基于CAS分析和神经网络的轴系状态监测及评估方法技术

本申请属于船舶状态监测及评估方法技术领域，尤其涉及一种基于CAS分析和神经网络的轴系状态监测及评估方法。包括如下步骤：构建模型确定测点，确定测试方案，确定轴系额定运行工况点，针对各类数据测点和处理后的历史数据，构建并训练神经网络，校验其正确性；采集不同工况下的测试数据，根据各测试工况下的状态评价隶属度值对轴系的状态进行监测和评估。本申请的基于CAS分析和神经网络的轴系状态监测及评估方法，能够在现有监测基础上，提高测点的布置效率，降低分析数据的维度和复杂性，提高特征数据的代表性，使得基于该方法的更加科学合理，评估结果具有更高的准确率和可靠性，有助于提高船舶轴系状态监测与评估的效率。有助于提高船舶轴系状态监测与评估的效率。有助于提高船舶轴系状态监测与评估的效率。

【技术实现步骤摘要】
基于CAS分析和神经网络的轴系状态监测及评估方法


[0001]本申请属于船舶状态监测及评估方法
，尤其涉及一种基于CAS 分析和神经网络的轴系状态监测及评估方法。

技术介绍

[0002]轴系作为船舶动力装置的重要组成部分，其主要作用将主机产生的功率 传递给推进器，进而推动船体的运动，作为重要的能量传递装置，轴系运行 的可靠性和安全性是确保船舶完成各种任务和使命的前提，目前我国所研制 的某型船舶仍然存在着推进轴系艉轴承异常磨损等问题，造成这些问题的原 因主要取决于轴系运行阶段下的动力学状态。
[0003]由于轴系具有布置跨距长、转速高、受力复杂等特点，导致其在运行中 易受到各种因素影响，如：螺旋桨在不均匀伴流场中的非定常激振力、船体 变形、轴承油膜刚度以及温度等，目前对于船舶轴系的研究主要集中于轴系 振动和校中特性分析，对于轴系的状态监测与评估研究较少，且目前对轴系 运行状态的监测评估研究还只是对轴系某些运行参数的监测，但这些数据是 否能够科学合理高效地反映轴系状态以及如何提高这些数据的利用率还有待 进一步验证和研究。

技术实现思路

[0004]本申请的目的在于，提供一种基于CAS分析和神经网络的轴系状态监测 及评估方法，通过结合仿真计算、参数相关性分析、灵敏度分析、BP神经网 络数据分析以及隶属度理论对轴系载荷位移信号进行处理，筛选出独立并具 有特征代表性的测点及状态参数，以实现更高效率地获取和分析不同状态下 轴系动力学特性状态随各特征参数的变化规律，提高船舶轴系动力学状态监 测与评估结果的准确性。
[0005]为实现上述目的，本申请采用如下技术方案。
[0006]一种基于CAS分析和神经网络的轴系状态监测及评估方法，包括如下步 骤：
[0007]步骤一、构建模型确定测点
[0008]根据轴系结构，构建轴系有限元仿真计算模型，获取轴系整体变形状态 及其负荷状态，确定除轴承处外其余轴系各测点x1、x2...x
n
，轴承处测点 y1、y2...y
m
；
[0009]步骤二、确定测试方案
[0010]基于电阻应变片法测量测点y1、y2...y
m
的轴承载荷；基于三向光电位移传 感器测量具有回旋振动和纵向振动的测点x1、x2...x
p
(p<n)处的轴系三向振幅 值；基于脉冲时序法测量具有扭转振动的测点x
p+1
、x
p+2
...x
n
的轴系截面扭转角；
[0011]步骤三、选取轴系不同运行工况点，获取各运行工况下多组轴系在正常 运行和故障运行时的监测数据作为历史数据，并分别对各组监测数据所反映 的轴系运行状态进行专家打分，获取各组数据所对应的健康评价隶属度；
[0012]步骤四、将获得的历史数据按类进行归一化处理，归一化公式为： 其中，z
i
为同一类型监测值；z
i
‑
norm
为该类型标准化后数据； z
min
为该类型监测数据中的最
小值；z
max
为该类型监测数据中的最大值；
[0013]步骤五、针对各类数据测点和处理后的历史数据，采用皮尔逊相关系数 对其进行相关性分析，选取出独立并具有代表性的测点数据，进一步结合灵 敏度分析，确定各测点数据对状态隶属度的贡献值；
[0014]步骤六、将提取过后的监测数据作为特征数据，以每个工况下的数据为 一组，并分别对应一个神经网络，并作为神经网络的输入变量，其对应工况 下的三种评价隶属度值作为输出变量，采用具有误差反向传播的BP神经网络 进行网络模型训练，并对训练好的神经网络进行仿真校验其正确性；
[0015]步骤七、采集不同工况下的测试数据，以每个工况下的数据为一组，并 对各组数据进行预处理和归一化后，将其作为训练好的神经网络输入变量， 输出各测试工况下的状态评价隶属度值，并根据各测试工况下的状态评价隶 属度值对轴系的状态进行监测和评估。
[0016]对前述基于CAS分析和神经网络的轴系状态监测及评估方法的进一步改 进或者优选实施方案，所述步骤三中，隶属度至少包括正常状态值、潜在故 障状态值和故障状态值三类。
[0017]根据权利要求2所述的一种基于CAS分析和神经网络的轴系状态监测及 评估方法，所述步骤七中，根据各测试工况下的状态评价隶属度值对轴系的 状态进行监测和评估具体是指：
[0018]当轴系故障状态评价隶属度大于0时，轴系评定为故障状态；
[0019]当轴系故障状态隶属度为0，轴系潜在故障状态评价隶属度在0.65
‑
1时， 轴系评定为故障快速发展状态；
[0020]当轴系故障状态隶属度为0，轴系潜在故障状态评价隶属度在0.25
‑
0.65 时，轴系评定为故障可能存在状态；
[0021]当轴系故障状态隶属度为0，轴系潜在故障状态评价隶属度在0
‑
0.25时， 轴系评定为正常运行状态。
[0022]对前述基于CAS分析和神经网络的轴系状态监测及评估方法的进一步改 进或者优选实施方案，在具体执行监测过程中，当轴系故障状态评价隶属度 大于0时，应立即停机维修故障；轴系故障状态隶属度为0，轴系潜在故障状 态评价隶属度在0.65
‑
1时，应排查故障产生原因；轴系故障状态隶属度为0， 轴系潜在故障状态评价隶属度在0.25
‑
0.65时，应进行故障监测；轴系故障状 态隶属度为0，轴系潜在故障状态评价隶属度在0
‑
0.25时，不作处理。
[0023]对前述基于CAS分析和神经网络的轴系状态监测及评估方法的进一步改 进或者优选实施方案，所述轴系各测点采用如下步骤获取：
[0024]A1、基于轴系设计安装图纸，以双向弹簧支撑单元代替轴系各支承轴承， 构建轴系有限元分析模型；
[0025]A2、基于流体力学分析计算该工况下的螺旋桨水动力，模拟轴系在该工 况下所受的螺旋桨激振力；
[0026]A3、在确定轴系受力状态和约束条件的基础上，对轴系进行一阶回旋振 动模态分析和静力学分析；
[0027]A4、以轴系整体变形状态为依据，选择变形位移明显处及其附近点位作 为轴系各测点。
[0028]对前述基于CAS分析和神经网络的轴系状态监测及评估方法的进一步改 进或者优选实施方案，所述步骤二中，对轴系回旋振动状态参数采用测量测 点动态位移法；具体是指采用位移传感器监测轴系各测点垂向和横向位移变 化，在轴系某特定转速工况下，获取该工况下的多组待测数据。
[0029]其有益效果在于：
[0030]基于本申请的一种基于CAS分析和神经网络的轴系状态监测及评估方法， 能够在现有监测基础上，提高测点的布置效率，降低了分析数据维度和复杂 性，提高特征数据的代表性，使得基于该方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CAS分析和神经网络的轴系状态监测及评估方法，其特征在于，包括如下步骤：步骤一、构建模型确定测点根据轴系结构，构建轴系有限元仿真计算模型，获取轴系整体变形状态及其负荷状态，确定除轴承处外其余轴系各测点x1、x2...x
n
，轴承处测点y1、y2...y
m
；步骤二、确定测试方案基于电阻应变片法测量测点y1、y2...y
m
的轴承载荷；基于三向光电位移传感器测量具有回旋振动和纵向振动的测点x1、x2...x
p
(p<n)处的轴系三向振幅值；基于脉冲时序法测量具有扭转振动的测点x
p+1
、x
p+2
...x
n
的轴系截面扭转角；步骤三、选取轴系不同运行工况点，获取各运行工况下多组轴系在正常运行和故障运行时的监测数据作为历史数据，并分别对各组监测数据所反映的轴系运行状态进行专家打分，获取各组数据所对应的健康评价隶属度；步骤四、将获得的历史数据按类进行归一化处理，归一化公式为：其中，z
i
为同一类型监测值；z
i
‑
norm
为该类型标准化后数据；z
min
为该类型监测数据中的最小值；z
max
为该类型监测数据中的最大值；步骤五、针对各类数据测点和处理后的历史数据，采用皮尔逊相关系数对其进行相关性分析，选取出独立并具有代表性的测点数据，进一步结合灵敏度分析，确定各测点数据对状态隶属度的贡献值；步骤六、将提取过后的监测数据作为特征数据，以每个工况下的数据为一组，并分别对应一个神经网络，作为神经网络的输入变量，其对应工况下的三种评价隶属度值作为输出变量，采用具有误差反向传播的BP神经网络进行网络模型训练，并对训练好的神经网络进行仿真校验其正确性；步骤七、采集不同工况下的测试数据，以每个工况下的数据为一组，并对各组数据进行预处理和归一化后，将其作为训练好的神经网络输入变量，输出各测试工况下的状态评价隶属度值，并根据各测试工况下的状态评价隶属度值对轴系的状态进行监测和评估。2.根据权利要求1所述的一种基于CAS分析和神经网络的...

【专利技术属性】
技术研发人员：刘金林，房诗雨，古铮，张荣国，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：