在绿色船舶智能监测领域,多源数据融合过程复杂,从这些数据中提取非线性特征面临诸多挑战。为有效解决这些问题,本文提出一种基于模糊神经网络的智能监测方法。首先利用自适应加权平均算法对多传感器采集的数据进行动态融合处理;接着引入蚁群优化算法对融合后的数据进行特征提取,降低冗余数据干扰,提高数据处理效率和准确性;最后构建改进的模糊神经网络模型,对设备运行状态进行判断和划分。实验表明,该方法获取的设备状态数据能有效监测设备运行状态,具有切实可行性。
关键词
模糊神经网络;智能船舶;智能监测系统
0 引言
随着数字化技术与航运产业深度融合,全球航运事业规模化扩张,但船舶各系统运行安全性不容忽视。航运风险包括设备本体风险、环境扰动因素和人工操控因素,其中设备本体风险主要表现为机舱各类电气及自动化设备故障等。在此背景下,船舶智能监测技术从 “单一感知” 向 “多源感知” 转型,关键在于集成多模态传感数据与智能算法模型,通过融合边缘计算、迁移学习等技术构建动态感知网络,实现船舶运行状态的全域可视化监测与预测性维护,成为当前智能船舶领域研究重点。
1 数据采集及优化
多源感知首先体现在数据来源多样化,通过在设备不同部位合理布置多种类型传感器获取多源数据。传感器采集数据回传后,采用自适应加权平均算法进行融合处理。该算法是基于数据动态变化特征的优化融合算法,能依据输入数据可靠程度动态分配权重系数,运行中评估数据质量并实时更新权重,最终通过加权平均计算实现整体误差最小化,达到更精准的数据融合效果。
算法详细步骤如下:用c1,c2,⋯,cn表示多个传感器采集的数据量,对每个传感器从精度、准确度、稳定性及噪声水平等多维度综合评估,初步评定权值ξ1,ξ2,⋯,ξn。在相同环境和同一时刻,多个传感器同步采集船舶运行状态数据,融合后权值表达式为c=∑a=1nξa×ca。进一步推导,数据融合后的特征向量公式为T(a)=ca2∑a=1nξac2。根据无偏估计理论,各传感器数据相互独立,当数据融合特征均方差最小时,加权值公式为ξa∗=∑a=1nT(a)21,最终获取船舶运行数据融合结果ζ=ξa∗∑a=1nT(a)。
若数据中存在大量冗余数据,会影响监测结果准确性。蚁群优化算法借助信息素正反馈机制优化数据,本文采用该算法提取船舶运行状态数据的最优特征集,具体步骤如下:
参数初始化设置:包括蚂蚁数量、信息素初始浓度及启发因子权重。
构建可行解:每只蚂蚁依据启发式规则和信息素浓度抉择移动路径,重复选择直至找到可行解或达到搜索终止条件。其中,τijα(t)表示时刻t边(i,j)上的信息素数值,ηij(t)代表相应信息值,Nk(i)表示可行网格集合,尚未被蚂蚁k访问过,转移概率公式为Pijk(t)=⎩⎨⎧∑s∈Nk(i)τisα(t)ηisβ(t)τijα(t)ηijβ(t),j∈Nk(i)0,otherwise。
更新信息素:持续迭代更新信息素,直到达到最大迭代次数或最优解趋于稳定,更新公式为τij(t+1)=(1−ρ)τij(t)+∑k=1mΔτijk(t),其中ρ表示信息素蒸发速率,m是蚂蚁数量。完成数据优化后,将优化后的数据投入神经网络算法进行分类。
2 改进模糊神经网络模型结构
考虑到船舶运行数据维度多、权重难确定且要求算法对传感器噪声容忍度高,模糊神经网络适用于模糊语义或数据不确定性高的分类情境,它结合了模糊逻辑与神经网络的互补特性,能有效应对复杂情况。因此,本文选用模糊神经网络对船舶航行状态数据进行分类处理,将提取的最优特征集合输入网络实现智能监测,其模型架构如图 1 所示。
首先将优化后的船舶航行状态数据作为输入量,进入模糊层,通过隶属函数进行模糊化操作,选用的隶属函数为iwkok=ζok2exp(−(cwk−vok)2),其中vok表示第o维第k类聚类中心,cwk表示第k类第w个输入最优特征子集。
模糊处理后的子集继续输入推理层进行模糊规则计算,表达式为ωwa=∏o=1Tiwook。然后对推理层输出数据进行归一化处理,得到归一化输出值ωwa=∑a=1MTωwaωwa。连接矩阵E=BU,其中B代表归一化输出矩阵,U表示模糊神经网络的输出,进一步推导出模糊神经网络模型的输出公式ωwa=E∑a=1MTωwaωwa。从输出层获取的数据可实现船舶运行状态的智能监测。
3 实验与分析
本文以船舶动力系统的关键设备齿轮箱和柴油发动机为例进行实验,分析设备在相同位置、相同工作条件下不同时间点的数据,以及不同工作条件下的横向比较,算法流程框图如图 2 所示。
在某船舶齿轮箱监测实验中,对于减速齿轮装置等设备,布置声音传感器,监测点选择设备容易故障、便于日常检测维护且兼顾各个外立面的地方。对于典型一级减速齿轮装置,监测点布放原则为:在设备每个轴承附近、上端面及侧面各布放 1 个监测点。通过算法对采集的声音信号计算,经傅里叶变换将数据从时域转为频域,刻画声音的密度和能量曲线,建立与设备健康的对应关系。图 3 为同一左舷齿轮箱在不同工况下的运行状态图,图 4 为同一右舷齿轮箱在不同工况下的运行状态图,不同颜色曲线表示不同工况,横坐标为工作频率 (Hz),纵坐标为声音分贝 (dB)。由图可知,在各个工况下,设备声音表现一致性良好,运行状态稳定,虽有少数数据差异但在正常范围内,设备运行状况良好。
对某船舶的轴承进行监测,并与报废轴承对比,图 5 为低频声音能量曲线图,横坐标为工作频率 (Hz),纵坐标为能量 (dB),两条蓝色曲线为某船舶轴承的低频声音能量曲线,红色曲线为报废轴承的低频能量曲线,低频 (390Hz) 能量曲线表征轴承运行平稳度,可看出报废轴承与合格轴承能量曲线差异较大。图 6 为中高频声音能量曲线图,两条蓝色曲线为某船舶轴承的高频声音能量曲线,红色曲线为报废轴承的高频能量曲线,中频 (2100-3500Hz) 故障轴承润滑油声音能量远高于正常轴承,高频 (>10000Hz) 报废轴承内滚珠与内圈不平滑撞击,能量差异显著,验证了本文算法对两类轴承的区分能力,未来可据此建立设备报废标准。
4 结论
为保证船舶安全航行,对重点系统设备运行状态监测是智能船舶研究重点内容之一。本文提出基于模糊神经网络的船舶设备智能监测方法,通过合理布置传感器实现对重点设备运行状态全面监测。实验结果显示,该方法获取的设备状态数据能有效监测设备实际运行状态,验证了方法的可行性。未来研究中,需深入探索设备状态检测后准确确定故障类型,将状态监测与故障诊断有机结合,构建从 “感知” 到 “决策” 的完整闭环体系,提升船舶设备运行的安全性与可靠性。
* 请认真填写需求信息,我们会在24小时内与您取得联系。