高鶴元 甘輝兵 鄭 卓 楊遠達

(大連海事大學輪機工程學院 遼寧 大連 116001)

0 引 言

船舶輔鍋爐用來產(chǎn)生飽和水蒸氣，是保證船舶正常航行的重要設(shè)備之一，其主要用于船上油類加熱、主機預(yù)熱及提供各種生活用汽[1]。對于蒸汽系統(tǒng)而言，船舶輔鍋爐十分重要。一旦該系統(tǒng)在運行過程中出現(xiàn)故障或在使用和操作中出現(xiàn)問題，會影響船舶運營，甚至有可能降低船舶的收益。而傳統(tǒng)意義上的船舶故障診斷只依靠機艙輪機員的經(jīng)驗判斷，難免會出現(xiàn)不準確的判斷和決策上的失誤[2]。目前國內(nèi)外在大型機械故障診斷中多使用BP神經(jīng)網(wǎng)絡(luò)、支持向量機和故障樹等方法[3]。這些方法需要對大量已知故障樣本數(shù)據(jù)進行學習，以達到預(yù)期的準確率，從而實現(xiàn)對未知數(shù)據(jù)的診斷。但實際上，大部分實驗室條件不足，船舶故障特征信號難以獲得，往往只有正常數(shù)據(jù)，缺少故障數(shù)據(jù)，導致有監(jiān)督學習的研究難以有效開展。

無監(jiān)督學習分類方法的依據(jù)是樣本特征參數(shù)與統(tǒng)計決策規(guī)則，就是在無任何已知類樣本的前提下，通過分析數(shù)據(jù)內(nèi)在結(jié)構(gòu)、樣本相似度、概率密度函數(shù)估計等方法對樣本數(shù)據(jù)實現(xiàn)正確分類[4]。這種方法不需要準確的數(shù)學模型，具有較好的自組織學習性和較強的容錯、泛化能力，能夠較好地實現(xiàn)待分類數(shù)據(jù)的非線性映射[5]。

自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò)于1987年提出，屬于無導師學習網(wǎng)絡(luò)，可以對任意模擬輸入信號進行區(qū)域分類[6]。SOM網(wǎng)絡(luò)具有向周圍環(huán)境學習并通過自我學習改善自身性能的能力，所以無須對大量樣本數(shù)據(jù)進行訓練，目前在電機系統(tǒng)、轉(zhuǎn)子系統(tǒng)和污水處理等故障診斷領(lǐng)域均得到了廣泛的運用[7-9]。

為了避免SOM網(wǎng)絡(luò)通過“硬競爭”方式選取獲勝神經(jīng)元導致分類錯誤等問題，本文采用粒子群(Particle swarm optimization，PSO)算法優(yōu)化SOM更新權(quán)值過程，并對船舶輔鍋爐某燃燒工況下的運行數(shù)據(jù)進行對比分析。仿真結(jié)果表明，優(yōu)化后的算法用于聚類計算時，很好地克服了權(quán)值初始化、識別準確率不高等缺點，提高了船舶輔鍋爐燃燒故障診斷的聚類精度，取得了更好的識別效果。

1 PSO優(yōu)化的SOM神經(jīng)網(wǎng)絡(luò)

1.1 SOM神經(jīng)網(wǎng)絡(luò)

SOM網(wǎng)絡(luò)是一種可以進行自組織學習的競爭型神經(jīng)網(wǎng)絡(luò)，自適應(yīng)學習能力強、魯棒性好。其學習方式與人腦中的生物神經(jīng)網(wǎng)絡(luò)相似，可以自主尋找樣本數(shù)據(jù)中的本質(zhì)屬性和內(nèi)在規(guī)律，從而改變自身網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)[10]。SOM網(wǎng)絡(luò)結(jié)構(gòu)簡單，具有良好的非線性擬合性、生物神經(jīng)元特性和聚類自動性[11]。SOM網(wǎng)絡(luò)通過輸出層神經(jīng)元互相競爭，與輸入向量進行匹配，選擇其中一個最合適的神經(jīng)元獲勝，然后修正獲勝神經(jīng)元領(lǐng)域相關(guān)的權(quán)值向量。SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其分為下層輸入層和上層競爭層。輸入層輸入初始向量，輸出層的輸出節(jié)點之間由權(quán)值連接，排成一個節(jié)點矩陣，相互激勵或抑制。

圖1 SOM網(wǎng)絡(luò)結(jié)構(gòu)圖

其學習算法步驟如下：

(1) 隨機數(shù)初始化輸入層與映射層之間的權(quán)值Wij。

(2) 把向量X=(X1,X2,…,Xn)輸入給輸入層。

(3) 計算各神經(jīng)元的權(quán)值向量和輸入向量的歐氏距離。

(1)

(4) 選擇使dj最小的神經(jīng)元作為獲勝神經(jīng)元，記作j*。

(5) 更新獲勝神經(jīng)元及其鄰域權(quán)值：

Δwij=wij(t+1)-wij(t)=η(t)(xi-wij)

(2)

式中：η(t)是(0,1)上的常數(shù)。

(6) 若達到目標要求則算法結(jié)束；否則返回步驟(2)。

SOM網(wǎng)絡(luò)二維平面上的節(jié)點之間依據(jù)Kohonen學習規(guī)則，學習輸入向量的分布情況和拓撲結(jié)構(gòu)，對獲勝神經(jīng)元及附近由近及遠的神經(jīng)元產(chǎn)生由興奮到抑制的影響[12]。若一個神經(jīng)元的權(quán)值與輸入向量模式相差很大，則其可能永遠不會成為獲勝神經(jīng)元，其權(quán)值無法得到任何有效的學習訓練，成為“死神經(jīng)元”，進而降低網(wǎng)絡(luò)計算時的收斂速度與聚類精度[13]。所以SOM網(wǎng)絡(luò)對初始權(quán)值的設(shè)置有較大的依賴性，會影響網(wǎng)絡(luò)的收斂速度和學習效果。

1.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法源于生物群體尋找食物等行為，學習“種群”和“進化”的思想，無須執(zhí)行選擇、交叉以及變異等算子，通過個體協(xié)作與競爭實現(xiàn)復雜空間最優(yōu)解的搜索[14]。PSO無需神經(jīng)導數(shù)等梯度信息，通過全局尋優(yōu)，可以簡單實現(xiàn)全局優(yōu)化[15]。每個粒子的特征用方向、速度和適應(yīng)度值來表示。適應(yīng)度值由適應(yīng)度函數(shù)計算得到，用來表示粒子的優(yōu)劣。假設(shè)在可解空間中初始化一群粒子，每個粒子都存在一個優(yōu)化問題的潛在最優(yōu)解。優(yōu)化過程就是粒子逐代搜索，計算適應(yīng)度值，朝著群體最好的地點和歷史最好的方向移動，尋找最優(yōu)解[16]。每一代粒子通過跟蹤個體極值和全局極值來更新個體位置。個體極值是指粒子本身所經(jīng)過位置中適應(yīng)度值最優(yōu)的位置，群體極值是指整個種群搜索得到的適應(yīng)度最優(yōu)位置。粒子每更新一次位置，就計算一次適應(yīng)度值，通過比較適應(yīng)度值更新Pbest和Gbest的位置。

假設(shè)在D維空間中存在一個由n個粒子組成的種群X=(X1,X2,…,Xn)，其中第i個粒子速度用Vi=(Vi1,Vi2,…,ViD)T表示，該粒子個體極值和群體極值分別為Pi=(Pi1,Pi2,…,PiD)T和Pg=(Pg1,Pg2,…,PgD)T。粒子每次迭代更新自身速度和位置的公式為：

(3)

(4)

式中：ω為慣性權(quán)重；k為當前迭代次數(shù)；c1和c2是非負常數(shù)，稱為加速因子或?qū)W習因子；r1和r2是[0,1]上均勻分布的隨機數(shù)。

1.3 PSO優(yōu)化的SOM神經(jīng)網(wǎng)絡(luò)分類方法

SOM神經(jīng)網(wǎng)絡(luò)與其他競爭型神經(jīng)網(wǎng)絡(luò)算法相比精度較高，收斂速度較快，但是權(quán)值的隨機初始化導致網(wǎng)絡(luò)環(huán)境復雜，影響收斂速度，且對于數(shù)據(jù)相識度較高的故障類型，識別準確度下降。為了解決上述問題，本文使用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，稱為P-SOM算法。算法將SOM神經(jīng)網(wǎng)絡(luò)的權(quán)值向量看作一個個粒子，將樣本分類結(jié)果與實際分類的誤差率作為適應(yīng)度函數(shù)，迭代過程就是更新權(quán)值向量使適應(yīng)度函數(shù)達到最小。通過更新每個粒子的位置來更新每個權(quán)值向量。達到一定迭代次數(shù)之后，再利用優(yōu)化后的SOM網(wǎng)絡(luò)權(quán)值向量尋找獲勝神經(jīng)元。算法流程見圖2。

圖2 SOM結(jié)合PSO的算法流程

具體步驟如下：

Step1將提取的特征樣本集進行數(shù)據(jù)預(yù)處理，對樣本數(shù)據(jù)進行歸一化后作為神經(jīng)網(wǎng)絡(luò)的輸入。

Step2初始化SOM網(wǎng)絡(luò)，獲取初始權(quán)值向量，確定SOM網(wǎng)絡(luò)結(jié)構(gòu)。

Step3用隨機數(shù)初始化種群，同時初始化粒子的速度、位置及個體極值和全局極值。

Step4按式(3)和式(4)跟蹤計算每個粒子的速度和位置，得出個體極值和全局極值，并更新粒子的位置和速度。

Step5將更新后的粒子代入SOM網(wǎng)絡(luò)尋找獲勝神經(jīng)元，計算相應(yīng)的適應(yīng)度值。

Step6判斷迭代次數(shù)是否達到要求，是則算法結(jié)束，否則返回Step4。

2 船舶輔鍋爐燃燒故障診斷

船舶航行時，當船舶輔鍋爐出現(xiàn)燃燒故障時，通常是由航行輪機員依據(jù)經(jīng)驗對點火油路、主油路、回油路的燃燒設(shè)備逐一進行檢查，清潔更換后分別點火測試，診斷故障。但船舶輔鍋爐的故障種類繁多，引發(fā)這些故障的原因繁雜，需要監(jiān)測的故障點也很多，傳統(tǒng)故障診斷方法很難滿足需求。而且船舶輔鍋爐的工作環(huán)境特殊，會對輪機員造成一定的影響，判斷故障時可能會出現(xiàn)失誤。因此，應(yīng)用神經(jīng)網(wǎng)絡(luò)對輔鍋爐燃燒運行時的數(shù)據(jù)特征進行分析，智能診斷故障尤為重要。

本文主要對船舶輔鍋爐點火失敗、燃燒過程中熄火、燃燒不穩(wěn)定等常見燃燒故障進行診斷研究。輔鍋爐點火失敗的原因主要有：點火噴油器機械故障，點火電極積泥或堵塞；主油路供油泵機械故障，燃油未達到指定狀態(tài)；控制燃燒電路故障，如供油電磁閥和伺服電動機控制線路短路，線路絕緣層老化、斷路等；供風系統(tǒng)故障；安全保護裝置起作用等。本文以大連海事大學開發(fā)的DMSVLCC輪機模擬器的船舶輔鍋爐為研究對象進行實驗研究。DMSVLCC輔鍋爐為大型燃油鍋爐，其仿真模型數(shù)據(jù)與設(shè)計值的誤差在允許范圍之內(nèi)，滿足精度要求，并已經(jīng)投入教學使用。其主要技術(shù)參數(shù)如表1所示，DMSVLCC輔鍋爐低負荷運行界面如圖3所示。

表1 DMSVLCC輔鍋爐主要技術(shù)參數(shù)

3 實例分析

3.1 測試描述

DMSVLCC輔鍋爐燃油簡化系統(tǒng)管路如圖4所示，針對上述輔鍋爐燃燒系統(tǒng)可能出現(xiàn)的常見故障，在DMSVLSS模擬器上設(shè)置4種故障。在圖中管路上布置監(jiān)測點，提取特征參數(shù)。在低負荷工況5種運行狀態(tài)下分別采集輔鍋爐燃燒系統(tǒng)的12個參數(shù)，表2為低負荷工況下DMSVLCC輔鍋爐燃燒系統(tǒng)部分參數(shù)及范圍。

表2 燃油系統(tǒng)部分監(jiān)測點參數(shù)

將采集的樣本數(shù)據(jù)按運行狀態(tài)分為5組，每組采集16個樣本數(shù)據(jù)，樣本號1-16、17-32、33-48、49-64、65-80各為一組，共獲得80個樣本進行聚類試驗。類別依次為正常運行、燃油供給泵磨損、燃油預(yù)熱器臟堵、點火油泵故障、風機故障。

3.2 數(shù)據(jù)預(yù)處理

考慮到船舶輔鍋爐參數(shù)具有不確定性和復雜性，12種特征參數(shù)存在較大差異，具有不同的量綱和數(shù)量級等特點，所以先對樣本進行歸一化處理，統(tǒng)一將樣本數(shù)據(jù)映射到[0,1]區(qū)間上，去除樣本數(shù)據(jù)對單位的限制，避免數(shù)值過大或過小對網(wǎng)絡(luò)計算聚類產(chǎn)生的影響。

樣本數(shù)據(jù)歸一化之后構(gòu)成80×12的樣本特征矩陣。為了在不影響原始輸入向量結(jié)構(gòu)與聚類準確度的前提下加快神經(jīng)網(wǎng)絡(luò)的收斂速度，本文采用主成分分析法(PCA)降低原始特征矩陣空間的維數(shù)，結(jié)果如圖5所示?？梢钥闯?，第一主成分對應(yīng)的貢獻率為74.39%，第二主成分對應(yīng)的貢獻率為16.96%，第三主成分對應(yīng)的貢獻率為6.58%，前三個主成分的累積貢獻率可以達到97.94%。所以將原始16維空間降到3維特征空間對特征矩陣的影響較小。由此刪除了多余變量，提升了故障診斷的工作效率。

圖5 主成分對應(yīng)貢獻率

5組樣本數(shù)據(jù)經(jīng)PCA降維后的空間分布如圖6所示?？梢钥闯?，第1、4、5組的樣本空間分布趨勢相似，分布空間較為接近，在神經(jīng)網(wǎng)絡(luò)聚類時容易產(chǎn)生錯誤；第2、3組樣本分布遠離第1、4、5組，分布比較集中且更明顯。

圖6 樣本特征分布

3.3 P-SOM的船舶輔鍋爐燃燒故障診斷

將80個輔鍋爐樣本構(gòu)成未被分類的樣本集合，按上述歸一化和降維后作為SOM神經(jīng)網(wǎng)絡(luò)的輸入進行仿真計算，分別使用SOM和P-SOM進行分析。首先設(shè)計SOM神經(jīng)網(wǎng)絡(luò)，即輸入層的神經(jīng)元為3，隱含層采用二維2×3結(jié)構(gòu)，即隱含層神經(jīng)元有6個，輸出層神經(jīng)元個數(shù)為5，即要區(qū)分的類別數(shù)目，神經(jīng)網(wǎng)絡(luò)拓撲函數(shù)默認為“hextop”，分類階段學習速率默認為0.9，分類階段學習步長為1 000，學習速率為0.02。經(jīng)多次測試，當神經(jīng)網(wǎng)絡(luò)迭代次數(shù)達到500次時，樣本劃分結(jié)果較好。每個神經(jīng)元獲勝次數(shù)，即含有的樣本數(shù)如圖7所示。6個隱含層神經(jīng)元均有勝出，每組獲勝神經(jīng)元序號如表3所示。結(jié)果表明，第4組獲勝神經(jīng)元與第1組和第5組重復，說明其數(shù)據(jù)特征類似，導致神經(jīng)網(wǎng)絡(luò)分類不精確。綜上，SOM網(wǎng)絡(luò)可以將1、2、3、5組數(shù)據(jù)明顯區(qū)分，但對第4組數(shù)據(jù)分類時獲勝神經(jīng)元重復，導致分類混亂。

圖7 SOM網(wǎng)絡(luò)聚類結(jié)果

表3 優(yōu)勝節(jié)點序號

采用P-SOM方法對樣本數(shù)據(jù)聚類。PSO算法參數(shù)設(shè)置原則如下：ω初始值為1；種群迭代次數(shù)為200，每代SOM網(wǎng)絡(luò)的迭代次數(shù)設(shè)置為200次，種群規(guī)模為4，加速因子c1為1.5,c2為2.5。計算后5組樣本數(shù)據(jù)的分類結(jié)果如圖8所示，神經(jīng)元獲勝結(jié)果如圖9所示?？梢姡琍-SOM算法使每組樣本數(shù)據(jù)都產(chǎn)生了明顯區(qū)分，第4組數(shù)據(jù)被有效識別，單獨區(qū)分出來，只存在一個樣本數(shù)據(jù)被錯誤分到第5組，其他神經(jīng)元沒有重復獲勝，準確率可以達到98.75%。與SOM對比，P-SOM較好地解決了SOM網(wǎng)絡(luò)在激活神經(jīng)元的選擇上依賴初始權(quán)值而導致的一部分數(shù)據(jù)特征相似的樣本激活相同神經(jīng)使故障診斷分析精確度下降等問題。

圖8 P-SOM網(wǎng)絡(luò)的聚類結(jié)果

圖9 SOM網(wǎng)絡(luò)優(yōu)勝節(jié)點個數(shù)

綜上所述，經(jīng)過PSO優(yōu)化的SOM 算法的輸出誤差遠小于未被優(yōu)化SOM的輸出誤差，即本文提出的P-SOM算法在模式識別過程中具有更高的聚類精度和更快的收斂速度。

4 結(jié) 語

本文提出一種基于PSO優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的無導師式學習方法，闡述了SOM神經(jīng)網(wǎng)絡(luò)及PSO算法的結(jié)構(gòu)及特點，并利用大連海事大學研發(fā)的大型油船輪機模擬器DMSVLCC提取船舶輔鍋爐的數(shù)據(jù)樣本進行分析處理，詳細闡述了P-SOM算法流程及使用方法。P-SOM借助粒子群算法全局迭代尋優(yōu)的特性，學習神經(jīng)網(wǎng)絡(luò)權(quán)重，改變了SOM原有的Kohonen學習規(guī)則，克服了神經(jīng)網(wǎng)絡(luò)依賴初始化權(quán)值導致類簇無法有效區(qū)分的問題，從而有效地識別出船舶輔鍋爐的故障類型。通過與單一的SOM神經(jīng)網(wǎng)絡(luò)分類進行實驗對比，結(jié)果表明：本文方法分類準確度較高，合理可靠，為船舶輔鍋爐燃燒故障診斷提供了一種新的思路，擴充了船舶輔鍋爐燃燒故障診斷的內(nèi)涵與功能。