一种船舶柴油机磨粒类型辨识模型动态更新方法技术

本发明专利技术涉及一种船舶柴油机磨粒类型辨识模型动态更新方法。通过构建置信规则库模型，利用船舶柴油机油液中获取的磨粒特征样本对磨损类型进行辨识；对于在线获取的磨粒特征样本，计算相应的规则参考值的相似性分布与规则的激活权重，用证据推理方法将被激活的规则进行融合，根据融合结果进行磨粒辨识；为了提高置信规则库模型的辨识精度，通过对辨识误差的分析确定待更新的规则参考值，将更新后的参考值集合产生的规则库与初始规则库进行合并，组成更新后的规则库模型，采用遗传算法对规则库中的参数集合进行优化，进一步提升模型的辨识精度。精度。精度。

【技术实现步骤摘要】
一种船舶柴油机磨粒类型辨识模型动态更新方法


[0001]本专利技术涉及一种船舶柴油机磨粒类型辨识模型动态更新方法，属于船舶柴油机安全运行维护领域。

技术介绍

[0002]柴油机以其热效率高、功率范围广、启动迅速等优点，得到了广泛的应用，尤其是在船舶领域上，能够满足大型民用船舶及水面舰艇的动力需要；作为船舶的主要动力来源，其稳定工作状态能够为船舶实现安全可靠的航行提供保障；船舶柴油机一旦发生故障，将会对海上生命财产造成严重的危害，为此提早的诊断故障的发生十分有必要；由于船舶柴油机的摩擦磨损是其发生故障的主要原因之一，因此通过故障诊断技术维护其零部件使用寿命，对于降低其安全风险以及保证运行效率具有重要的意义。
[0003]船舶柴油机的磨损状态主要是通过对油液的监测获取，由于磨损产生的磨粒中蕴含着大量的摩擦学信息，故通过提取油液中的磨粒信息，对其进行图像二维及三维的特征提取，即可确定其磨损产生机理，进而用于船舶柴油机磨损故障的诊断；但是在船舶柴油机磨损故障的诊断中面临着一个问题：由于油液测量环境的干扰及柴油机自身运行状态的实时变化性，使得所采集的磨粒样本数量有限，以及在专家知识不完备的情况下，所建立的故障诊断模型不一定能够满足新样本的磨损诊断需求；所以需要一种能够动态更新模型的诊断方法，以提高船舶柴油机在不确定信息下的诊断能力与故障决策的准确性；

技术实现思路

[0004]本专利技术的目的是提出一种船舶柴油机磨粒类型辨识模型动态更新方法。本专利技术通过构建置信规则库(BRB)对样本的磨粒类型进行辨识；根据辨识结果对误差进行分析，利用C均值聚类按照样本的前件特征组合划分局部空间，确定待增加参考值的前件特征，并以此来更新规则库模型。基于更新后的规则库模型，采用遗传算法优化参数集合，重新进行磨粒辨识。该方法可以根据辨识结果动态的更新辨识模型，提高系统处理不确定信息的能力，做出更精确的故障决策。根据本专利技术方法编制的程序(编译环境Matlab)可以在监控计算机上运行，并联合传感器、数据采集器等硬件组成在线监测系统，进行实时的船舶柴油机磨损状态监测与故障诊断。
[0005]本专利技术提出的一种船舶柴油机磨粒类型辨识模型动态更新方法，包括以下各步骤：
[0006](1)设定船舶柴油机中磨粒类型的辨识框架Y＝[Y1,Y2,Y3,Y4,Y5]，其中Y1表示严重滑动磨损磨粒，Y2表示切削磨粒，Y3表示疲劳块状磨粒，Y4表示层状磨粒，Y5表示球状磨粒；
[0007](2)确定能反映磨粒类型的辨识框架中的每个磨损类型Y
i
的特征参数，包括磨粒的二维几何形貌特征：体态比，当量直径，圆度和三维表面形貌特征：表面粗糙度均值，表面纹理指数；
[0008]上述特征参数均是由柴油机在线油液检测系统中采样得到的，分别记为x1、x2、x3、
x4、x5；将磨粒类型Y
i
状态下获取的样本数据x1(t)，x2(t)，x3(t)，x4(t)和x5(t)表示成样本集合S＝{[x1(t),x2(t),x3(t),x4(t),x5(t),Y
i
(t)]|t＝1,2...,T；i＝1,2,3,4,5}，t为磨粒编号，T是磨粒样本总数，取T≥100；其中[x1(t),x2(t),x3(t),x4(t),x5(t),Y
i
(t)]为一个样本向量；
[0009](3)建立基于置信规则库BRB的磨粒类型辨识模型；确定每个输入特征的参考值，将样本集中每一磨粒特征的最小值与最大值作为该特征的初始参考值根据当前样本集的参考等级以遍历形式建立初始置信规则库，其中第k条规则表示为：
[0010][0011]其中：R
k
表示第k条规则，k＝1,
…
,L；L表示规则的总数量；表示第k条规则中第i个前件特征x
i
的参考值，并且A
i
＝{A
i,j
；j＝1,
…
,J
i
}，J
i
为每一磨粒特征x
i
的参考值个数；A
i
表示第i个前件特征x
i
的参考等级集合；M
k
表示第k条规则中前件特征的总数量；β
n,k
表示第k条规则中结果属性的第n个评级等级D
n
的置信度；N表示结果属性中评价等级的总数量；规定当时，则称第k条规则包含的信息时完整的，否则称该条规则包含的信息是不完整的；定义初始规则权重θ
k
＝1，前件特征权重δ
i,k
＝1；
[0012](4)根据步骤(1)～步骤(3)确定各磨粒特征的初始参考值，并建立初始置信规则库；根据置信规则库推理方法，主要包括计算激活权重与合成激活规则两部分；其中，激活权重的计算与BRB模型的输入样本值、规则权重及前件特征权重相关；对于一个输入样本x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]，根据相似性转化公式
[0013][0014]可得到每一样本关于前件特征中各参考值的相似性分布为
[0015]S(x
i
)＝{(A
i,j
,α
i,j
)；i＝1,
…
,M；j＝1,
…
,J
i
}
ꢀꢀ
(3)
[0016]其中：α
i,j
表示第i个前件特征中第j个参考值A
i,j
的相似度；M表示BRB模型中前件特征的总数量；
[0017](4
‑
1)结合权重参数可得到第k条规则的激活权重为
[0018][0019]其中：表示第k条规则中前件特征x
i
的参考值对应的相似度；当时，ω
k
＝0，此时表明第k条规则未被激活；
[0020](4
‑
2)由激活权重可以确定BRB模型中被激活的规则数量，再通过证据推理算法的解析公式可将所有被激活的规则一次合成，其中激活规则结果属性的置信度合成公式为
[0021][0022](4
‑
3)当BRB模型的输入样本值为x(t)＝{x1(t),x2(t),x3(t),x4(t),x5(t)}时，由公式(5)可得到该样本对应的五种磨粒类型的置信度分布为
[0023]{(Y1,β1),(Y2,β2),(Y3,β3),(Y4,β4),(Y5,β5)}
ꢀꢀ
(6)
[0024]其中β
i
表示磨粒特征参数向量为x(t)时，磨粒类型被认为是Y
i
的可能性；
[0025](4
‑
4)利用步骤(4
‑
3)得到的置信度分布，对磨粒类型进行辨识，最终样本x(t)＝{x1(t),x2(t),x3(t),x4(t),x5(t)}对应的磨粒类型辨识结果为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶柴油机磨粒类型辨识模型动态更新方法，其特征在于该方法包括以下各步骤：(1)设定船舶柴油机中磨粒类型的辨识框架Y＝[Y1,Y2,Y3,Y4,Y5]，其中Y1表示严重滑动磨损磨粒，Y2表示切削磨粒，Y3表示疲劳块状磨粒，Y4表示层状磨粒，Y5表示球状磨粒；(2)确定能反映磨粒类型的辨识框架中的每个磨损类型Y
i
的特征参数，包括磨粒的二维几何形貌特征：体态比，当量直径，圆度和三维表面形貌特征：表面粗糙度均值，表面纹理指数；上述特征参数均是由柴油机在线油液检测系统中采样得到的，分别记为x1、x2、x3、x4、x5；将磨粒类型Y
i
状态下获取的样本数据x1(t)，x2(t)，x3(t)，x4(t)和x5(t)表示成样本集合S＝{[x1(t),x2(t),x3(t),x4(t),x5(t),Y
i
(t)]|t＝1,2...,T；i＝1,2,3,4,5}，t为磨粒编号，T是磨粒样本总数，取T≥100；其中[x1(t),x2(t),x3(t),x4(t),x5(t),Y
i
(t)]为一个样本向量；(3)建立基于置信规则库BRB的磨粒类型辨识模型；确定每个输入特征的参考值，将样本集中每一磨粒特征的最小值与最大值作为该特征的初始参考值根据当前样本集的参考等级以遍历形式建立初始置信规则库，其中第k条规则表示为：其中：R
k
表示第k条规则，k＝1,
…
,L；L表示规则的总数量；表示第k条规则中第i个前件特征x
i
的参考值，并且A
i
＝{A
i,j
；j＝1,
…
,J
i
}，J
i
为每一磨粒特征x
i
的参考值个数；A
i
表示第i个前件特征x
i
的参考等级集合；M
k
表示第k条规则中前件特征的总数量；β
n,k
表示第k条规则中结果属性的第n个评级等级D
n
的置信度；N表示结果属性中评价等级的总数量；规定当时，则称第k条规则包含的信息时完整的，否则称该条规则包含的信息是不完整的；定义初始规则权重θ
k
＝1，前件特征权重δ
i,k
＝1；(4)根据步骤(1)～步骤(3)确定各磨粒特征的初始参考值，并建立初始置信规则库；根据置信规则库推理方法，主要包括计算激活权重与合成激活规则两部分；其中，激活权重的计算与BRB模型的输入样本值、规则权重及前件特征权重相关；对于一个输入样本x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]，根据相似性转化公式可得到每一样本关于前件特征中各参考值的相似性分布为S(x
i
)＝{(A
i,j
,α
i,j
)；i＝1,
…
,M；j＝1,
…
,J
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中：α
i,j
表示第i个前件特征中第j个参考值A
i,j
的相似度；M表示BRB模型中前件特征的总数量；(4
‑
1)结合权重参数可得到第k条规则的激活权重为其中：表示第k条规则中前件特征x
i
的参考值对应的相似度；当时，ω
k
＝0，此时表明第k条规则未被激活；(4
‑
2)由激活权重可以确定BRB模型中被激活的规则数量，再通过证据推理算法的解析公式可将所有被激活的规则一次合成，其中激活规则结果属性的置信度合成公式为(4
‑
3)当BRB模型的输入样本值为x(t)＝{x1(t),x2(t),x3(t),x4(t),x5(t)}时，由公式(5)可得到该样本对应的五种磨粒类型的置信度分布为{(Y1,β1),(Y2,β2),(Y3,β3),(Y4,β4),(Y5,β5)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中β
i
表示磨粒特征参数向量为x(t)时，磨粒类型被认为是Y
i
的可能性；(4
‑
4)利用步骤(4
‑
3)得到的置信度分布，对磨粒类型进行辨识，最终样本x(t)＝{x1(t),x2(t),x3(t),x4(t),x5(t)}对应的磨粒类型辨识结果为：(5)为了提高BRB模型的辨识准确性，利用遗传算法构建磨粒辨识参...

【专利技术属性】
技术研发人员：石鹏飞，徐晓健，徐晓滨，孙杰，马枫，吴锋，
申请(专利权)人：南京智慧水运科技有限公司，
类型：发明
国别省市：