一种新型护航舰艇压载水系统设备故障诊断方法技术方案

本发明专利技术涉及一种新型护航舰艇压载水系统设备故障诊断方法，该方法包括以下步骤：步骤1：在舰艇压载水系统设备上布设多个传感器监测点，并收集表征关键设备运行状态的特征参数；步骤2：构建由多个基于交叉熵代价函数的BP神经网络组成的故障诊断模型，对每个BP神经网络进行训练和测试并获取设备故障的初步诊断结果；步骤3：采用D

【技术实现步骤摘要】
一种新型护航舰艇压载水系统设备故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其是涉及一种新型护航舰艇压载水系统设备故障诊断方法。

技术介绍

[0002]压载水系统是由多个设备组成，它在保持舰艇平稳运行，确保安全方面启着至关重要的作用。总所周知，压载水系统设备在长期航行的过程伴随着压载水设备密封圈损坏、压载水设备线路故障以及压载水系统设备管道堵塞等故障以及恶劣的运行环境下(如：极端低温或极端高温、腐蚀、暴风暴雨天气等)易出现故障或损坏。设备故障易于引起舰艇维护、修补和导航困难。在某些情况下，设备故障可能会引起重大经济损失甚至危及舰艇上全体人员的生命安全。而且，压载水系统上的多个设备布设比较分散，这使得人工很难排除故障隐患。另外，由于设备结构的复杂性、舰艇的长期远洋航行、极端环境等原因，不同设备的多类故障同时出现的可能性增加，同类故障的征兆也许不同，这使得人工诊断故障的方法失效。因此，研制压载水系统设备智能故障诊断方法，可以实时诊断设备可能出现的故障模式(正常运行模式和设备故障模式)，并在减少舰艇发生故障的风险并可保证舰艇正常运行方面起到至关重要的作用。
[0003]由于传感器故障，恶劣天气、通信失败以及不良的能源供应等影响因素的影响下，来自传感器的测量数据也许不精确或者不完整。由此可知单个设备上布设单个传感器无法精确测量其运行状态。

技术实现思路

[0004][0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种新型护航舰艇压载水系统设备故障诊断方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种新型护航舰艇压载水系统设备故障诊断方法，该方法包括以下步骤：
[0008]步骤1：在舰艇压载水系统设备上布设多个传感器监测点，并收集表征关键设备运行状态的特征参数；
[0009]步骤2：构建由多个基于交叉熵代价函数的BP神经网络组成的故障诊断模型，对每个BP神经网络进行训练和测试并获取设备故障的初步诊断结果；
[0010]步骤3：采用D
‑
S证据理论对每个BP神经网络的输出结果进行数据融合，获取设备故障的最终诊断结果。
[0011]所述的步骤1中，传感器监测点包括布设在压载水系统设备上的压载水泵输出功率监测点、多个流量监测点和多个压力监测点；
[0012]特征参数包括压力、流量和功率；
[0013]压载水系统关键设备包括阀门、过滤器、泵和管段；
[0014]压载水系统关键设备的运行状态包括管段泄露、阀门堵塞、压载水水泵泵轴磨损、海底过滤器堵塞以及正常运行状态。
[0015]所述的步骤1中，收集表征关键设备运行状态的故障特征的物理参数的过程具体包括以下步骤：
[0016]步骤101：通过舰艇压载水系统设备上布设的多个传感器监测点采集故障测试数据；
[0017]步骤102：将故障测量数据上传至计算机，计算机对故障测量数据进行特征提取和特征选择操作以获取特征数据；
[0018]步骤103：对特征数据进行归一化处理，将特征数据划分为用以训练故障诊断模型的训练数据和用以判断故障诊断模型的诊断效果的测试数据。
[0019]所述的故障诊断模型包括第一数据预处理模块、第二数据预处理模块以及决策融合模块：
[0020]所述的第一数据预处理模块用以对特征数据进行数据预处理；
[0021]所述的第二数据预处理模块包括四个具有不同网络结构的BP神经网络，基于特征数据的属性和样本点的位置将提取的特征数据分为四类，分别作为每个BP神经网络的输入，将压载水系统设备的运行状态作为每个BP神经网络的输出，所述的第二数据预处理模块用以对得到的故障诊断结果进行归一化处理；
[0022]所述的决策融合模块用以对归一化处理后的故障诊断结果进行融合以得到最终故障诊断结果。
[0023]所述的每个所述的BP神经网络均为三层反馈网络拓扑结构，该结构包括一个输入层单元，一个隐含层单元和一个输出层单元，且各层单元的所有节点均以向量形式表示，并按照向量操作的方法执行计算，所述的BP神经网络采用交叉熵代价函数以提升收敛速度和诊断精度，并且防止出现处理梯度消失和梯度爆炸的现象；
[0024]所述的输入层单元具有多个输入节点，且每个输入节点与传感器监测点的特征数据对应，所述的输入层单元采用sigmoid激活函数激活；
[0025]所述的输出层单元具有多个输出节点，且每个输出节点与预先设定的压载水系统关键设备的运行状态对应；
[0026]所述的隐含层单元采用tanh激活函数激活。
[0027]所述的步骤2中，对每个BP神经网络进行训练和测试并获取设备故障的初步诊断结果的过程具体为：
[0028]步骤201：对每个BP神经网络的特征参数进行初始化设定，将归一化处理后的训练数据和测试数据根据样本点的位置和特征数据的属性进行分类；
[0029]步骤202：将不同类别的训练数据输入不同的BP神经网络进行训练；
[0030]步骤203：将测试数据输入至训练后的每个BP神经网络进行测试，得到用以表征设备的运行状态的故障诊断结果，并对故障诊断结果进行分析，直至误差满足要求。
[0031]所述的步骤201中，每个BP神经网络的特征参数包括训练次数、学习率、训练误差、输入层到中间层权值和中间层到输出层权值。
[0032]所述的步骤202中，将不同类别的训练数据输入不同的BP神经网络进行训练的过程具体为：
[0033]在选取每个BP神经网络的特征参数后，将特征数据输入至每个BP神经网络中，采用交叉熵代价函数作为每个BP神经网络的代价函数，并设置迭代次数，每个BP神经网络训练完成后得到多种故障诊断结果，将每个BP神经网络的故障诊断结果进行归一化处理，并将归一化处理后的每个BP神经网络的故障诊断结果输入每个BP神经网络中进行训练，直至达到迭代次数。
[0034]所述的步骤203中，将测试数据输入至训练后的每个BP神经网络进行测试的过程具体为：
[0035]将测试数据输入至每个BP神经网络中进行测试，对每个BP神经网络输出的多为故障诊断结果进行处理，转化为1维的输出结果，即选取出每一组样本数据的最大概率值作为实际的故障诊断结果，将选取的测试数据的期望结果与每个BP神经网络输出的实际的故障诊断结果进行比较，以验证每个BP神经网络的设备故障诊断性能。
[0036]所述的步骤3中，采用D
‑
S证据理论对每个BP神经网络的输出结果进行数据融合的过程具体包括以下步骤：
[0037]步骤301：对每个BP神经网络的故障诊断结果进行归一化操作，得到信度分配结果；
[0038]步骤302：采用D
‑
S证据理论对每个BP神经网络的信度分配结果进行融合，得到最终故障诊断结果。
[0039]与现有技术相比，本专利技术具有以如下有益效果：
[0040]1、本专利技术在单个设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型护航舰艇压载水系统设备故障诊断方法，其特征在于，该方法包括以下步骤：步骤1：在舰艇压载水系统设备上布设多个传感器监测点，并收集表征关键设备运行状态的特征参数；步骤2：构建由多个基于交叉熵代价函数的BP神经网络组成的故障诊断模型，对每个BP神经网络进行训练和测试并获取设备故障的初步诊断结果；步骤3：采用D
‑
S证据理论对每个BP神经网络的输出结果进行数据融合，获取设备故障的最终诊断结果。2.根据权利要求1所述的一种新型护航舰艇压载水系统设备故障诊断方法，其特征在于，所述的步骤1中，传感器监测点包括布设在压载水系统设备上的压载水泵输出功率监测点、多个流量监测点和多个压力监测点；特征参数包括压力、流量和功率；压载水系统关键设备包括阀门、过滤器、泵和管段；压载水系统关键设备的运行状态包括管段泄露、阀门堵塞、压载水水泵泵轴磨损、海底过滤器堵塞以及正常运行状态。3.根据权利要求1所述的一种新型护航舰艇压载水系统设备故障诊断方法，其特征在于，所述的步骤1中，收集表征关键设备运行状态的故障特征的物理参数的过程具体包括以下步骤：步骤101：通过舰艇压载水系统设备上布设的多个传感器监测点采集故障测试数据；步骤102：将故障测量数据上传至计算机，计算机对故障测量数据进行特征提取和特征选择操作以获取特征数据；步骤103：对特征数据进行归一化处理，将特征数据划分为用以训练故障诊断模型的训练数据和用以判断故障诊断模型的诊断效果的测试数据。4.根据权利要求3所述的一种新型护航舰艇压载水系统设备故障诊断方法，其特征在于，所述的故障诊断模型包括第一数据预处理模块、第二数据预处理模块以及决策融合模块：所述的第一数据预处理模块用以对特征数据进行数据预处理；所述的第二数据预处理模块包括四个具有不同网络结构的BP神经网络，基于特征数据的属性和样本点的位置将提取的特征数据分为四类，分别作为每个BP神经网络的输入，将压载水系统设备的运行状态作为每个BP神经网络的输出，所述的第二数据预处理模块用以对得到的故障诊断结果进行归一化处理；所述的决策融合模块用以对归一化处理后的故障诊断结果进行融合以得到最终故障诊断结果。5.根据权利要求4所述的一种新型护航舰艇压载水系统设备故障诊断方法，其特征在于，所述的每个所述的BP神经网络均为三层反馈网络拓扑结构，该结构包括一个输入层单元，一个隐含层单元和一个输出层单元，且各层单元的所有节点均以向量形式表示，并按照向量操作的方法执行计算，所述的BP神经网络采用交叉熵代价函数以提升收敛速度和诊断精度，并且防止出现处理梯度消失和梯度爆炸的现象；所述的输入层单元具有多个输入节点，且每个输入节点与传感器监测点的特征数据对

【专利技术属性】
技术研发人员：张卫东，曲慧芳，万逸，张灿，李涛，谢威，衣博文，
申请(专利权)人：海南大学，
类型：发明
国别省市：