)點(diǎn)數(shù)。首先設(shè)置較少的隱節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱節(jié)點(diǎn)數(shù)，用同一個(gè)本集進(jìn)行訓(xùn)練，從而確定網(wǎng)絡(luò)誤差最小時(shí)對應(yīng)隱層應(yīng)該有20個(gè)神經(jīng)元，最終獲得鐵譜網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為9-20-6。按此方法，可得光譜網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為7-15-6，理化指標(biāo)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為3-7-6，顆粒計(jì)數(shù)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為1-6-6。

表1 鐵譜子網(wǎng)絡(luò)的訓(xùn)練樣本

表2 光譜子網(wǎng)絡(luò)訓(xùn)練樣本

表3 理化指標(biāo)分析子網(wǎng)絡(luò)訓(xùn)練樣本

表4 顆粒計(jì)數(shù)子網(wǎng)絡(luò)訓(xùn)練樣本

3 尾軸承磨損故障D-S證據(jù)理論融合診斷

D-S證據(jù)理論是目前決策層融合中最常用的方法之一，證據(jù)理論的基礎(chǔ)是證據(jù)合并和信任函數(shù)的更新，其對不確定性的描述[8]是通過識別框架、基本概率分配函數(shù)以及信任函數(shù)等的概念來進(jìn)行的。

3.1識別框架與基本信任分配函數(shù)

設(shè)互不相容事件的完備集合Θ為識別框架，可表示為：Θ={θ1,θ2,…,θj,…,θn}，θj為識別框架Θ的一個(gè)事件或元素，n為元素個(gè)數(shù)；由識別框架Θ的所有子集組成的一個(gè)集合稱為Θ的冪集，記作2Θ，而基本信任分配函數(shù)m是一個(gè)從集合2Θ到[0,1]的映射，A為識別框架Θ的任一子集，記A?Θ,且滿足條件

(1)

3.2證據(jù)理論的合成規(guī)則

設(shè)Bel1,Bel2,…,Beln都是相同框架2Θ上的信任函數(shù)，其基本概率分布是m1,m2,…,mk,…,mn，焦元分別為A1,A2,…,Ai,…,An和B1,B2,…,Bj,…,Bn，則n個(gè)信任函數(shù)組合支持程度為

(2)

對于雙重假設(shè)問題，若設(shè)每個(gè)問題的陳述對假設(shè)A的支持程度分別為m1(A),m2(A),…,mn(A)以及m1(θ),m2(θ),…,mn(θ)，且有

mi(θ)=1-mi(A),i=1,2,…,n

(3)

則聯(lián)合式(2)和式(3)可推導(dǎo)出

(4)

在利用尾軸承油樣的4種檢測分析方法進(jìn)行磨損故障診斷時(shí)，會有不同的診斷準(zhǔn)確率。相關(guān)研究[9]表明：鐵譜診斷的準(zhǔn)確率為RF=55%，光譜為RS=36%，理化性能分析為RP=21%，顆粒計(jì)數(shù)為RC=33%，可以得到神經(jīng)網(wǎng)絡(luò)單項(xiàng)診斷4種方法6種故障模式的故障基本概率的分配(見表5)。

表5 4檢測方法6種故障模式基本概率的分配

4 案例驗(yàn)證

為驗(yàn)證研究過程的有效性，以對受控母型船(57 000載重噸散貨船)尾軸承進(jìn)行長時(shí)間定期檢測油樣中的某一次較為不理想的檢測數(shù)據(jù)為例進(jìn)行驗(yàn)證。此次檢測中，鐵譜原始數(shù)據(jù)預(yù)處理后的結(jié)果為：層狀磨粒和疲勞磨粒超標(biāo)，其他磨粒正常，故障征兆向量為{SF1,SF2,SF3,SF4,SF5,SF6,SF7,SF8,SF9}={0,1,1,0,0,0,0,0,0}；光譜原始數(shù)據(jù)處理后的結(jié)果為：Fe與Cr元素超標(biāo)，其他元素含量正常，故障征兆向量為{S1,S2,S3,S4,S5,S6,S7}={1,0,1,0,0,0,0}；理化性能原始數(shù)據(jù)處理結(jié)果為：運(yùn)動(dòng)黏度偏低，其他指標(biāo)正常，故障征兆向量為：{SP1,SP2,SP3}={1,0,0}；油樣粒測處理結(jié)果為：污染度超標(biāo)，故障征兆向量為：{SC1}={1}。根據(jù)BP網(wǎng)絡(luò)一般設(shè)計(jì)原則，訓(xùn)練誤差為0.001，訓(xùn)練步數(shù)為50，中間層神經(jīng)元的傳遞函數(shù)為tansig，訓(xùn)練函數(shù)為trainlm，對尾軸承油樣各檢測方法訓(xùn)練樣本進(jìn)行單項(xiàng)磨損故障診斷，運(yùn)行結(jié)果見表6。根據(jù)BP神經(jīng)網(wǎng)絡(luò)建立故障基本概率分布m，確定每種故障分析對油液檢測方法的支持程度[10]。以表6的鐵譜、光譜、理化分析和顆粒計(jì)數(shù)單項(xiàng)故障診斷結(jié)果為基礎(chǔ)，以“過度磨損”為例，運(yùn)用D-S證據(jù)理論對4種油液檢測方法以不同方式融合后的組合的支持程度進(jìn)行計(jì)算，過程為

表6 神經(jīng)網(wǎng)絡(luò)單項(xiàng)診斷結(jié)果

m1(A)=0.544 5，m1(θ)=0.455 5；m2(A)=0.658 8，m2(θ)=0.341 2；m3(A)=0.892 1，m3(θ)=0.107 9；m4(A)=0.654 0，m4(θ)=0.346 0。

根據(jù)式(4)，有

(5)

若4種油液檢測方法中的某一個(gè)或其他的方法沒有給出與診斷規(guī)則相符的信息，則支持程度下降。如，若顆粒計(jì)數(shù)分析方法沒有給出結(jié)果，則“過度磨損”故障的組合支持程度為

(6)

顯然，獲得的信息越充分，診斷結(jié)論的可靠性越高。依次類推，尾軸承磨損故障模式的其他類型D-S證據(jù)理論的融合診斷組合支持程度見表7。通過表7可以得到：

1. 不同油液檢測方法的融合診斷，診斷結(jié)果的精度隨檢測方法的減少而明顯降低，說明融合診斷手段對多種分析方法具有明顯的互補(bǔ)性，可顯著提高系統(tǒng)故障判斷的準(zhǔn)確率。

2. 此次不理想的檢測數(shù)據(jù)運(yùn)用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論融合診斷后，可知尾軸承過度磨損故障概率高，其次為裂紋和金屬剝落。在決定檢修方式時(shí)，應(yīng)先檢查過度磨損，接著檢查裂紋和金屬剝落，逐一排除故障。

表7 基于D-S證據(jù)理論不同油液檢測融合診斷

基于上述分析，由本例油樣數(shù)據(jù)可知該受控船尾軸承“過度磨損”的可能性非常高，為此，向船舶所有人提出必須提前進(jìn)塢檢修的建議。船舶所有人接受建議后，縮短近4個(gè)月的進(jìn)塢檢修時(shí)間進(jìn)行尾軸承維修，經(jīng)現(xiàn)場檢查和測量，發(fā)現(xiàn)尾軸承出現(xiàn)較為嚴(yán)重的磨損現(xiàn)象，部分位置出現(xiàn)“露銅”現(xiàn)象，說明偏磨明顯，也驗(yàn)證了研究方法的準(zhǔn)確性。

5 結(jié) 語

為解決所運(yùn)用的4種油液檢測分析方法在對船舶尾軸承磨損故障進(jìn)行診斷時(shí)存在的準(zhǔn)確性不夠高等問題，提出并設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的融合船舶尾軸承磨損故障診斷方法，通過具體的案例驗(yàn)證該研究方法的準(zhǔn)確性。方法的應(yīng)用對全面了解尾軸管裝置的磨損機(jī)理、嚴(yán)重程度以及故障類型有重要的指導(dǎo)作用。

[1] 黃加亮，陳丹. 船舶動(dòng)力裝置技術(shù)管理[M]. 大連：大連海事大學(xué)出版社，2009：43-44.

[2] 孫培廷，魏海軍. 油液檢測技術(shù)及其應(yīng)用[J]. 世界海運(yùn)，2004, 27(1):54-55.

[3] 施彥，韓力群,廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M]. 北京: 北京郵電大學(xué)出版社, 2009:23-75.

[4] LITT JS, SIMON DL, GARY S. A Survey of Intelligent Control and Health Management Technologies for Aircraft Propulsion Systems[J]. Journal of Aerospace Computing, Information and Communication, 2004(1):543-563.

[5] 陳果.基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的發(fā)動(dòng)機(jī)磨損故障融合診斷[J].航空動(dòng)力學(xué)報(bào)，2005，20(2)：303-308.

[6] LI Shaohui, FU Jixin. Study on the Characteristic Parameter of Oil Spectrometrie Analysis[J]. Lubrication Engineering, 2004(6):92-93.

[7] 朱新河, 嚴(yán)志軍，王宏志，等. 船舶螺旋槳軸油液監(jiān)測的研究[J]. 大連海事大學(xué)學(xué)報(bào), 2000，26(4): 14-17.

[8] 劉立峰. 基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的水電機(jī)組振動(dòng)故障診斷研究[D].西安：西安理工大學(xué), 2006.

[9] 虞和濟(jì), 韓慶大，李沈.設(shè)備故障診斷工程[M ].北京:冶金工業(yè)出版社，2001:931-949.

[10] 王松,褚福磊，何永勇，等.基于信息融合技術(shù)的發(fā)動(dòng)機(jī)故障診斷的研究[J].內(nèi)燃機(jī)學(xué)報(bào)，2003,21(5):374-378.

DiagnosisofSternBearingWearFaultwithCombinationofNeuralNetworkandEvidenceTheory

WANGYongjian1,CHENJingfeng1,YANGXiaoming2

(1.Marine Engineering Institute, Jimei University, Xiamen 361021, China; 2.Fujian Xiamen Shipping Co., Ltd, Xiamen 361021, China)

With the aim of improving the accuracy of existing oil analysis techniques for diagnosing stern bearing wear fault, the method of fusing 4 commonly used diagnosis analysis (ferrograph, spectroscopy, oil chemical-physics analysis and particle counting analysis) is designed based on neural networks and the D-S evidence theory. The test data from the 4 kinds of analysis of the oil sample are transformed into BOOL values by comparing them to respective wear limit values, and processed by means of neural network analysis method to find the tentative decisions given by each analysis method. These tentative decisions are processed according to the D-S evidence theory to get the final diagnosis decision. The method is verified by actual cases.

ship engineering; ship stern bearing; oil analysis; neural network; D-S evidence theory; wear fault

2014-07-29

福建省自然科學(xué)基金(2012J01228)；福建省教育廳資助項(xiàng)目(JA12203)

作者簡介：王永堅(jiān)(1972—)，男，福建晉江人，副教授，高級輪機(jī)長，主要從事輪機(jī)仿真技術(shù)與船舶動(dòng)力裝置故障分析研究工作。

E-mail：wyongjian55@qq.com

陳景鋒(1963—)，男，福建廈門人，教授，輪機(jī)長，主要從事船舶動(dòng)力裝置故障分析研究工作。E-mail：jingfengchen@126.com

1000-4653(2014)04-0020-05

TP18；U664.21

A