一种基于机器学习的船用滑油冷却器数据模型构建方法技术

本发明专利技术公开了一种基于机器学习的船用滑油冷却器数据模型构建方法，属于滑油系统试验过程的数字化调试技术领域，包括：对船用滑油冷却器数据进行数据预处理及特征提取得到船用滑油冷却器数据的特征数据；建立LSTM

【技术实现步骤摘要】
一种基于机器学习的船用滑油冷却器数据模型构建方法


[0001]本专利技术属于滑油系统试验过程的数字化调试
，更具体地，涉及一种基于机器学习的船用滑油冷却器数据模型构建方法。

技术介绍

[0002]滑油冷却器是汽轮机等旋转设备冷却润滑工质常用的热交换设备，其广泛用于船舶、化工、制冷和机械等行业。滑油冷却器是控制滑油系统内润滑油温度的主要设备，其主要作用是保证滑油温度能在正常的工作范围内。
[0003]在船舶蒸汽动力系统中，有大量的旋转机械需要使用润滑油对其进行润滑，特别是那些长时间运行使用的旋转机械，如推进汽轮机、汽轮发电机等。船舶的航速变化以及船上用电负荷变化影响着汽轮机的运行状态，使得汽轮机发热量的变化极为剧烈，船用滑油冷却器需要对滑油的冷却效果实时调节，保证滑油温度在正常范围内。如果滑油温度不在正常范围内，会导致汽轮机等设备的热负荷变大并且减弱轴承润滑效果，这将影响到蒸汽动力系统关键设备的正常使用，增加故障概率，降低蒸汽动力系统的安全可靠性，影响船舶的正常航行。
[0004]在设计滑油系统时，为提高设计质量，一般需要开展滑油系统的仿真计算，滑油冷却器的模拟仿真是滑油系统仿真计算过程中重要的环节，为了准确的得到计算结果，需要建立准确的滑油冷却器模型。目前建立滑油冷却器模型一般根据机理模型进行构建，一种是通过滑油冷却器的控件结构构造、冷却管束换热特性等滑油冷却器物理机理特征，设置滑油冷却器物理边界条件，采用三维的仿真方式计算稳定状态下的滑油系统各项运行参数，建立滑油冷却器的稳态计算模型。
>[0005]但是三维仿真计算速度较慢，且无法对船舶常见的动态工况进行计算。另一种是采用简化的一维或0维仿真模型，这种方法下的滑油冷却器模型计算精度不高，计算效率也偏低，也无法有效支撑滑油系统动态工况的联合仿真。
[0006]因此，滑油冷却器作为滑油系统仿真过程中关键设备，现有的基于机理的滑油冷却器模型精度和实时性都难以达到支撑滑油系统联合仿真计算的要求。主要有以下两个问题：
[0007]1)计算精度低。简化的一维船用滑油冷却器模型需要利用真实数据进行大量修正，以提高计算精度，但这种模型计算速度较低，修正耗费资源较大，并且难以有效支撑船舶变工况下滑油换热仿真计算。
[0008]2)计算速度慢。三维仿真模型一般采用网格划分的计算方法，网络数量与计算精度密切相关，高精度的三维仿真不能满足滑油系统设计过程的仿真模型运算快速性要求。

技术实现思路

[0009]针对现有技术的以上缺陷或改进需求，本专利技术提出了一种基于机器学习的船用滑油冷却器数据模型构建方法，使用滑油系统的各种工况下试验及运行数据，结合机器学习
算法，能够建立一种精度高、运行速度快的船用滑油冷却器数据模型。
[0010]为实现上述目的，本专利技术提供了一种基于机器学习的船用滑油冷却器数据模型构建方法，包括：
[0011](1)对船用滑油冷却器数据进行数据预处理及特征提取得到船用滑油冷却器数据的特征数据；
[0012](2)建立LSTM
‑
BP神经网络稳态数据模型，并将特征数据作为LSTM
‑
BP神经网络稳态数据模型的输入得到经过LSTM
‑
BP神经网络稳态数据模型的输出数据；
[0013](3)使用加权loss对LSTM
‑
BP神经网络稳态数据模型的输出数据进行数据回传模型优化。
[0014]在一些可选的实施方案中，步骤(1)包括：
[0015]对船用滑油冷却器数据进行缺失值处理、离群和噪声值处理、异常范围及类型值处理、数据归一化得到船用滑油冷却器数据的特征数据。
[0016]在一些可选的实施方案中，对船用滑油冷却器数据进行缺失值处理包括：
[0017]将船用滑油冷却器数据中的缺失项处的值进行丢弃，或者丢弃船用滑油冷却器数据中包含缺失项的整条数据记录，或者对船用滑油冷却器数据中的缺失项处的值进行估计。
[0018]在一些可选的实施方案中，对船用滑油冷却器数据中的缺失项处的值进行估计，包括：
[0019]采用缺失值所处属性上全部值的平均值、缺失值所处属性上全部值的平均值加权重后的值或者某个分位值代替缺失值；
[0020]或者，估计缺失值的相似值，采用相似值来填充缺失值；
[0021]或者，基于非缺失的值构建统计模型，并对统计模型参数进行估计，然后再预测缺失处的值。
[0022]在一些可选的实施方案中，对船用滑油冷却器数据进行异常范围及类型值处理，包括：
[0023]根据船用滑油冷却器数据是否超过了当前场景下属性能够取值的范围，对船用滑油冷却器数据进行异常范围及类型值处理。
[0024]在一些可选的实施方案中，对经过缺失值处理、离群和噪声值处理、异常范围及类型值处理后的船用滑油冷却器数据进行数据归一化，包括：
[0025]对经过缺失值处理、离群和噪声值处理、异常范围及类型值处理后的船用滑油冷却器数据进行最大值最小值归一处理。
[0026]在一些可选的实施方案中，步骤(2)包括：
[0027]LSTM为主干网络，其中，LSTM网络的输入维度对应输入的特征数据，包含若干个隐含层，各隐含层串联，上一个隐含层的输出为下一个隐含层的输入，每个隐含层之间的输入和输出维度相同，LSTM部分的主要作用是提取稳态数据特征。
[0028]BP神经网络包括若干个隐含层，第一层为隐含层，隐含层和reLu激活函数交替连接，最后一层为隐含层。
[0029]在一些可选的实施方案中，步骤(3)包括：
[0030]将LSTM
‑
BP神经网络稳态数据模型的各输出数据作为独立的输出，分别计算各输
出数据的loss函数后进行加权求和，然后根据加权求和后的数据与实际数据之间的关系，调整输出权重值，以优化权重Loss函数。
[0031]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0032](1)本专利技术提出的基于机器学习的滑油冷却器数据模型构建方法，利用机器学习对滑油系统历史数据进行分析，寻找滑油冷却器各输入输出参数在不同运行状态下相互之间的隐式关系，使用滑油系统的各种工况下试验及运行数据，结合机器学习算法，能够建立一种精度高、运行速度快的船用滑油冷却器数据模型。
[0033](2)计算精度高。已有的船用滑油冷却器模型构建结果表明，对稳态、动态混合的工况数据，以滑油出口温度1℃为偏差，99％的样本满足要求，误差小于1℃，剩下1％的样本误差最大为1.14℃，能较好的满足仿真计算结果。
[0034](3)计算速度快。通过已有的船用滑油冷却器模型进行测试，采用了620个节点共8层神经网络便可完成高精度计算，运行结果较快，运行速度<1s。
[0035](4)支撑滑油系统设计。可以将本专利技术形成的船用滑油冷却器模型嵌入至滑油全系统模型中进行联合仿真计算，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的船用滑油冷却器数据模型构建方法，其特征在于，包括：(1)对船用滑油冷却器数据进行数据预处理及特征提取得到船用滑油冷却器数据的特征数据；(2)建立LSTM
‑
BP神经网络稳态数据模型，并将特征数据作为LSTM
‑
BP神经网络稳态数据模型的输入得到经过LSTM
‑
BP神经网络稳态数据模型的输出数据；(3)使用加权loss对LSTM
‑
BP神经网络稳态数据模型的输出数据进行数据回传模型优化。2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：对船用滑油冷却器数据进行缺失值处理、离群和噪声值处理、异常范围及类型值处理、数据归一化得到船用滑油冷却器数据的特征数据。3.根据权利要求2所述的方法，其特征在于，对船用滑油冷却器数据进行缺失值处理包括：将船用滑油冷却器数据中的缺失项处的值进行丢弃，或者丢弃船用滑油冷却器数据中包含缺失项的整条数据记录，或者对船用滑油冷却器数据中的缺失项处的值进行估计。4.根据权利要求3所述的方法，其特征在于，对船用滑油冷却器数据中的缺失项处的值进行估计，包括：采用缺失值所处属性上全部值的平均值、缺失值所处属性上全部值的平均值加权重后的值或者某个分位值代替缺失值；或者，估计缺失值的相似值，采用相似值来填充缺失值；或者，基于非缺...

【专利技术属性】
技术研发人员：谭巍巍，赵观辉，雷欢，赵会晶，李菲菲，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：